3D点集之间计算转移矩阵，旋转R，转移T，新增缩放s (总结全面)

1.问题描述：

给点两个d维空间中的点集合

常用的转换关系可能包括以下几种：
（1）等距变换。需要求R和T。等距变换前后长度，面积，线之前的角度不变。常见于坐标转换、物体移动，姿态变化等。自由度6（3+3）

（2）相似变换。需要求R和T及缩放系数s。 常用于非刚体移动，或不同目标匹配对齐，目标缩放等。自由度7（6+1）

（3）仿射变换（正交投影）。平移变换T 和非均匀变换（A）的复合，A是可逆矩阵，不要求是正交矩阵。仿射变换对图像旋转+平移+缩放+切变（shear，也叫倾斜变换），相比前两种，变换图像的形状发生了改变，但是原图中平行线仍然保持平行。自由度12（9+3）

(4)射影变换（透视变换）
射影变换的不变量：重合关系、长度的交比，自由度：15（右下角v=1）
射影变换是对图像的旋转+平移+缩放+切边+射影。平行线变换后可能不再平行，而是交于一点。如平视图转换为鸟瞰图。

关于二维空间（图像）的变化可参考：基础知识：二维常见变换

2.1 等距变换求解

其求解数学表达式如下：

wi 表示每个点对之前的权重。
对于该问题共有6个自由度，至少需要两组点对，对矩阵求最小二乘解，该方法我们暂不讨论。
主流的做法是使用去中心化点集协方差矩阵SVD求解，步骤如下：
（1）构建上述问题模型：


（2）去中心化及协方差矩阵SVD分解求
计算中心值：

点集去中心化，去除转移矩阵的影响：

计算协方差矩阵：

SVD分解，求旋转矩阵

（3）计算转移矩阵

具体推导过程可参见：

利用SVD求得两个对应点集合的旋转矩阵R和转移矩阵t的数学推导
Least-Squares Rigid Motion Using SVD

python 代码参考 计算两个对应点集之间的旋转矩阵R和转移矩阵T
如下：

from numpy import *
from math import sqrt

def estimate_quilong_transform_3D(A, B):
    assert len(A) == len(B)
    N = A.shape[0];
    mu_A = mean(A, axis