在點雲數據只有三維坐標時進行配准，這個時候，我們所能提取到的就只有點雲的幾何特征，常用的特征包括，點雲的曲率，點雲中平面四邊形的仿射不變性等特征。
事實上不管是什么配准方法，都是基於特征匹配的原理。無論是從圖像當中獲取額外的輔助的信息，或者只是從三維點雲當中提取的幾何特征，都是為了更好得抽象出點雲的特征以及兩個點雲之間的對應點。毫無疑問，如果我們能夠通過遍歷點雲的各個點基所對應的變換，肯定能夠找到最佳的變換，但是這個計算量是一個天文數字，在實際應用當中是不太可能的。所以人們想出了各種方法試圖在減少計算量的同時又盡量保證配准的精度。
現在比較成熟的點雲配准基本分為兩部分，首先進行粗配准，粗配准的算法多樣，也是我覺得在點雲配准當中最重要也是最值得研究的部分，說是粗配准，但是要求要有較高的精度，粗配准的主要作用是為后續的精准配准ICP算法提供較好的迭代初始位置。經過粗配准之后，這兩個點雲的重合程度已經很高了，若要進一步提高，就需要后續的精准配准，現在一般都是采用ICP(迭代最近點)算法或者其變種來進行的，通過多次迭代，可以進一步提高配准的精度，但是若是沒有粗配准提供較好的迭代初始位置，ICP算法往往會陷入局部區域的最優解，而得不到全局的最優解。
本文主要關注基於點雲集合特征匹配的粗配准。無論什么方法，點雲粗配准的關鍵其實就是找出盡可能多而准確的對應點，然后再利用這些對應點求取剛體變換矩陣。
首先是利用點雲的曲率不變性，通過k鄰域法以及最小二乘法擬合兩點雲的每一點的所在曲面，然后算出其法向量，進一步求取該點的曲率，然后通過曲率以及其他的一些手段，進一步將兩點雲分別簡化為特征點雲（例如曲率的極值點雲），之后再循環遍歷，尋找兩點雲特征點的的對應點，最終使用這些對應點計算出相應的旋轉平移變換矩陣。
4PCS算法同樣是使用了點雲的幾何特征來提取對應點，不同的是該算法使用了另一個特征--平面四邊形的仿射不變性，來尋找對應點，使得復雜度大大減少（O(n3) ->O(n2)，n為點的數量）。
未完待續。。。。。。這是個人學習的感想，如有錯誤還希望能夠指出
作者： Elliott Zheng
出處： http://www.cnblogs.com/elliottzheng/p/6664218.html>
本文版權歸作者和博客園共有，歡迎轉載，但未經作者同意必須保留此段聲明，且在文章頁面明顯位置給出, 原文鏈接 如有問題， 可郵件（elliott.zheng@foxmail.com）咨詢.