应用Fast ICP进行点集或曲面配准 算法解析
1. ICP算法的一些网络资源
2. 经典ICP算法的步骤
3. fast ICP算法
ICP（Iterative closest points）算法是点集配准的经典算法，算法基本原理是在A method for registration of 3-D shapes文章中提出。后人也在此基础上不断和补充ICP算法。
1. 下面是介绍ICP算法的一些网络资源：
ICP算法基本介绍：
http://en.wikipedia.org/wiki/Iterative_closest_point
http://plum.eecs.jacobs-university.de/download/3dim2007/node2.html
http://baike.baidu.com/view/1954001.htm
经典ICP算法论文：
http://eecs.vanderbilt.edu/courses/cs359/other_links/papers/1992_besl_mckay_ICP.pdf
Fast ICP论文地址：
http://docs.happycoders.org/orgadoc/graphics/imaging/fasticp_paper.pdf
算法的一些实现总结：
http://www.mrpt.org/Iterative_Closest_Point_(ICP)_and_other_matching_algorithms
2. 经典ICP算法介绍。
ICP算法有较多的数学公式和概念，数学公式总归看起来费劲，这里只简要的理解下其算法步骤：
两个点集P1，P2，每一步迭代，都朝着距离最小的目标进行。
a. 筛选点对：由P1中的点，在P2中搜索出其最近的点，组成一个点对；找出两个点集中所有的点对。点对集合相当于进行有效计算的两个新点集。
b. 根据点集对，即两个新点集，计算两个重心。
c. 由新点集，计算出下一步计算的旋转矩阵R，和平移矩阵t(其实来源于重心的差异)。
d. 得到旋转矩阵和平移矩阵Rt，就可以计算点集P2进行刚体变换之后的新点集P2`，由计算P2到P2`的距离平方和，以连续两次距离平方和之差绝对值，作为是否收敛的依据。若小于阈值，就收敛，停止迭代。
e. 重复a-e，直到收敛或达到既定的迭代次数。
--其中，计算旋转矩阵R时，需要矩阵方面的运算。
由新的点集，每个点到重心的距离关系，计算正定矩阵N，并计算N的最大特征值及其最大特征向量；其特征向量等价于旋转的四元数（且是残差和最小的旋转四元数），将四元数就可以转换为旋转矩阵。
数学概念：
四元数：http://baike.soso.com/v113161.htm?ch=ch.bk.innerlink
正定矩阵：特征值都大于0的矩阵。
这些是矩阵理论，最优化原理方面的一些概念。
3. fast ICP解析：
Fast ICP是对ICP的改进与扩展。论文Efficient Variants of the ICPalgorithm详细给出了影响ICP算法的各种因素，且每种因素都哪些算法，其结果与性能如何。
Fast ICP根据这些因素将ICP算法分为6个步骤：
a. 筛选：点集或曲面的筛选（滤波）
b. 匹配：两个点集之间的点进行配对
c. 权重：给每个匹配的点对分配权重
d. 去除：去除不符合条件的点对
e. 误差度量：基于以上点对，给出每个点对的误差计算方法
f. 最小化：最小化误差度量
为测试以上阶段中不同算法的性能和结果，论文提供了三个测试场景，并在这些点集（曲面）上加上噪声：
比较平滑的波纹： 比较简单的场景，几何尺度变换不是很大
较复杂的不规则的草原地形： 相对复杂的，包含不同尺度的细节
仅含有突出一个十字形雕刻面的平面： 对匹配而言，最困难的场景，因为特征太少
下面是每个阶段的算法的比较：
a. 筛选：点集或曲面的筛选（滤波）
筛选也有以下几种策略：
* 应用点集内所有可用的点： 无疑是性能最差的方法
* 采用均匀分布的方式筛选（或是距离等间隔筛选）
* 随机筛选法
* 根据点的密度，颜色来筛选
* 对一个点集进行筛选，或者两个点集都进行筛选：对于一般的点集，两种方法收敛率和结果基本相同，但仅对一个点集筛选的算法，数据运算量相对比较大。
* 另外一个筛选策略是依据向量的分布情况： 筛选哪些能使点的向量的分布尽量大的点，这样的目的是突出 特征很少的 点集的特征 （如十字雕刻面）
如下图 a 随机采用法， 图b是向量空间分布法 的示意图。 由图可以明显看出，空间向量分布法对点集的较少的特征有着比较好的提取能力。
Fast ICP暂不考虑一个点的密度颜色信息。 对均匀分布法、随机法、向量空间分布法比较。
对水波等简单场景下：其收敛速度和收敛效果都差别不大。但对于特征点较少的场景，向量空间分布法的收敛速度和结果很好，而对于另外两种方法，基本不能收敛。如下：
b. 匹配：两个点集之间的点进行配对
匹配的策略有以下几种：
* 最邻近点法：此方法还可以应用k-d树或最邻近点缓存进行加速
* Normal shooting：点集P1中取一点，沿其点法向量，到点集P2（曲面的）的交点，形成一个点对
* 投影法：将源点集P1投影到目的点集P2上，沿着P2的相机的视角方向，又称“reverse calibration”，搜索度量方法包括点对点距离，点对线距离，密度，颜色等。
* 基于向量间角度或颜色的兼容度量方法（Compatibility metric）
Fast ICP中不考虑颜色，密度信息。
这里先给出投影法（b）与最近邻法（b）的示意图：
从图上看，可以看出最邻近点法容易受到噪声的干扰，而投影法不受噪声的干扰。
比较Normal shooting、最邻近点法和投影法三种方法：
在雕刻十字面的场景下：
虽然最邻近点法容易受到噪声干扰，但对于特征比较少的场景下，最邻近点（兼容）法是唯一能完全收敛的方法。效果最好。对于投影法，收敛很快，但是效果不是很好。Normal shooting法在这两方面都表现平平。
对于复杂的草原场景，几种方法的收敛结果最终都基本相同，但其收敛速度和计算速度却有很大的差别：
从上图来看，投影法的计算速度非常快，这是因为不仅投影法的收敛速度快，而且其算法复杂度为O(1),而其他的算法复杂度为O(logN)。
c. 权重：给每个匹配的点对分配权重
权重分配的策略有以下几种：
* 均匀分配，即常数加权。
* 根据点对距离加权，点对间距大，权重就小，反之，权重就大。
* 根据向量的一致性（compability）进行加权，weight = n1 * n2
* 不确定性
这几种方法的收敛速度和效果都差别大。总体上来讲，向量一致（兼容）的方法 适应性和速度比其他方法好点。
d. 去除：去除不符合条件的点对
这个阶段的策略包括
* 固定阈值法：当间距大于一个值时，就去除这个点对
* 固定比例法：每次迭代，去除最差的%n的点对
* 标准差法：将阈值设置为所有点对间距的标准差*2.5
* 去除曲面边界的点对，如下图，曲面边界点的点对是不合理的，在两个点集做部分匹配的时候。
这几种方法的收敛速度差别不大，而且收敛效果也差别不大。但是去除outlier点对这个步骤 对收敛结果 的作用还是明显的。
e. 误差度量和最小化：基于以上点对，给出每个点对的误差计算方法
误差度量的策略：
* 点对的距离平方和
* 点到面的距离平方和
* 点到点和点到面的外推法
比较其收敛速率和效果，点到面和点到面外推法的度量方式效果更好。
Fast ICP分析了不同阶段里，各种因素或策略对算法性能和结果的影响。应可以根据不同的需求，来选取不同的算法对点集或曲面进行配准。
在算法效果差别不大的情况下，尽量选择简单的算法，来提高运行速度，如随机采样，常数加权，固定阈值等。
Fast ICP在网上有开源的代码，研究一下对此算法会有更深的理解。