点云配准概述
三维点云配准（Point Cloud Registration）实质是计算同一物体或场景不同视点下采集的点云之间的变换关系，从而将其统一到同一坐标系下得到完整的点云。
点云配准的核心在于求解点云之间的变换关系。求解变换关系的前提是确定点云之间的匹配关系，确定好点对之间的关系后利用结合变换方程即可求解参数矩阵。
1.点云的定义，类型，特点
1.1点云的定义
点云是同一空间坐标系下至少包含空间坐标信息的海量点集合，可以表示为N行M列的numpy数组，当点云只包括空间坐标信息（x,y,z）时M = 3；当点云包含反射率，颜色等信息时M>3。
1.2点云的类型
1)按数据来源分类：激光雷达点云，摄影测量点云，雷达点云，合成点云
2)按点云空间拓扑结构分类：空间散乱点云，空间多边形点云，空间扫描线点云，空间网格点云
3)按点云属性分类：无属性点云（仅坐标），带属性点云（常见属性：颜色，强度，法向量，时间戳，类别标签）
4)按点云分布密度分类：稠密点云，稀疏点云，非均匀点云
5)按动态属性分类：静态点云，动态点云
1.3点云的特点
·三维空间表征->每个点至少包含三维坐标
·非结构化->点云通常是无序的离散点集，缺乏拓扑连接关系
·稀疏性->受传感器限制，点云可能分布不均或缺失细节
·多模态属性->除坐标外，点云可以携带多种信息
·数据规模庞大->单次扫描可能包含数百万至十亿个点
·噪声与异常值->由于传感器和环境等影响干扰
1.4点云预处理流程
为了提高数据质量并为后续分析提供可靠输入，点云预处理是三位视觉任务中的关键步骤，其流程大概为：
1)数据获取与格式转换：输入原始点云转换数据格式解析附加属性
2)去噪与异常值剔除
3)下采样
4)点云平滑：减少高频噪声，保留集合特征
5)法向量估计
6)点云分割
7)特征提取
2.点云配准
2.1点云配准的概念
点云配准作为计算机视觉，图像处理，特征识别中一项极为关键的技术。它的目的是为了实现将处于不用坐标系下的两组点云，经过一定的空间变换，是的两组点云最终处于相同的坐标系中，即寻找出两组点云之间的某种空间变换，通过最后变换使得各组点云在空间域上可以达到良好的匹配。两组点云的配准过程如图：
2.2配准类型
·刚性配准：仅允许旋转和平移，保持点云形状不变（典型算法：ICP,Go-ICP,RANSAC-based方法）
·非刚性配准：允许形变，适用于动态场景或柔性物体（典型算法：CPD）
2.3配准流程
1.粗配准
·目的：提供初始对齐，避免陷入局部最优。
·方法：特征匹配，全局方法，深度学习
2.精配准
·目的：在粗配准基础上优化变换参数，达到高精度对齐
·方法：ICP算法及其变种。
·步骤：迭代寻找最近点对应关系 -> 计算最优变换 -> 应用变换 -> 重复直至收敛。
