三维点云的配准和融合

%% 点云的配准
clc;
clear;
close all;

%% 导入数据
dataFile = fullfile（toolboxdir（‘vision‘） ‘visiondata‘ ‘livingRoom.mat‘）;
load（dataFile）;

%% 依次将点云数据存出来
for i=1:length（livingRoomData）
    pcwrite（livingRoomData{i}[‘house_init‘num2str（i）]‘PLYFormat‘‘binary‘）;
end

%% 参考点云数据
% Extract two consecutive point clouds and use the first point cloud as
% reference.
ptCloudRef = livingRoomData{1};
ptCloudCurrent = livingRoomData{2};

%% 显示点云
figure;
pcshow（ptCloudRef）;
figure;
pcshow（ptCloudCurrent）;

%% 点云的预处理
% Note that the downsampling step does not only speed up the registration
% but can also improve the accuracy.
gridSize = 0.1;
fixed = pcdownsample（ptCloudRef ‘gridAverage‘ gridSize）;
moving = pcdownsample（ptCloudCurrent ‘gridAverage‘ gridSize）;

%% 确定点云之间的变换关系
% finding the rigid transformation for aligning the second point cloud with the first point cloud.
tform = pcregrigid（moving fixed ‘Metric‘‘pointToPlane‘‘Extrapolate‘ true）;
ptCloudAligned = pctransform（ptCloudCurrenttform）;

%% 点云的融合
%The overlapped region is filtered using a 1.5cm box grid filter. 
%Increase the merge size to reduce the storage requirement of the 
%resulting scene point cloud and decrease th