參考鏈接
https://blog.csdn.net/yuluoxuanyuan1992/article/details/54138522
https://blog.csdn.net/xuezhisdc/article/details/51023251
https://blog.csdn.net/lby0910/article/details/80612842
https://blog.csdn.net/coldplayplay/article/details/78509541
點雲配準實際上可以理解爲：通過計算得到完美的座標變換，將處於不同視角下的點雲數據經過旋轉平移等剛性變換統一整合到指定座標系之下的過程。再通俗一點講：進行配準的兩個點雲，它們彼此之間可以通過旋轉平移等這種位置變換完全重合，因此這兩個點雲屬於剛性變換即形狀大小是完全一樣的，只是座標位置不一樣而已。點雲配準就是求出兩個點雲之間的座標位置變換關係。
因此，點雲配準基本的輸入輸出是：
兩個剛性變換的點雲：源點雲（source）以及目標點雲（target）形狀、大小相同；
點雲配準得到一個旋轉平移變換矩陣RTMatrix簡稱RT，該矩陣表示了這兩個點雲的位置變換關係，即通過RT可以將源點雲變換到目標點雲的位置，使二者能夠重合。
點雲粗配準 ：基於局部特徵描述的方法是通過提取source與target的鄰域幾何特徵，通過幾何特徵快速確定二者之間的點對的對應關係，再計算此關係進而獲得變換矩陣。而點雲的幾何特徵包括了很多種，比較常見的即爲快速點特徵直方圖（Fast Point Feature Histgrams，簡稱FPFH）
點雲細配準 ：顧名思義，精確配準是利用已知的初始變換矩陣，通過迭代最近點算法（ICP算法）等計算得到較爲精確的解。ICP算法通過計算source與target對應點距離，構造旋轉平移矩陣RT，通過RT對source變換，計算變換之後的均方差。若均方差滿足閾值條件，則算法結束。否則則繼續重複迭代直至誤差滿足閾值條件或者迭代次數終止。因此，ICP算法具有以下條件：配準結果精確度較高，是一種精確配准算法； 對初始矩陣要求嚴格，差的初始矩陣嚴重影響算法性能，甚至會造成局部最優的情況；
PCL庫中的代碼 ：採樣一致性算法計算FPFH特徵；ICP算法