点云配准(12.5任务)

一.
1.sac-ia&icp实现
https://blog.csdn.net/peach_blossom/article/details/78506184

2.配准概念知识
https://blog.csdn.net/u011600592/article/details/70258097
https://zhuanlan.zhihu.com/p/104735380

3.几种算法比较
https://blog.csdn.net/weixin_43236944/article/details/88188532

4 PCL 3D-NDT算法点云配准
https://blog.csdn.net/u013351270/article/details/69391135
https://blog.csdn.net/peach_blossom/article/details/78506483

5.icp
[https://blog.csdn.net/peach_blossom/article/details/78506184#comments]
(https://blog.csdn.net/peach_blossom/article/details/78506184#comments)

6.粗配准(fpfh)
https://blog.csdn.net/y363703390/article/details/78401432

二.一对点云的配准

具体实现步骤如下：

（1）首先从两个数据集中按照同样的关键点选取标准，提取关键点。（注意：此处两个数据集的关键点提取方法需要相同）。

（2）对选择的所有关键点分别计算其特征描述子。

（3）结合特征描述子在两个数据集中的坐标的位置，以两者之间特征和位置的相似度为基础，来估算它们的对应关系，初步估计对应点对。

（4）假定数据是有噪声的，除去对配准有影响的错误的对应点对。

（5）利用剩余的正确对应关系来估算刚体变换，完成配准。

从上述整个流程可以看出，在整个配准过程中，关键点的提取与关键点的特征描述，影响着整个配准的准确性与效率。

当然,对于整个配准过程中,还会涉及到对应估计,对应关系的去除,变换矩阵算法等一系列问题,包括采样一致性进行初始配准等,限于篇幅的问题,我们后续有机会再作详细讨论.

• 点云降噪,预处理
• pfph
• 两种配准方法
• 如何结合gps生成全局坐标