【PCL】ICP 旋转、平移实现深究，奇异值分解 SVD 推导（精析）

---

前言

【PCL】ICP 源码分析（含链接），需要进一步分析 ICP 源码 RT 实现关键步骤，掌握 SVD 方法，故写下此文。文章精炼，但内容丰富，其过程曲折，总结见下述，参考书目强烈推荐，为博主个人整理，供参考。

补充：奇异值分解（SVD），定义与基本概念、奇异值分解、性质、应用（矩阵近似，数据压缩与噪声去除）。

---

参考书目

SVD 推导（V 构造、Σ 奇异值、U 构造及其证明，拓展应用）

李航 《统计学习方法》 第二版，第 15 章 奇异值分解

归纳，含基础理论、几何解释、应用介绍三大部分。需要提前储备线性代数及泛函分析的知识点，整理如下：

特征值，特征向量，基础解系，向量标准化，单位向量，转置矩阵，逆矩阵，正交矩阵，对角矩阵，对称矩阵，实矩阵，向量范数，内积应用，矩阵乘法转置，秩，线性空间，向量维度，正交补，矩阵零空间，行列式，线性变换，齐次线性方程非零解与秩，矩阵范数，向量外积，迹，Schwarz 不等式，矩阵对角化，正定矩阵

总结，奇异值分解和特征值问题紧密联系，对于矩阵 A(m*n)，存在 U(m*m)，Σ(m*n)（由对角阵与增广行或列组成），V(n*n)，满足 A = UΣV'。其中，AA' 特征向量组成 U，特征值组成为 Σ'Σ；A'A 特征向量组成 V，特征值组成为 ΣΣ'（与 AA' 相同，书中推导奇异值矩阵以 A'A 为出发点）。

ICP 历史文献（SVD 方法）

K., S.A., S.H. T. and D.B. S., Least-Squares Fitting of Two 3-D Point Sets. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1987. PAMI-9(5): p. 698-700.

强烈推荐！！R 最优证明，用到 Schwarz 不等式，其中引理推导假设有错误，是对称而非正定，再 SVD 分解，定义最优 R，得证，无需再旋转，完整！！有错误，但还是写得太好，包括假设 R 不符合假设，进一步分情况讨论并处理。

ICP（SVD 为代表的代数方法简单推导，含实现）

高翔《视觉 SLAM 十四讲》从理论到实践，第 7.9、7.10 小节，ICP 与求解 ICP

思路清晰，较通俗，提取了解法，细节上处理不同，省略步骤较多，无详细证明，刚接触的话不好理解。力荐上面的 ICP 历史文献。

---

小结

对文章内容有不解，请随时留言。

---