guyuezunting的专栏

自动生成关键点参数： 在处理大量点云的时候，人为手动设置参数势必会严重影响处理速度。 因此，分析点云，自动判断哪些点相对更有独特性，然后基于此计算出关键点的参数。用下面的公式对点云的点进行排序 其中是临近点集的点数，由式(13~15)分别计算得到。参考文章Coarse Alignment for Model Fitting of Point Clouds Using a Curvature-Based Descriptor解读四选择特征点ethod。因为所以如果或者则F=0，代表一个非常特殊的点。

本文中的方法可以按照粗配准的流程描述：第一选取模型点云Y的特征点，第二，选取观察点云X的特征点，基于每个点的临近点组成的几何特征选取。第三步，为X和Y的关键点计算一个描述，第四，利用特征点描述对X和Y进行配准。最后利用特征点的描述得到位姿估计。 一、特征点选取： 协方差矩阵：解决配准问题，关键是从两个点云找到相同或者对等的特征点。这样做有两个影响：一个是降低了需要计算的点。提高运算速度。第二是减小搜索空间反而更有可能找到正确匹配的结果。 对于每一个点pi，一定半径r内，包含的对应的点集，都有对应的近邻

接上上一节粗配准文章Coarse Alignment for Model Fitting of Point Clouds Using a Curvature-Based Descriptor解读二粗配准，下面看预处理小节

接第一篇，文章Coarse Alignment for Model Fitting of Point Clouds Using a Curvature-Based Descriptor解读一。开始讲解粗配准简介 粗配准通常只解决配准两个子问题中的一个。找到使两者对齐的姿势。这意味着粗配准方法不考虑点云对应。粗配准分为两类：全局和局部方法。全局方法利用全局的要素，例如质心，找到translation以及利用主成分分析找到方向。局部方法，为点云创建特征或者签名集合，通过对比两个点云的特征计算correspon