点云（刚性）配准

前言

点云配准问题，在视觉、机器人、医疗图像等领域是一个关键性的问题。其实质为：通过计算一组最优的旋转与平移矩阵，将处于不同位置的数据有序的组合在一起，有些场合也将此过程称为拼接，在这里陈述下拼接与配准的区别，广义来讲，两者并没有太大区别，其实质就是把两个具有相关性的数据整合在一起；但从狭义来讲，前者属于一个刚性变换，即不管输入的数据是什么，按照一定的规则把数据进行位置变换，而后者则是要按照输入数据的特性，整合到最优，但在实际应用中，可以说是拼接，可以说是配准，也可以说是注册（估计是根据英文翻译过来的，也没有太多说明，只能勉为其难接受）
本文介绍的所有配准算法，都是指刚性配准，就是说两个点云的形状大小，物理特性是不发生任何改变的，只有空间位置与姿态发生了改变。在实际应用中，若要实现此功能会有很多的辅助手段，在本文中，只关注于配准本身。

算法分类

点云配准主要分为局部匹配与全局匹配两种，前者需要依赖一个粗略的初始矩阵，并基于该矩阵实现两片或多片点云的配准。而全局匹配则是给定任意两个点云，然后从其中一片点云中找到另外一个，这种方法获取的姿态精度较差，可作为粗配准。

经过多年的发展，配准算法主要有以下几种：

• ICP（最近迭代点匹配算法）及其变种：
  icp，point-to-point icp，point-to-plane icp，g-icp，go-icp， sac-ia + icp
• NDT（正态分布变换）
• Super4CS
• Deep Learning（基于深度学习的方法）
  Deep Closest Point， DeepICP