ICP算法理解

1 经典ICP

　　ICP的目的很简单，就是求解两堆点云之间的变换关系。怎么做呢？思路很自然，既然不知道R和t(针对刚体运动)，那我们就假设为未知量呗，然后通过某些方法求解。下面我们来看看具体怎么求的～没办法，要把问题描述清楚，数学是少不了的了。假设有两堆点云，分别记为两个集合$X=x_1,x_2,...,x_m$和$Y=y_1,y_2,...,y_m$（m并不总是等于n）。然后呢，我们不失一般性的，假设两个点云之间的变换为R（旋转变换）和t（平移变换），这两个就是我们要求的东西啦～那我们将求解这个问题描述成最小化均方误差：
　　

$$e(X,Y)=\sum_{i=1}^{m}{(Rx_i + t - y_i)^2}$$
　　经典的ICP方法对上面的优化问题的处理思路如下：
　　（1）初始化 $R$ 和 $t$
　　确定初始的 $R$ 和 $t$ 的方法很多，如果什么方法都不知道，那随便赋一个 $R$ 和 $t$ ，然后就迭代的算呀。随便给一个值从原理上来说也可以得到最终的一个结果呀，但是准不准就不知道了。相信有基本的优化概念的人都知道，初始值的选取很重要，如果初始值选的不好很容易收敛到一个局部最优解，然后局部最优解好不好那就另说了。ICP发展了这么多年了，当然有很多的方法来估计初始的R和t了，像PCL给的SampleConsensusInitalAlignment函数以及TransformationEstimationSVD函数都可以得到较好的初始估计。
　　（2）迭代
　　得到初始的估计后，接下来的步骤就顺理成章了：对于 $X$中的每一个点用当前的$R$ 和 $t$在$Y$中找最近的点（比如用欧式距离），然后这两个点就成了一对了～就这样，对所有的点都这么做一次，然后我们就得到了所有的匹配对了～然后呢，用每一对的坐标列一个方程，就得到一系列的方程。然后就求解最优的R和t最小化上面的误差。如此循环往复。

2 ICP变种

　　除了经典的ICP方法外，还有一些变种，如point-to-point的，point-to-plane的以及plane-to-plane的，那么这三种方法到底是啥呢？
　　其实很简单，就是上面的误差函数的定义不一样而已。在上面讲经典ICP的时候，求和的每一项不就是$X$中的每一个点到$Y$中的每一个点的距离吗？那就是point-to-point了，那么将求和的每一项变成$X$中的每一个点到$Y$中的平面的距离，那就是point-to-plane了呀～类似的，如果把求和的每一项变成X中的平面到$Y$中的平面的距离，那就是plane-to-plane了。我们说了这么久的平面，那么平面到时是怎么定义的呢？
　　point-to-plane的误差函数定义为：$M_{opt}=argmin_{R,t}\sum_i((R⋅x_i+t−y_i)⋅n_i)$

参考：http://www.cnblogs.com/jian-li/articles/4945676.html