本文提出了一種快速魯棒的點云配準算法，對存在離群噪聲點的點云數據具有較好的配準效果。首先使用了截斷最小二乘（Truncated Least Squares TLS）代價函數重新構造配準問題 ，該代價是的估計點對時能夠對大部分的不正確的對應點不加入計算，然后使用了一個通用的圖論框架來分離尺度，旋轉和平移，從而允許對這三個變換矩陣進行級聯求解，盡管這三個矩陣在本質上仍然是非凸的組合函數，但是論文中：

（1）LTS尺度和平移估計可以通過自適應的投票方法求解多項式的解

（2）LTS旋轉估計矩陣是被認為符合semidefinite program（SDP），即便在極端異常的數據中也是符合的。所以該?算法是被命令為TEASER（Truncated least squares Estimation And SEmidefinite Relaxation）

TeaseR++是一個用C++的快速、魯棒的點云配準庫，具有Python和Matlab接口。

github:https://github.com/MIT-SPARK/TEASER-plusplus

主要功能介紹

對于提出的兩種算法，論文在一些開源的數據集，比如目標檢測以及3Dmatch掃描的數據集測試了算法的性能，結果證明：

（1）這兩種算法比較而言都是最先進的（比如e.g., RANSAC, branch-&-bound, heuristics），并且對有異常值的點云都很魯棒。

（2）TEASER++可以在毫秒內運行，是目前最快的魯棒的配準算法（有興趣的可以驗證一下）

（3）TEASER++ is so robust it can also solve problems without correspondences（沒有對應關系也可以配準？）

論文圖集

? ?演示demo

配準實例

算法1偽代碼

算法2偽代碼

總結

TEASER++可以解決三維空間中兩點云之間的剛體變換問題，即使輸入對應點有大量的異常點，它也能很好地實現點云配準。

英文教程

資源

三維點云論文及相關應用分享

【點云論文速讀】基于激光雷達的里程計及3D點云地圖中的定位方法

3D目標檢測：MV3D-Net

三維點云分割綜述（上）

3D-MiniNet: 從點云中學習2D表示以實現快速有效的3D LIDAR語義分割（2020）

win下使用QT添加VTK插件實現點云可視化GUI

JSNet：3D點云的聯合實例和語義分割

大場景三維點云的語義分割綜述

PCL中outofcore模塊---基于核外八叉樹的大規模點云的顯示

基于局部凹凸性進行目標分割

基于三維卷積神經網絡的點云標記

點云的超體素(SuperVoxel)

基于超點圖的大規模點云分割

更多文章可查看：點云學習歷史文章大匯總

SLAM及AR相關分享

【開源方案共享】ORB-SLAM3開源啦！

【論文速讀】AVP-SLAM：自動泊車系統中的語義SLAM

【點云論文速讀】StructSLAM:結構化線特征SLAM

SLAM和AR綜述

常用的3D深度相機

AR設備單目視覺慣導SLAM算法綜述與評價

SLAM綜述(4)激光與視覺融合SLAM

Kimera實時重建的語義SLAM系統

SLAM綜述(3)-視覺與慣導，視覺與深度學習SLAM

易擴展的SLAM框架-OpenVSLAM

高翔：非結構化道路激光SLAM中的挑戰

SLAM綜述之Lidar SLAM

基于魚眼相機的SLAM方法介紹

往期線上分享錄播匯總

第一期B站錄播之三維模型檢索技術

第二期B站錄播之深度學習在3D場景中的應用

第三期B站錄播之CMake進階學習

第四期B站錄播之點云物體及六自由度姿態估計

第五期B站錄播之點云深度學習語義分割拓展

第六期B站錄播之Pointnetlk解讀

[線上分享錄播]點云配準概述及其在激光SLAM中的應用

[線上分享錄播]cloudcompare插件開發

[線上分享錄播]基于點云數據的?Mesh重建與處理

[線上分享錄播]機器人力反饋遙操作技術及機器人視覺分享

[線上分享錄播]地面點云配準與機載點云航帶平差

點云PCL更多活動請查看：點云PCL活動之應屆生校招群

掃描下方微信視頻號二維碼可查看最新研究成果及相關開源方案的演示：

如果你對本文感興趣，請點擊“原文閱讀”獲取知識星球二維碼，務必按照“姓名+學校/公司+研究方向”備注加入免費知識星球，免費下載pdf文檔，和更多熱愛分享的小伙伴一起交流吧！同時如果你也有分享精神可以加入我們的微信群，一起學習，一起分享。

以上內容如有錯誤請留言評論，歡迎指正交流。如有侵權，請聯系刪除

掃描二維碼

? ? ? ? ? ? ? ? ? ?關注我們

讓我們一起分享一起學習吧！期待有想法，樂于分享的小伙伴加入免費星球注入愛分享的新鮮活力。分享的主題包含但不限于三維視覺，點云，高精地圖，自動駕駛，以及機器人等相關的領域。

分享及合作方式：微信“920177957”（需要按要求備注） 聯系郵箱：dianyunpcl@163.com，歡迎企業來聯系公眾號展開合作。

點一下“在看”你會更好看耶

總結

以上是生活随笔為你收集整理的TeaseR++：快速鲁棒的C++点云配准库介绍+英文版视频教程的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。