0. 简介

PCL作为目前最为强大的点云库，内部存在有大量集成好的算法。而对于数据量大、非同源、含大量噪声且部分重叠的激光点云与影像重建点云，其稀疏程度、噪声程度等不同，非重叠区域的面积很大。真实场景的点云尤其是影像重建点云噪声较多，提取的法向量误差也很大，有的时候NDT和ICP并不能形成良好的匹配，这个时候我们该怎么样评估通过IPC或NDT算出的变换矩阵来估算出算法的精度呢？这个时候就需要通过均方根误差以及重合度来综合评判结果了。

1. 从Cloudcompare对点云配准进行了解

Cloudcompare是一个开源的免费点云处理软件，可以实现常用的点云处理功能，使用也是简单方便。官网网址为http://www.cloudcompare.org/，由于其良好的可视化，这里我们来从这个软件开始，向读者来介绍配准的一些基础概念。
首先，我们打开安装好的cloudcompare，打开要配准的点云文件。这里使用斯坦福的兔子点云。
选中45°点云，改变颜色（edit–>colors–>set unique，或者快捷键alt+c）
在这里插入图片描述
选中两个点云，点击配准按钮，参考点云（reference）选择0°，重叠度改成70%（不同数据视情况而定，这里目测70%重叠差不多），精度（RMS difference）没改变。

此时，我们就可以快捷的拿到我们想要的配准结果了。在上面我们注意到在Cloudcompare中提到了两个重要的概念，分别是重叠度和精度（均方根误差）。而这也是我们下面文章中主要介绍的内容。

2. 均方根误差（RMSE）

下面这部分的内容是计算方根误差的，其中内部主要是通过kd-tree完成了dist的搜索，从而计算出最近邻匹配点对欧氏距离的平方，并最终拿到我们的RMSE，从而评判出点云的重合性。

float caculateRMSE(pcl::PCLPointCloud2::Ptr& cloud_source, pcl::PCLPointCloud2::Ptr& cloud_target)
{pcl::PointCloud<pcl::PointXYZ>::Ptr xyz_source(new pcl::PointCloud<pcl::PointXYZ>());fromPCLPointCloud2(*cloud_source, *xyz_source);pcl::PointCloud<pcl::PointXYZ>::Ptr xyz_target(new pcl::PointCloud<pcl::PointXYZ>());fromPCLPointCloud2(*cloud_target, *xyz_target);float rmse = 0.0f;pcl::KdTreeFLANN<pcl::PointXYZ>::Ptr tree(new pcl::KdTreeFLANN<pcl::PointXYZ>());tree->setInputCloud(xyz_target);for (auto point_i : *xyz_source){// 去除无效的点if (!pcl_isfinite(point_i.x) || !pcl_isfinite(point_i.y) || !pcl_isfinite(point_i.z))continue; pcl::Indices nn_indices(1);std::vector<float> nn_distances(1);if (!tree->nearestKSearch(point_i, 1, nn_indices, nn_distances)) // K近邻搜索获取匹配点对continue;/*dist的计算方法之一size_t point_nn_i = nn_indices.front();float dist = squaredEuclideanDistance(point_i, xyz_target->points[point_nn_i]);*/float dist = nn_distances[0]; // 获取最近邻对应点之间欧氏距离的平方rmse += dist;                 // 计算平方距离之和}rmse = std::sqrt(rmse / static_cast<float> (xyz_source->points.size())); // 计算均方根误差return rmse;
}// ---------------------------计算均方根误差------------------------------
//auto Rmse= caculateRMSE(cloud_source, cloud_target);
//cout << "配准误差为：" << Rmse << endl;