点云配准算法

传统的点云刚性配准方法

Iterative Closest Point (ICP)

精配准是在粗配准的基础上使点云配准误差达到最小。常用的精配准算法包括ICP算法及其变种、正态分布变换算法3D-NDT等。ICP算法本质上是基于最小二乘法的最优配准方法，[2]中考虑了点集到点集、点集到模型、模型到模型的配准等情况，这里仅以点集到点集的配准情况为例。
该算法通过重复选择对应关系点对来计算最优刚性变换，直到满足正确配准的收敛精度或迭代次数要求。因此，算法的输入为两个存在刚性变换关系的点云，即源点云（source）和目标点云（target），以及停止迭代的条件，即迭代次数或收敛精度。算法的输出为一个表示两个点云之间位置关系的刚性变换矩阵。ICP配准算法步骤如下：

（一）ICP算法优点： 1、可以获得较为精确的配准效果。 1、 传统的ICP算法不必对处理的点集进行分割和特征提取。 2、 在较好的初值情况下，可以保证算法的收敛性。
（二）ICP算法的不足之处： 1、标准ICP算法在搜索对应点的过程中计算量非常大。 2、标准ICP算法中寻找对应点时认为坐标欧氏距离最近的点就是对应点。这种假设有不合理之处，会产生一定数量的错误对应点。 3、ICP算法对初值敏感，要求配准两片点云初始位置与真实位置相差不大。因此ICP算法首先要确定一个用于迭代的初始值，初值将对最后配准结果产生重要的影响。如果初值选择不合适，算法可能就会限入局部最优，使得迭代不能收敛到正确的配准结果。 4、噪声或异常数据可能导致算法无法收敛或错误。

参考文献： [1]Besl, Paul J., and Neil D. McKay. "A method for registration of 3-D shapes." IEEE Transactions on pattern analysis and machine intelligence 14.2 (1992): 239-256. [2]Chen Yang, Gerard Medioni (1991). “Object modelling by registration of multiple range images”. Image Vision Comput. Newton, MA, USA: Butterworth-Heinemann: 145–155.

Robust point matching（RPM）