内容简介:上一篇博客中我们使用了四元数法计算ICP。本篇我们使用SVD计算ICP。下面是《视觉slam十四讲》中的计算方法:
上一篇博客中我们使用了四元数法计算ICP。
本篇我们使用SVD计算ICP。
下面是《视觉slam十四讲》中的计算方法:
计算步骤如下:
我们看到,只要求出了两组点之间的旋转,平移是非常容易得到的,所以我们重点关注R的计算。展开关于R的误差项,得:
注意到第一项和R无关,第二项由于R'R=I,亦与R无关。因此,实际上优化目标函数变为:
接下来,我们介绍怎样通过SVD解出上述问题中最优的R,但关于最优性的证明较为复杂,感兴趣的读者请参考【50,51】,为了解R,先定义矩阵:
W是一个3*3的矩阵,对W进行SVD分解,得:
其中,为奇异值组成的对角矩阵,对角线元素从大到小排列,而U和V为正交矩阵,当W满秩时,R为:
解得R后,按式7.53求解t即可。
具体证明可以参考:
代码如下:
clear all; close all; clc; %生成原始点集 X=[];Y=[];Z=[]; for i=-180:2:180 for j=-90:2:90 x = i * pi / 180.0; y = j * pi / 180.0; X =[X,cos(y) * cos(x)]; Y =[Y,sin(y) * cos(x)]; Z =[Z,sin(x)]; end end P=[X(1:3000)' Y(1:3000)' Z(1:3000)']; %生成变换后点集 i=0.5;j=0.3;k=0.7; Rx=[1 0 0;0 cos(i) -sin(i); 0 sin(i) cos(i)]; Ry=[cos(j) 0 sin(j);0 1 0;-sin(j) 0 cos(j)]; Rz=[cos(k) -sin(k) 0;sin(k) cos(k) 0;0 0 1]; R=Rx*Ry*Rz; X=P*R + [0.2,0.3,0.4]; plot3(P(:,1),P(:,2),P(:,3),'b.'); hold on; plot3(X(:,1),X(:,2),X(:,3),'r.'); %计算点集均值 up = mean(P); ux = mean(X); P1=P-up; X1=X-ux; %计算点集协方差 sigma=P1'*X1/(length(X1)); [u s v] = svd(sigma); RR=u*v'; %计算平移向量 qr=ux-up*RR; %验证旋转矩阵与平移向量正确性 Pre = P*RR+qr; figure; plot3(P(:,1),P(:,2),P(:,3),'b.'); hold on; plot3(X(:,1),X(:,2),X(:,3),'r.'); plot3(Pre(:,1),Pre(:,2),Pre(:,3),'go');
处理效果和四元数法一致:
原始点集:
其中蓝点为原始点集,红点为旋转平移后的点集。
配准后点集:
计算得到的旋转平移矩阵,通过对蓝点集进行转换得到绿点集,比较红点集与绿点集是否基本一致。
以上所述就是小编给大家介绍的《matlab练习程序(点集配准的SVD法)》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:- matlab练习程序(曲面拟合)
- matlab练习程序(渲染三原色)
- matlab练习程序(加权最小二乘)
- matlab练习程序(局部加权线性回归)
- matlab练习程序(贝塞尔曲线)
- Serverless实战驾校小程序【考题练习】四
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。