问题描述
我使用 Open3d（Python-3 库）处理地面激光扫描仪 (TLS) 的 3D 点云注册。注册后，它返回给我 2 个指标：fitness 和 RMSE，它们在理想情况下成反比（低 RMSE 和高 fitness = 良好的注册）。以下是我所知道的：
适应度在 0 和 1 (0% - 100%) 之间变化，根据文档，“重叠区域（内点对应的数量/目标云中的点数）。越高越好”。 问题：它真的是一个指标吗？完美的配准不会给我 100%，最大值取决于云的几何形状（数据集）。有时最大范围在 70-80%（来自室内场景的云）有时在 30-40%（来自室外场景的云）。我通过的距离是用于模拟云的体素（或两倍）。
RMSE 的范围可以从 0 到无限，但通常范围在 0.05 m（非常好）和 0.50 m（非常差）之间。文档只说“测量所有内部对应的 RMSE。越低越好”。显然它测量在给定距离内找到的对应关系的 RMSE，你必须将一个距离、两朵云和一个变换 T[Rot(3x3)+t(3x1)] 传递给函数，所以它返回 RMSE 和找到之间的适应度两朵云。
让我生气的是：没有一个指标是可信的。我不能使用适应度来知道注册是否好，因为这取决于场景，唯一的方法是我以前知道可以找到的最大适应度。而且我也不能使用 RMSE，因为有时云完全错误但 RMSE 很低（这意味着很好，但前提是适应度也很好）。更糟糕的是：即使有高 RMSE 和低适应度（相对于最大可能适应度），云也可以大致正确，因为两个云之间的低旋转或平移会导致这两个指标给出不好的结果。
事实证明，判断配准是否良好的唯一方法是在转换后可视化两个云，这使得验证无法自动化。有没有办法同时使用这两个指标来增加对结果的信心？我想使用 RMSE/fitness（越少越好）或 fitness/RMSE（越多越好）。我的经验表明，适应度比 RMSE 更重要。 我先谢谢你。
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）