点云侠的博客

C++版本Open3D进行点云处理的一些算法使用案例。博客长期更新，最近一次更新时间为：2026年4月11日。

1

介绍了Open3D中的voxel_down_sample_and_trace体素下采样方法。该方法不仅能生成下采样点云，还能保留原始点云到体素的映射关系，支持手动指定边界范围和近似算法选项。与普通体素下采样相比，该方法更适合需要溯源或特征保留的场景。文章详细说明了算法原理、函数参数和返回结果，并通过Bunny点云示例展示了实现代码和可视化效果，下采样后点云以蓝色显示，原始点云为绿色。该方法在点云处理中具有重要应用价值。

RANSAC步骤包括：1)随机采样6个点建立方程组；2)通过SVD分解求解椭圆参数；3)使用代数距离或几何距离评估模型；4)迭代选择最优模型；5)用内点重新拟合椭圆。

实现了一种基于RANSAC算法的圆柱拟合方法。

介绍了三维三次样条曲线平滑算法及其实现

三次样条插值与平滑的C++代码实现

高斯牛顿法（Gauss-Newton Method）是一种针对非线性最小二乘问题的优化算法，其核心思想是用线性近似替代非线性函数，将问题转化为线性最小二乘求解。

牛顿法是一种迭代算法，用于求解无约束优化问题的最小值点。其核心思想是利用目标函数的二阶泰勒展开近似，并通过令近似函数的导数为零得到迭代公式。下面我将逐步推导牛顿法在优化问题中的公式，从一元函数扩展到多维度场景。

Ransac拟合空间圆的C++版本Open3D代码实现。

4PCS算法是一种基于仿射不变性的点云配准方法，适用于初始位姿未知、低重叠度的点云数据。其核心思想是通过寻找共面的四点基，利用仿射不变比率建立对应关系，计算最优刚体变换。该算法具有对初始位姿不敏感、能处理低重叠度数据的优点，但计算复杂度较高。代码实现主要包括寻找四点基、计算仿射不变比率、匹配候选点集等步骤，最后通过SVD分解计算变换矩阵。该算法适用于全局粗配准，为ICP等精配准提供初始估计。

点云的曲率反映了点云表面的凹凸程度，根据点云曲率的分布情况，自适应判断特征区域进而提取具有代表性的特征点。算法来自本人自创，具体原理看代码即可！！！

在使用Open3D批量处理点云时，发现存在读取的点云文件与本地文件夹内的顺序不一致这种情况。记录一下保持文件读取顺序与本地文件夹内顺序一致的代码实现方法。

Tukey损失是一种鲁棒统计方法，通过截断机制有效处理异常值，其数学特性包括截断效应和梯度归零特点。

Cauchy加权点到面ICP算法是一种鲁棒的点云配准方法，它结合了点到面的距离度量（Point To Plane）和Cauchy加权函数，以减少外点（outliers）的影响，提高配准精度和稳定性。

摘要： 本文提出了一种基于Geman-McClure损失函数（GMLoss）的鲁棒点云配准方法。GMLoss通过非线性加权机制有效降低异常值影响，其数学特性包括非凸性和自适应加权，当残差较大时梯度影响有界。算法采用Open3D框架实现，结合点到面ICP配准策略，通过尺度参数σ控制函数形状。实验结果表明，该方法在点云配准中表现出良好的鲁棒性，配准精度达到厘米级，处理时间在可接受范围内。文末展示了配准结果的可视化效果及性能指标，验证了算法的有效性。

摘要：本文介绍了L1加权损失函数在点云配准中的应用，分析了其鲁棒性优势（对异常值不敏感、梯度恒定、中位数估计特性）和优化特性（零点不可导、稀疏解倾向等），并与L2损失进行了对比。通过Open3D框架实现了基于L1损失的点到面ICP配准算法，实验结果表明该方法在测试数据中未能成功配准，作者通过可视化展示了配准失败的结果。文章包含理论分析、代码实现和实验验证三部分内容。

摘要 Huber加权点到面ICP算法结合了点到面距离度量与Huber鲁棒损失函数，在保留标准ICP精度的同时增强了对噪声和异常值的鲁棒性。

该方法是从论文里看到的，论文发表于：2024年10月21日，觉得好玩就实现一下。

【2025最新版】Win10 系统下VisualStudio2022 配置Open3D-0.19.0（C++）

首先使用K近邻搜索获取两点云的重叠区域，然后计算重叠区域中最近邻点距离的均值和标准差。

包围盒中心匹配法实现点云粗配准

使用三维点拟合空间直线的C++版本Open3D代码实现。

如果点的个数为奇数，则选位于中间的点为中值；如果点的个数为偶数个，则使用位于中间的两个点的均值为中值。

Open3D(C++) FGR-ICP算法实现点云由粗到精的配准

Open3D (C++) 生成任意3D椭圆点云

生成任意2D椭圆点云

四元数是一种用于表示三维空间旋转的数学工具，它由一个实部和三个虚部构成，通常写作$q = w + x_i + y_j + z_k$的形式。将旋转矩阵转四元数转的过程被称为“旋转矩阵到四元数”的映射。

将四元数转换为旋转矩阵的过程被称为“四元数到旋转矩阵”的映射。

本文介绍了欧拉角到四元数的转换方法及其实现。欧拉角通过三个角度描述物体旋转，而四元数提供了更稳定高效的旋转表示。文章详细推导了Z-X-Y旋转顺序下的转换公式，给出了关键计算步骤和C++实现代码（使用Eigen库）。应用场景包括3D图形渲染、飞行器姿态控制等领域。特别强调需注意旋转顺序、gimbal lock等问题，并提供了完整的代码示例和输出结果。这种方法在计算机图形学和机器人学中具有重要实用价值。

四元数转欧拉角公式推导及过程实现

将旋转矩阵转换为欧拉角是逆向理解三维对象姿态的一种方法。旋转矩阵是一个3x3的正交矩阵，它描述了在三维空间中的旋转，而欧拉角用一组角度来表示这种旋转。这种转换在计算机图形学、航空航天、机器人学等领域都非常重要。

欧拉角转旋转矩阵公式推导及过程实现

计算两点云之间的最大距离

使用C++版本Open3D复现的PCL里边基于法线微分的分割算法。

质心重合法是将源点云和目标点云的质心重合，以此缩小两点云集之间的平移误差，从而为下一步粗配准提供更好的初始位置姿态。

点云的曲率反映了点云表面的凹凸程度，根据点云曲率的分布情况，设置合适的阈值，提取具有代表性的特征点。算法来自本人自创，具体原理看代码即可！！！

平均绝对误差可以避免误差相互抵消的问题，因而可以准确反映实际预测误差的大小。

点云具有丰富的色彩信息，可以与植被指数结合使用，以提取或去除点云中的植被信息。在不同的环境下，采用不同的植被指数，以实现准确的植被检测。

Abner M.C. Araújo, Oliveira M M .A Robust Statistics Approach for Plane Detection in Unorganized Point Clouds[J].Pattern Recognition, 2019, 100:107115.DOI:10.1016/j.patcog.2019.107115.