原文：http://blog.csdn.net/u010696366/article/details/8941938
PCL Registration API
Registration：不斷調整，把不同角度的3D點數據整合到一個完整的模型中。
它的目的在於在一個全局坐標系下找到不同視角的定位與定向（兩個視角交叉部分重疊完好為最優）。這就是KinectFusion論文中所提到的ICP（ Iterative Closest Point ）算法。給定輸入數據集，首先做一個估計，然后通過旋轉和平移變換一個數據集，找到一個正確的點集對應方式完美匹配。下面幾頁PPT是ICP很好的解釋。
PCL提供了很多算法，多組點集對應估計，剔除壞對應，穩健的變換估計等。下面詳細解釋。
Pairwise registration
兩個點集的對應，輸出通常是一個4×4剛性變換矩陣：代表旋轉和平移，它應用於源數據集，結果是完全與目標數據集匹配。下圖是“雙對應”算法中一次迭代的步驟：
對兩個數據源a，b匹配運算步驟如下：
- 從其中一個數據源a出發，分析其最能代表兩個數據源場景共同點的關鍵點k
- 在每個關鍵點ki處，算出一個特征描述子fi
- 從這組特征描述子{fi}和他們在a和b中的XYZ坐標位置，基於fi和xyz的相似度，找出一組對應
- 由於實際數據源是有噪的，所以不是所有的對應都有效，這就需要一步一步排除對匹配起負作用的對應
- 從剩下的較好對應中，估計出一個變換
匹配過程中模塊
Keypoints（關鍵點）
關鍵點是場景中有特殊性質的部分，一本書的邊角，書上印的字母P都可以稱作關鍵點。PCL中提供的關鍵點算法如NARF，SIFT，FAST。你可以選用所有點或者它的子集作為關鍵點，但需要考慮的是按毎幀有300k點來算，就有300k^2種對應組合。
Feature descriptors（特征描述子）
根據選取的關鍵點生成特征描述。把有用信息集合在向量里，進行比較。方法有：NARF, FPFH, BRIEF 或SIFT.
Correspondences estimation（對應關系估計）
已知從兩個不同的掃描圖中抽取的特征向量，找出相關特征，進而找出數據中重疊的部分。根據特征的類型，可以選用不同的方法。
點匹配（point matching， 用xyz坐標作為特征），無論數據有無重組，都有如下方法：
- brute force matching（強制匹配）,
- kd-tree nearest neighbor search (FLANN)（kd樹最近鄰搜索）,
- searching in the image space of organized data（在圖像空間搜索有組織的數據）,
- searching in the index space of organized data（按索引搜索有組織的數據）.
特征匹配（feature matching， 用特征做為特征），只有下面兩種方法：
- brute force matching （強制匹配）
- kd-tree nearest neighbor search (FLANN)（kd樹最近鄰搜索）.
除了搜索法，還有兩種著名對應估計：
- 直接估計對應關系（默認），對點雲A中的每一點，搜索在B中的對應關系
- “Reciprocal” 相互對應關系估計，只用A，B重疊部分，先從A到B找對應，再從B到A找對應。
Correspondences rejection（剔除錯誤估計）
剔除錯誤估計，可用 RANSAC 算法，或減少數量，只用一部分對應關系。有一種特殊的一到多對應，即模型中一個點對應源中的一堆點。這種情況可以用最短路徑對應或檢查附近的其他匹配過濾掉。
Transformation estimation（最后一步，計算變換）
- 基於上述匹配評估錯誤測量值；
- 評估相機不同pose之間所作的剛性變換（運動估計），使錯誤測量值最小化；
- 優化點雲結構；
- E.g, - SVD 運動估計; - Levenberg-Marquardt用不同內核作運動估計；
- 用剛性變換旋轉/平移源數據到目標位置，可能需要對所有點/部分點/關鍵點內部運行ICP迭代循環；
- 迭代，直到滿足某些收斂標准。
匹配流程總結
