点云传统配准算法 粗略大概

六自由度：坐标x,y,z和绕x,y,z轴的旋转。
点云配准就是找到变换矩阵 $T$。
点云配准一般分为两步：粗配准+细配准。

FCR （fast global registration）

还是建立在特征匹配的基础上的。特征用的是FPFH。
FPFH（Fast Point Feature Histogram）：思想是计算点云中的每个点的一个领域里面的点的法向量、曲率等几何特征，投影到一个特定的方向，形成一个直方图。这个图可以反映点的局部表面信息，如凹凸性、曲率等等。
优点：速度快，鲁棒性强。
这就是FCR之所以"fast"的原因之一。

有特征之后，用向量二范数计算特征距离。
$arg\underset{p_j\in P}{\min }||f(p_j)-f(q_i)|{|}_2^2$

计算一次即可，这就是FCR之所以"fast"的原因之二。

点云最麻烦的就是噪声，FGR这里用了一个双向校验（dual validation）。没细看，不太懂。

应用：实时性要求高的场景。

ICP （Iterative Closest Point）

ref

细配准算法。过于经典的算法。面试的时候问了，我根本没看过，可惜了。

• 在P Q中分别选择一些关键点。
• 设定初始变换矩阵 $R_0,T_0$
• 迭代优化：
  1 估计对应点。先使用$R_0,T_0$或者上一轮迭代的$R_{t-1},T_{t-1}$变换矩阵。然后在关键点中 估计对应点。直接比较最近的点很笨。加速的方法：（1）设定阈值，只要距离小于阈值就认为找到了对应点。（2）或者用ANN(Approximate Nearest Neighbor)加速查找（好像是KD-tree）。没细看。
  2 求解 平移矩阵 Translation， 旋转矩阵 Rotation。
  迭代 12 即可。终止条件是最大迭代次数、loss小于阈值a、$R_k,T_k$变化量小于阈值b。

GICP