0. 简介

之前作者专门为点云匹配写了几篇博客，但是我们发现最近几年有更多的新方法已经在不断地被使用。同时之前有些内容也没有很好的概括，所以这里我们将作为一篇进阶文章来介绍这些方法的使用。

1. 地面点去除

处了使用一些复杂的方法（FEC）或是一些简单的方法（根据高度来滤除）以外，还可以使用Ransac的方法完成平面拟合

#include <pcl/point_types.h>
#include <pcl/filters/extract_indices.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/filters/passthrough.h>
#include <pcl/segmentation/sac_segmentation.h>

void RemovePointsUnderGround(const pcl::PointCloud<pcl::PointXYZI>& cloud_in,
                             pcl::PointCloud<pcl::PointXYZI>& cloud_out)
{
    // 对输入点云进行降采样
    pcl::PointCloud<pcl::PointXYZI>::Ptr cloud_downsampled(new pcl::PointCloud<pcl::PointXYZI>);
    pcl::VoxelGrid<pcl::PointXYZI> voxel_grid;
    voxel_grid.setInputCloud(cloud_in.makeShared());
    voxel_grid.setLeafSize(0.1f, 0.1f, 0.1f); // 设置体素格大小
    voxel_grid.filter(*cloud_downsampled);

    // 创建一个滤波器对象，用于提取地面平面
    pcl::PointCloud<pcl::PointXYZI>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZI>);
    pcl::PassThrough<pcl::PointXYZI> pass_through;
    pass_through.setInputCloud(cloud_downsampled);
    pass_through.setFilterFieldName("z"); // 对z轴进行滤波
    pass_through.setFilterLimits(-1.5, 0.5); // 设置滤波范围，过滤掉z轴在-1.5到0.5之间的点
    pass_through.filter(*cloud_filtered);

    // 创建一个分割对象，用于提取地面平面
    pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients);
    pcl::PointIndices::Ptr inliers(new pcl::PointIndices);
    pcl::SACSegmentation<pcl::PointXYZI> segmentation;
    segmentation.setInputCloud(cloud_filtered);
    segmentation.setModelType(pcl::SACMODEL_PLANE);
    segmentation.setMethodType(pcl::SAC_RANSAC);
    segmentation.setDistanceThreshold(0.1); // 设置距离阈值，点到平面的距离小于该阈值的点将被认为是地面点
    segmentation.segment(*inliers, *coefficients);

    // 创建一个提取对象，用于提取地面点
    pcl::PointCloud<pcl::PointXYZI>::Ptr cloud_ground(new pcl::PointCloud<pcl::PointXYZI>);
    pcl::ExtractIndices<pcl::PointXYZI> extract;
    extract.setInputCloud(cloud_filtered);
    extract.setIndices(inliers);
    extract.setNegative(false); // 提取地面点，即保留inliers对应的点
    extract.filter(*cloud_ground);

    // 创建一个提取对象，用于提取非地面点
    pcl::PointCloud<pcl::PointXYZI>::Ptr cloud_non_ground(new pcl::PointCloud<pcl::PointXYZI>);
    extract.setNegative(true); // 提取非地面点，即去除inliers对应的点
    extract.filter(*cloud_non_ground);

    // 将结果保存到输出点云中
    cloud_out = *cloud_non_ground;
}

2. PCA主成分判别

除了去除点云以外，还可以通过主成分判别来判断我们分割的是否是地面。其中eigenvectors()函数得到的矩阵中的三个列向量分别对应于数据的主成分轴。这些主成分轴是按照数据方差的降序排列的，即第一个列向量对应的是数据的第一主成分轴，第二个列向量对应的是数据的第二主成分轴，第三个列向量对应的是数据的第三主成分轴。对于PCA的特征值和特征向量可以从https://blog.csdn.net/lazysnake666/article/details/122404671这里理解。

#include <iostream>
#include <vector>
#include <pcl/point_types.h>
#include <pcl/common/pca.h>

bool EstimatePlane(const pcl::PointCloud<pcl::PointXYZI>& cloud)
{

    // 将输入点云数据转换为PCL点云格式
    for (const auto& point : cloud)
    {
        pcl::PointXYZ pclPoint;
        pclPoint.x = point.x();
        pclPoint.y = point.y();
        pclPoint.z = point.z();
        cloud->push_back(pclPoint);
    }

    // 创建PCA对象
    pcl::PCA<pcl::PointXYZ> pca;
    pca.setInputCloud(cloud);

    // 计算主成分
    Eigen::Vector3f eigenValues = pca.getEigenValues();
    Eigen::Matrix3f eigenVectors = pca.getEigenVectors();

    // 获取地面法向量，因为最小的就是第三列，所以最后一列是地面（0，0，1），如果是墙面那就（x，1-x，0）
    Eigen::Vector3f groundNormal = eigenVectors.col(2);#eigen_vector.block<3, 1>(0, 2)//最小成分的主成分向量，对应的是地面的法线，因为地面XY都存在比较大的主成分
    // 如果是其他的比如灯杆这种，一般的就会是fabs(eigen_vector.block<3, 1>(0, 0).dot(Eigen::Vector3f::UnitZ()))的形式，也就是最大主成分，沿着最大主成分方向

    bool is_ground = (fabs(groundNormal.dot(
                              Eigen::Vector3f::UnitZ())) > 0.98) &&
                         (eigenValues(2) < 0.05 * 0.05);//最小得列和地面法线重合|a||b|cos,并且eigenValues重要程度满足要求，因为地面基本等于0，所以特征值也很小   https://blog.csdn.net/xinxiangwangzhi_/article/details/118228160
    // 如果是其他的比如灯杆这种，一般的就会是eigen_values(0) > 10 * eigen_values(1)

    return is_ground;
}

3. GICP配准

GICP配准这块在之前的博客经典论文阅读之-GICP（ICP大一统）中已经详细讲过了，下面就是一个示例代码

Eigen::Matrix4d gicp_trans(
    pcl::PointCloud<PointType>::Ptr source_cloud,
    pcl::PointCloud<PointType>::Ptr target_cloud) {
  CHECK(source_cloud);
  CHECK(target_cloud);

  pcl::GeneralizedIterativeClosestPoint<PointType, PointType> gicp;
  gicp.setInputSource(source_cloud);
  gicp.setInputTarget(target_cloud);


  gicp.setMaxCorrespondenceDistance(10.0);
  gicp.setMaximumIterations(100);
  gicp.setMaximumOptimizerIterations(100);
  gicp.setRANSACIterations(100);
  gicp.setRANSACOutlierRejectionThreshold(1.0);
  gicp.setTransformationEpsilon(0.01);
  gicp.setUseReciprocalCorespondences(false);

  LOG(INFO) << "MaxCorrespondenceDistance: " << gicp.getMaxCorrespondenceDistance();
  LOG(INFO) << "MaximumIterations: " << gicp.getMaximumIterations();
  LOG(INFO) << "MaximumOptimizerIterations: " << gicp.getMaximumOptimizerIterations();
  LOG(INFO) << "RANSACIterations: " << gicp.getRANSACIterations();
  LOG(INFO) << "RANSACOutlierRejectionThreshold: " << gicp.getRANSACOutlierRejectionThreshold();
  LOG(INFO) << "TransformationEpsilon: " << gicp.getTransformationEpsilon();
  LOG(INFO) << "MaxCorrespondenceDistance: " << gicp.getMaxCorrespondenceDistance();
  LOG(INFO) << "RANSACOutlierRejectionThreshold: " << gicp.getRANSACOutlierRejectionThreshold();
  LOG(INFO) << "UseReciprocalCorrespondences: " << gicp.getUseReciprocalCorrespondences();

  pcl::PointCloud<PointType>::Ptr aligned_source =
      boost::make_shared<pcl::PointCloud<PointType>>();
  gicp.align(*aligned_source);
  CHECK(aligned_source);
  LOG(INFO) << "Final transformation: " << std::endl << gicp.getFinalTransformation();
  if (gicp.hasConverged()) {
    LOG(INFO) << "GICP converged." << std::endl
              << "The score is " << gicp.getFitnessScore();
  } else {
    LOG(INFO) << "GICP did not converge.";
  }

  LOG(INFO) << "Saving aligned source cloud to: " << params_.aligned_cloud_filename;
  pcl::io::savePCDFile(params_.aligned_cloud_filename, *aligned_source);

  return  gicp.getFinalTransformation();
}

4. ikd-Tree配准

ikd-Tree的建图配准离不开eskf的相关内容，相关的代码太多了；所以这里大概整理了一下思路， 即导入地图，然后将当前的点云与GPS结合转到全局坐标系下，然后使用ikdtree完成检索，并传入ESKF中完成优化计算(如果点比较少还可以放弃ESKF，转而用EstimatePlane来估算出平面，并利用点到平面的距离残差来估算)

int feats_down_size = 0

esekfom::esekf kf;
state_ikfom state_point;
state_point = kf.get_x();
state_point.pos = Eigen::Vector3d(init_pos[0], init_pos[1], init_pos[2]);
Eigen::Quaterniond q(init_rot[3], init_rot[0], init_rot[1], init_rot[2]);
Sophus::SO3 SO3_q(q);
state_point.rot = SO3_q;
kf.change_x(state_point);
// IMU预积分部分（也可以用GPS代替IMU做积分）

//根据最新估计位姿  增量添加点云到map
void init_ikdtree(KD_TREE<PointType> ikdtree)
{
    //加载读取点云数据到cloud中
    string all_points_dir(string(string(ROOT_DIR) + "PCD/") + "GlobalMap_ikdtree.pcd");
    if (pcl::io::loadPCDFile<PointType>(all_points_dir, *cloud) == -1)
    {
        PCL_ERROR("Read file fail!\n");
    }

    ikdtree.set_downsample_param(filter_size_map_min);
    ikdtree.Build(cloud->points);
    std::cout << "---- ikdtree size: " << ikdtree.size() << std::endl;
}

void IkdTreeMapping(pcl::PointCloud<PointType>::Ptr feats_undistort)//这个拿到的是转到全局坐标系下去过噪声的点
{
  KD_TREE<PointType> ikdtree;
  if (ikdtree_.Root_Node == nullptr) {
    KD_TREE<PointType> ikdtree;
  }
  pcl::VoxelGrid<PointType> downSizeFilterSurf;
  downSizeFilterSurf.setLeafSize(0.5, 0.5, 0.5);
  //点云下采样
  downSizeFilterSurf.setInputCloud(feats_undistort);
  PointCloudXYZI::Ptr feats_down_body(new PointCloudXYZI());  //畸变纠正后降采样的单帧点云，lidar系
  downSizeFilterSurf.filter(*feats_down_body);
  feats_down_size = feats_down_body->points.size();

  // std::cout << "feats_down_size :" << feats_down_size << std::endl;
  if (feats_down_size < 5)
  {
      ROS_WARN("No point, skip this scan!\n");
      return;
  }


  /*** iterated state estimation ***/
  Nearest_Points.resize(feats_down_size); //存储近邻点的vector
  kf.update_iterated_dyn_share_modified(0.001, feats_down_body, ikdtree, Nearest_Points, 4, true);#匹配相关的内容都在里面，核心就是ikdtree.Nearest_Search

  state_point = kf.get_x();
  pos_lid = state_point.pos + state_point.rot.matrix() * state_point.offset_T_L_I;

}