作者，一点人工智能
来源丨https://zhuanlan.zhihu.com/p/501555808
(李建微, 占家旺. 2022. 三维点云配准方法研究进展. 中国图象图形学报, 27(2): 349-367.) [DOI: 10.11834/jig.210243]
1 经典点云配准方法
一些方法致力于改进ICP方法的精度。Chen和Medioni(1992)将点对点扩展到点对面(pointtoplane，ICP)，通过计算法线获得切割平面，通过最小化点到切割平面的距离达到匹配效果，使其更好地适应点云的噪声。Segal等人(2009)提出面对面(generalized iterative closest point，GICP)迭代最近点和点对面的方法ICP将算法结合到概率框架中，将点对点和点对面的方法都变成了它的特殊情况。该方法在两点上建立高斯分布，以便在任何刚体变换后 T之后，两点之间的距离有一个高斯分布，所以最好的变换矩阵是变换相应点之间的高斯概率最大的变换矩阵。这种方法对错误有鲁棒性，还可以添加离群项、测量噪声等概率技术来增加鲁棒性。有些方法致力于扩大ICP方法的收敛范围。
Gold等人(1998)提出RPM(robust point matching)，通过将点对应关系从一对一转变为一对多，并在每次迭代中通过确定性退火逐渐加强分配。退火参数比小时更平均，这有助于避免局部最小值β在增加的时候，往往只对应一个。Yang等人(2013)提出算法，在 SE（3）在空间中，初始空间采用八叉树数据结构细分为较小的子空间，通过分支定界去除不良空间，继续细分满足门限条件的空间，找到整体最佳变化。虽然该方法解决了局部极小值的问题，但它对初始化仍然非常敏感。
Liu等人(2020)提出MVGICP(multi-scale voxelized generalized iterative closest point)，将体素中的平均值和方差计算在迭代的大尺度到小尺度的体素上，然后替换它GICP在模型中，用高斯牛顿方法改变矩阵，然后继续用较小的体素迭代。较大的体素可以更全局地粗略地准确点云，较小的体素可以进一步提高准确结果的准确性。较大的体素可以更全面地准确点云，较小的体素可以进一步提高准确结果的准确性。而且不需要最近的搜索，所以计算效率可以显著提高。
其他方法致力于改进ICP的效率，Simon等人(1995)提出一种基于解耦加速的方法ICP算法，通过kd-tree并根据上次最近点搜索的结果推断可能的位置，通过最近点高速缓存，加快搜索。在没有冲突的情况下，尽可能独立地加速平移和旋转。Pavlov等人(2018)将Anderson加速引入ICP算法(Anderson acceleration iterative closest point，AA-ICP)，利用Anderson算法还提出了两种灵感策略来应对不动点问题的加速能力Anderson算法的不稳定性，提高了准确的收敛速度和鲁棒性。ICP算法也可以与特征相结合，Ren和Zhou(2015)用易获得的拐点特征代替点，减少点数，在大规模数据点云上显示优势。
ICP配准算法最简单常用，ICP大多数变体依赖于良好的初始位置，以防止局部最佳位置。许多算法减少了这种依赖，但并不能完全解决这种依赖。由于相应的匹配准确策略，不正确的对应对准确有很大的影响，但非常常见，从而限制了准确性。
NDT点云匹配法是另一种经典的点云匹配法，是一种利用数学分布性质描绘点云数据并优化其结构目标的方法(Magnusson等待，2007)。用于点云配准3DNDT是受Biber和Strasser(2003)提出的2DNDT启发算法并将其扩展到3D。给定源点云
将最佳变换作用于源点云，迭代(6)计算新的最佳变换。NDT该方法对体素的划分很敏感，可以通过改变体素的大小来调整收敛精度和速度。但由于其成本函数会因点跨越体素边界而不再连续，因此优化收敛性较差。Das和Waslander(2012)NDT(multi-scale，K-means normal distributions transform，MSKM-NDT)，点云按K均值聚类划分，多尺度优化，K解决了均值聚类问题NDT成本函数在算法中的不连续问题。多尺度优化有利于跨越局部最小值，这也提高了该方法的收敛性。
Lu等人（2015）提出了一种可变体素大小的方法。在将大体素分成几个小体素的过程中，考虑体素内点的数量。当点稀疏时，体素分为大体素，当点密集时，体素分为小体素。这样，稀疏点可以聚集在一个大体素中，将密集点分散到多个小体素中，从而消除固定体素大小之间点数差异较大的问题，避免一些稀疏点无法使用的缺陷。
Das和Waslander(2014)提出分段区域生长NDT算法(segmented region growing normal distributions transform，SRG-NDT)，使用基于高斯过程的分割算法从扫描中删除地平面，然后应用高效的区域增长算法对其它点进行聚类，概率密度函数不再是根据体素计算的，而是从聚类结果中计算概率密度函数，从而获得比体素方法少得多的概率分布来准确建模环境，也克服了成本函数的不连续性，的去除，速度显著提高。Zaganidis等人(2017)利用点云的平滑度将点云分区，丢弃大量未分区的点，而不是全部点云，而是在同一类型的分区NDT，这不仅减少了一点数量，而且消除了对配准的一些干扰，不仅加快了配准速度，而且提高了鲁棒性。
与ICP类算法相同，NDT算法也是一种实现精确准确的方法，因为它不需要显式计算最近的相邻点，所以NDT算法比ICP算法更快NDT变体仍然需要良好的初始位置，否则很容易陷入局部极值。
1.3 4PCS及其变体
4PCS算法是一种粗配准方法，可以为精配准方法提供良好的初始位置，而无需提供初始位置。4PCS算法可以处理点云的噪声和屏蔽，即使是少量的异常值污染点云数据，也不需要过滤和去除噪声，在大多数情况下表现良好。4PCS算法的主要问题是速度慢，提取相似集和验证变换耗时，4PCS二次时间复杂的数据点数量。
许多研究致力于提高4PCS算法的速度。Mel-lado等人(2014)提出super 4PCS算法。在4PCS判断算法是否大致一致，共四点集，只根据两条直线交点分成的两段长度的比值，而不考虑两条线之间的夹角，super 4PCS考虑到这一点，这减少了四点集的候选人数量。提取所有距离约等于 d1或 d点对与夹角匹配，super 4PCS分别借用3D球体与点之间的经典入射问题和单位球上所有点的入射问题的报告思路将大大提高搜索速度，实现数据点数量的时间复杂性。
Huang等人(2017)提出volumet-ric4PCS，将四个共面点扩展到非共面点进行全球准确。使用非共面4点的原因是，当形状接近平面时，使用共面点会导致过多的点满意度与基共面4点集相似。找到这些点集需要时间，验证这些点集也需要时间。volumetric4PCS在super4PCS的基础上进行改进，继承了其快速的优势。由于是非共面四点集，需要6点间距来描述基四点集的信息，因此需要找到大致满足6点间距的点集，然后进行验证，以获得最佳变化。
Mohamad等人(2014)提出允许4PCS中间应该交叉的两条线落在不同的平面上，允许两个线段之间有任何距离和任何分离。增加分离度的方法降低了搜索空间的指数级，使运行效率高于4PCS有了很大的进步。
Fotsing等人(2020)将在完整点云上进行4PCS将从源点云和目标点云划分为平面PCS，数据量和执行时间大大降低。不同于4PCS使用最大的公共点集(large common plan-sets，LCP)该算法用最大的公共平面集来衡量配准质量，使验证速度更快，噪音更大。Xu等人(2019)提出voxel4PCS，点云体素化用于提取平面，然后整合共面平面，用平面代替点，用角度关系代替长度关系作为刚性变换中不变关系判断特征的相似性，实现更高的鲁棒性和速度。4PCS算法的另一个变体是将特征引入4PCS算法。
4PCS算法及其变体作为一种粗匹配方法，具有噪声、屏蔽和异常值，不需要初始位置。其主要限制是找到几何形状相似的点集，验证这些点集确定的变换矩阵需要较大的计算量，导致计算时间较长。虽然变体在一定程度上加速了速度，但仍不能满足一些实时要求较高的应用程序。
表1总结了经典ICP、NDT、4PCS典型算法及其变体的优缺点。
基于特征的方法不匹配点云中的所有点，而是只选择点云中的特殊部分进行匹配。该方法不需要提供初始位置，而且具有鲁棒性。基于特征的典型点云匹配方法包括特征检测、特征描述和特征匹配。
其中，特征检测减少要处理的数据量，加快匹配过程；特征描述将不易比较的特征信息转换为易于比较的信息，有利于关键点的匹配；特征匹配用于找到源点云与目标点云的正确对应关系，从而计算转换矩阵(Díez等，2015)。
典型的基于特征的点云匹配方法流程图如图1所示，但并非所有方法都是这样的结构。有时不需要点云预处理和特征描述，估计特征匹配和变换可能需要多次执行。
1 典型的基于特征的点云配准方法流程
配准方法与采集设备和采集方法有着较大的相关性，除了空间位置，一些点云采集设备还能提供其他信息。如一些激光雷达可以提供反射强度信息，RGBD(red，green，blue and depth)相机能够提供颜色信息，得益于这些增加的信息，为基于特征的点云配准方法提供了更多的思路和方向。如果点云只包含位置信息，那么对于其特征的描述最常用的是点特征、线特征和面特征。通过这些特征，大多数情况下能够完成配准任务，但是当物体对称性很强或者想提升配准的性能时，往往需要其他特征的辅助，纹理特征是主要的辅助特征的形式。
在点云采集设备中，无论是反射强度还是颜色，都可以将其视为纹理特征，并且能够找到其与点的空间位置的对应关系，这是可以方便地使用纹理特征的基础。纹理特征可以用于确定特征对应关系，空间位置负责计算变换矩阵。
2.1 特征检测方法
对所有的点求描述符是不合适的，一方面这会极大地加重计算负担，另一方面这对配准也没有很大的帮助，因为点云中具有很多相似的点云部分，这会导致不必要的计算量，增加特征匹配数目和错误匹配概率。以信息论的观点，独特性不高的区域是信息量少的区域也是对点云配准帮助不大的区域。
当然独特性也要考虑噪声、遮挡和离群值的影响，因为其产生的特征可能对配准没有帮助而且是有害的，所以使用特征检测获得尽可能保持点云主要特征的部分。衡量特征检测算法性能的重要指标是特征的可重复性和提取出特征的独特性。
点特征是一种最常用的点云特征。
Masuda等人(1996)采用基础的随机采样法提取关键点，虽然这种方法很简单并且能有效控制点的数量，但是其没有办法确保采样的点均匀分布在点云上。
Ka-mousi等人(2016)提出最远点采样法，解决了此问题。但是它们都无法确保选择到对配准有更大帮助的点，也无法保证两个点云中提取的关键点有更多相似的位置，即保证检测的可重复性。
Rusinkiewicz和Levoy(2001)提出了法向空间采样方法(normalspace sampling)，其想法是使法线在所选点之间的分布尽可能广泛，这样不会让所有的点都落在大平面上，在一些小却独特的区域也可以有比较大的机会选中。于是根据法线在角度空间中的位置对点进行存储，然后对按角度存储的点进行均匀采样，使各个方向法线都能取到。
Zhong(2009)提出用一定半径内的协方差矩阵提取关键点，选择协方差矩阵特征值的最小值变化比较大的区域的点，这样提取的关键点更有可能是点云中的特殊点。Tian等人(2016)将Sipiran和Bustos(2011)提出的用于多边形网格的Harris3D算法改进为更适合点云的变体。Harris3D算法的核心思想在于计算Harris响应并选取在几何邻域中有Harris响应局部最大值的点作为关键点，其中Harris响应是对各个方向上的导数变化趋势的综合考量，能够表达点周围的形状，引入多尺度的概念，在多个尺度下计算Harris响应，选择几何邻域和尺度邻域中具有响应局部最大值的点作为关键点。
Prakhya等人(2016)提出HoNO(histogram of normal orientations)方法，为每一个点计算法线和HoNO值作为判据，以去除平面区域并仅保留输入点云中的凹凸区域或其他信息丰富的区域。然后执行修剪步骤，即在一定范围内关键点应有最低的HoNO峰度值或该点具有最强的法线变化，满足条件即视为关键点，从而将显著区域减少到最终关键点集。
除了检测点特征，线特征作为一种可以有更大距离跨度的信息，也是一种很常用的特征。
Stamos和Allen(2002)提出一种将点云先划分为平面块，然后得到平面之间的交线，取线到面边缘的距离小于一定阈值的线段作为特征。Yang等人(2016)提出一种具有语义的线性特征，首先将地面点云删除，然后对点云进行一层层的分割，提取点云中的极状点、交点和顶点，将其连接为3种类型的垂直特征线。Prokop等人(2020)首先通过协方差矩阵的特征值提取尖锐特征点，然后通过Hough变换提取其中的直线特征。Tao等人(2020)将3维点云投影到重力方向变成2维点云，通过密度约束获得高密度部分，然后执行区域生长算法得到线特征。
Yang和Zang(2014)则提取曲线而不是直线信息，用点邻域的协方差矩阵的最小特征值分析点周围的几何曲率，将几何曲率大的点划分为若干线性簇，将线性簇拟合为波峰线作为特征。面特征具有更高的信息量并且对噪声更不敏感，虽然一些点特征考虑到其一定范围内的点云，相似于面特征，但是其考虑的面的范围有限。
Brenner等人(2008)应用区域生长法，通过迭代种子区域选择和区域扩展两个步骤，得到平面特征。Chen等人(2020)用基于RANSAC的平面提取方法，得到平面特征。Xu等人(2019)将点云划分为体素，计算体素内点的曲率，将满足平面要求的平面块组合为平面特征。
得益于图像领域已有的研究，点云纹理特征的检测可以方便地借鉴其相关方法。
Zhang等人(2019)将反射强度处理为2维图像，然后使用尺度不变特征变换(scale-invariantfeaturetransform，SIFT)算法中的特征检测方法，本质上是以高斯函数差分(differenceofGaussian，DoG)的极值位置对应的空间点作为特征点。
Wang等人(2016)不将反射强度处理为2维图像，而是直接使用一个3维高斯函数来卷积每个点云金字塔层次上的反射强度图像，相邻高斯平滑反射强度图像相减生成DoG3D，取DoG3D的极值作为检测到的特征。
更多的纹理特征来自于点云的颜色信息，Liu等人(2007)在RGB表示的纹理图像中使用DoG方法，并剔除不稳定的局部峰值，获得关键点。Jung等人(2018)使用fast-Hessian detector检测关键点，功能类似于DoG，使用盒滤波器进行近似计算，检测速度有了很大提高。
Ji等人(2013)使用FAST(from accelerated segmenttest)特征检测器，然后根据Harris测度对其进行排序，选取排在前面的点作为特征点。Yang等人(2020)使用超体素的方法，超体素考虑到了空间坐标、颜色值和局部几何特征，以超体素的中心作为检测到的特征点。
2.2 特征描述方法
检测到的特征有时并不适合直接用于特征匹配，因为点云是一种离散的、非结构化的数据，并且受噪声、遮挡和离群值的影响。如果将检测到的特征表述为描述符，通过描述符可以增加特征的鲁棒性，加快特征间的对比和匹配。
对于相近的点云分布，其点云描述符应该也具有相似性，而对分布不相近的点云，其描述符应该也具有不一致性。描述符具有一定的压缩性，可以将复杂高维的点云特征压缩为更简单的表现形式。典型的描述符有特征签名和特征直方图。特征签名提供数值结果作为点的描述符，特征直方图方法则将点云信息表述为直方图。得到特征描述符之后就可以进行特征匹配并计算变换。
点特征的描述是点云特征描述中研究较多的方向。
Feldmar和Ayache(1996)提出用点附近计算出的主曲率作为描述符。主曲率表示关键点周围表面上的最大和最小曲率，并且综合关键点处的法线与最大和最小曲率对应的主方向作为该关键点的描述符。该描述符是刚性变换不变的，但是因为法线方向的歧义性，所以需要考虑法线可能的两个方向。Chua和Jarvis(1997)提出应用主成分分析(principal component analysis，PCA)提取特征，利用数据点3D坐标的加权协方差矩阵的3个特征向量，分析特征向量得到关键点，将主成分视为点描述符。
Frome等人(2004)提出3D形状上下文描述符(3D shape context，3DSC)，首先对整个点云进行随机采样得到N个点，确保选择的点尽可能在点云中均匀分布，然后建立每个点到其他N-1个点的向量，对空间进行球体划分，可以选择壳模型、扇形模型和混合模型，构建直方图描述符。但是这样的直方图描述符不是旋转不变的，所以需要执行标准化步骤，执行将质心作为原点的平移和对对象执行主轴变换，得到平移旋转不变性。Zhong(2009)提出固有形状签名(intrinsic shape signatures，ISS)描述符，使用从基本八面体递归计算的离散球形网格，均匀地划分球形表面，对邻域协方差矩阵进行特征值分解得到4个LRF(local reference frame)，参照关键点处的LRF，使用其极坐标对每个邻居点进行编码。离散球面网格用于简化直方图。
Rusu等人(2008)提出点特征直方图(point feature histograms，PFH)，将关键点周围一定半径内所有的点全部互相连接，对其中的每一个点，寻找与另一个点构成的连线与该点的法线之间有最小夹角的点对，对所有这样的点对计算参考框架和角度之间的关系，对每个关键点，根据周围一定半径内每对点对的角度信息的值计算直方图描述符。点特征直方图(PFH)存在的问题在于其计算量比较大，是一个耗时的操作，于是Rusu等人(2009)提出一种改进的点特征直方图方法———快速点特征直方图(fast point feature histograms，FPFH)，要构建快速点特征直方图，首先要计算简化点特征直方图(simplifified point featur ehistogram，SPFH)，不同于点特征直方图考虑周围一定半径内所有点之间的关系，简化点特征直方图只考虑关键点和周围一定半径内点的关系，直接使用简化点特征直方图表示的信息量太少，所以将周围一定半径内点的SPFH加权为快速点特征直方图。
对于线特征的描述符，直线的描述较为容易，也较为常用。
Stamos和Allen(2002)将线特征用五元组表示，即线特征编号、线起始点、线终端点、线所在平面的法线和线所在平面的大小，只需要源点云和目标点云间各一个这样的特征就可以估计变换矩阵。Yang等人(2016)使用九元组描述其语义线特征，包括构成线的最高点、最低点、点的数量、线的长度、线的序号、线的类型、线的半径和线支撑平面的两个方向。Tao等人(2020)将两个直线之间的夹角作为特征的描述，对直线方向的歧义问题，将所有线方向的反方向向量也纳入夹角的计算。对于面特征，也可以对其提取特征而加快特征匹配的速度。
Brenner等人(2008)在提取面特征后，尝试了面积、周长和边界框的长宽比等后认为，这些特征不够可靠，可能会忽略正确的匹配，于是只保留法线和特征平面到原点的距离作为之后步骤的特征。Chen等人(2020)提取4个不平行的平面和2个平面的交线之间的关系作为特征，构成具有8个子特征的描述符，为了应对没有4个不平行的平面的情况，又提出减少1个平面要求的有6个子特征的描述符，只需一个这样的特征就能确定一个刚性变换。
Xu等人(2019)从4个平面的法线与由法线组成的平面的交线之间的角度中构建不变特征。
对于纹理特征的描述，可以直接采用经典的图像特征的描述方法，一些研究将纹理特征和几何特征结合成新的特征描述符。
Zhang等人(2019)直接使用SIFT特征描述方法描述由反射强度生成的强度图像特征。
Liu等人(2007)使用SIFT特征描述方法描述RGB图像特征，通过2维图像到3维点云的映射，使描述符同时描述了3维特征点。Wang等人(2016)使用主成分分析确定特征的周围的包围盒，将其分为 L*J*K个部分，将强度信息加权加入每个部分，作为该点的特征描述符。Jung等人(2018)使用成熟的SURF(speed up robust features)特征描述符描述检测到的特征。
Ji等人(2013)使用ORB(oriented fast and rotated brief)特征描述方法，具体是使用BRIEF(binary robust independent elementary features)算法计算特征点的描述子，整体速度比SIFT和SURF更快。Yang等人(2020)使用三阶颜色矩，表示每个超体素的颜色分布特征，并与中心点的空间坐标相结合作为描述符。
苏本跃等人(2019)将同态滤波后的最近8个点由拉普拉斯算子获得颜色特征，并与几何特征结合构成鲁棒的特征描述符。
面向自动驾驶领域的3D点云目标检测全栈学习路线！(单模态+多模态/数据+代码)
2.3 特征匹配方法
特征匹配的过程也是一个变换估计的过程，获得关键点及关键点的描述符后，就可通过描述符之间的对应关系获得变换矩阵，有对应关系后配准问题就变成了凸问题，有很多方法可以得到变换矩阵，如SVD(singular value decomposition)、最小二乘法等。
不同于类似ICP的过程，这里只需要获得一个粗配准的变换，因此在这里精度不是最重要的考量，对应关系健壮能够为接下来的精配准提供良好的初值。蛮力匹配方法是最基础的方法，假设两个点云都有n个特征，如果需要3个对应特征点以确定2个3D点集合之间的刚性变换，那么对应的3个点的数量就可能达到n6，其中只有一小部分可以确定正确的变换矩阵。
这在点云中点的数量较少时是可行的，但是当点云数量很大时，这将是一个非常耗时的过程。有了特征提取和特征描述等信息就可以开发一些搜索策略，从而使特征匹配速度大幅加快，极大地降低计算成本。
随机抽样一致算法(RANSAC)通过反复选择数据中的一组子集来估计模型参数，将满足模型的数据称为局内点，不满足的称为局外点，选取局内点数满足要求的作为正确估计。将RANSAC思想用于特征匹配是一种经典的匹配方法。
Gelfand等人(2005)提出用分支定界方法进行关键点的匹配，将坐标均方根误差验证转换为距离均方根误差，从而不需要计算变换矩阵就可以验证关键点匹配质量。该算法创建一个解决方案候选树，树中每个分支代表一个可能的点对应集合。当将一个可能的候选添加到解决方案中，如果这些可能的候选对象之一未通过阈值测试，并且距离均方根误差没有得到改善，那么就“修剪”掉这个对应集合的分支，通过探索整棵树最终找到最佳的对应。该方法也具有对噪声、遮挡和离群值的鲁棒性，但是对描述符的性能要求比较高。Theiler等人(2014)引入4PCS算法的思想，将关键点特征应用到4PCS算法，从而开发出K-4PCS算法。在进行经典4PCS算法之前，首先计算关键点特征，将其用于4PCS可以加快相似共面四点集的搜寻速度，并且减少找到的相似共面四点集数量。Xu等人(2019)将平面作为K-4PCS的特征，并设计了以角度而不是距离为度量的特征匹配方式。
Ji等人(2017)将进化的方法直接用于角度变换空间的搜索，搜索最优角度变换。同样，进化的方法也可以用于关键点的匹配。
Albarelli等人(2011)将博弈论框架用于关键点的匹配，自然选择过程允许满足相互刚性约束的匹配点得以幸存，从而消除了所有其他对应关系。收益矩阵(payoff matrix)代表对应关系，随着进化迭代，某种对应方式能够得到最多的支持，那么其就能够得到生存，最终的结果就是在一种变换下能够使最多的点产生正确的对应关系，也代表着最佳的变换方式。
上述方法适合于需要通过多对特征对应关系才能确定变换的条件下，对于一些线特征和面特征只需要更少的对应特征就能确定变换矩阵。
Stamos和Allen(2002)设计的线特征两两之间就可以确定一个变换矩阵，通过阈值过滤线的长度和平面大小的比率不满足条件的特征，再通过阈值验证其他对是否匹配，迭代找到最佳匹配。Yang等人(2016)将得到的语义线特征组合为三角对，用结合线特征的三种约束获得相似的三角对，用几何一致性测试除去一些错误的对应，用剩下的对应计算变换矩阵。Tao等人(2020)使用两个直线构成的直线对的角度寻找匹配的直线对，以此确定一个不考虑重力方向上运动的变换，遍历寻找最佳对应关系。
Brenner等人(2008)使用面特征构成三元组估计变换矩阵，但是在计算变换矩阵之前，先计算三元组的三重积，并按降序排序，因为三重积越大计算的平移误差就越小，并且当同一个变换出现预定次数时就停止迭代。Chen等人(2020)设计了面特征，只需要一对对应即可确定变换矩阵，通过建立kd-tree寻找近似特征，又通过kd-tree寻找相似变换，得到一些相似变换的均值，减少要验证的变换数量。
纹理特征的特征匹配方法与点特征的特征匹配方法有很多共通之处，因为较多的纹理特征和点特征一样属于局部特征。
Zhang等人(2019)使用RANSAC确定正确的从反射强度图像中提取的特征的正确匹配关系。Wang等人(2016)使用CTNC(closest to next closest)技术，即对于每一个特征，与其最相似的和第二相似的特征满足一定的比例要求才认为其是正确的匹配特征。
Liu等人(2007)在确定匹配关系时，引入对极几何的约束，基于RANSAC的思路，寻找使最多特征点满足对极几何的约束的特征匹配。为了应对RGBD相机的视点对SURF特征的影响，Jung等人(2018)利用3维点云生成不同视点的2维合成图像，再生成不同分辨率的缩放图像，这样产生大量重复的特征匹配关系，然后投票选择重复多的匹配关系作为最终的特征匹配。Yang等人(2020)使用权值权衡颜色特征和空间特征，并以此作为特征距离度量，当两点云的空间位置相差较大时，采用颜色特征比空间特征更准确，当点云大致对齐时，更适合利用空间特征匹配点云的几何细节。
苏本跃等人(2019)使用迭代最近特征的方法，迭代估计特征匹配关系和变换矩阵。
表2总结了基于特征的点云配准方法中各种形式的特征的特征检测、特征描述和特征匹配的经典方法。
本文仅做学术分享，如有侵权，请联系删文。
1.面向自动驾驶领域的多传感器数据融合技术
2.面向自动驾驶领域的3D点云目标检测全栈学习路线！(单模态+多模态/数据+代码)3.彻底搞透视觉三维重建：原理剖析、代码讲解、及优化改进4.国内首个面向工业级实战的点云处理课程5.激光-视觉-IMU-GPS融合SLAM算法梳理和代码讲解6.彻底搞懂视觉-惯性SLAM：基于VINS-Fusion正式开课啦7.彻底搞懂基于LOAM框架的3D激光SLAM: 源码剖析到算法优化8.彻底剖析室内、室外激光SLAM关键算法原理、代码和实战(cartographer+LOAM +LIO-SAM)
9.从零搭建一套结构光3D重建系统[理论+源码+实践]
10.单目深度估计方法：算法梳理与代码实现
11.自动驾驶中的深度学习模型部署实战
12.相机模型与标定(单目+双目+鱼眼）
13.重磅！四旋翼飞行器：算法与实战
14.ROS2从入门到精通：理论与实战
15.国内首个3D缺陷检测教程：理论、源码与实战
扫码添加小助手微信，可
也可申请加入我们的细分方向交流群，目前主要有、、、、、等微信群。
一定要备注：，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。也请联系。
▲长按加微信群或投稿
▲长按关注公众号
：针对3D视觉领域的五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近4000星球成员为创造更好的AI世界共同进步，知识星球入口：
学习3D视觉核心技术，扫描查看介绍，3天内无条件退款
圈里有高质量教程资料、答疑解惑、助你高效解决问题