RANSAC和SAC-IA

随机采样一致性（RANSAC）—— 模型参数估计；
最大似然估计（MLESAC）—— 模型参数估计；
最小中值方差估计（LMEDS）
采样一致性初始对齐算法（SAC-IA）—— 粗对齐；

https://littlebearsama.github.io/2020/04/11/Registration/0.SAC-IA/#more

程序：（调用PCL库函数）
SAC-IA粗配准+ICP精配准

#include 

	//SAC配准
	pcl::SampleConsensusInitialAlignment<pcl::PointXYZ, pcl::PointXYZ, pcl::FPFHSignature33> scia;//采样一致性初始配准
	scia.setInputSource(cloud_src);//源点云
	scia.setInputTarget(cloud_tgt);//目标点云
	scia.setSourceFeatures(fpfhs_src);//源点云的fpfh特征值
	scia.setTargetFeatures(fpfhs_tgt);//目标点云的fpfh特征值
	//scia.setMinSampleDistance(1);//设置样本之间的最小距离
	//scia.setNumberOfSamples(2);//设置每次迭代计算中使用的样本数量，可节省时间
	//scia.setCorrespondenceRandomness(20);//在选择随机特征对应时，设置要使用的邻居的数量;也就是计算协方差时选择的近邻点个数，该值越大，协防差越精确，但是计算效率越低.(可省)
	PointCloud::Ptr sac_result(new PointCloud);
	scia.align(*sac_result);//sac-ia函数直接配准（在这个类里，输入点云是cloud_src）
	std::cout << "sac has converged:" << scia.hasConverged() << "  score: " << scia.getFitnessScore() << endl;//scia.hasConverged() 计算正确？返回true
	Eigen::Matrix4f sac_trans;
	sac_trans = scia.getFinalTransformation();//获取计算得到的旋转平移矩阵

类SampleConsensusPrerejective实现基于采样一致性的位姿估计，其高效之处在于利用类CorrespondenceRejectorPoly提前去除了错误位姿的假设；
和SampleConsensusInitialAlignment不同。

程序：（自己根据特征匹配SVD计算的源代码，根据fpfh特征匹配特征点，SVD计算旋转矩阵都可参考）
SAC-IA算法实现