基于PCL的NDT点云配准算法c++

matlab icp源码项目目标： 开发用于将部分点云与 3D CAD 模型配准的管道 运行代码时涉及的步骤： 在你希望运行代码的目录中创建一个 BUILD 文件夹，CMkeLists.txt 和 CODE.cpp 传递给代码的参数应该放在构建中 代码接受 3 个参数参数 1 = Kinect 点云参数 2 = CAD 文件参数 3 = ICP 的迭代次数 CAD 文件的预处理： .stl 格式的 CAD 模型以毫米为单位转换为 .pcd 和米。 （将 cad 缩小 0.001） 获得可接受输出的重要约束条件： Kinect 位置不应该改变，因为 Kinect 相对于机器人底座的转换是在代码中硬编码的。 湾要注册的对象放置在一定高度。 在迄今为止获得的结果中，该物体被抬高到了 6-7 厘米以上。 （白色小立方体）在代码中，我们砍掉了 示例 CMakelists、用于获取 Kinect 相对于 Base 的转换的 Matlab 代码以及用于获取从 Kinect 到机器人 Base 的转换的 Matalb 代码都存在于 zip 文件中。 代码将使用“cmake ..”和“make”进行编译

针对现有点云配准算法不能很好地同时解决点云模型变尺度和配准精度等问题,提出一种变尺度的两阶段点云模型配准算法。第一阶段加入动态的尺度因子,粗略估计并调整目标点云模型的尺度;然后将空间旋转变换三个角度进行格点划分,以30°为格点间距,这提高了算法的收敛速度并避免陷入局部最优,为第二阶段配准提供良好的初始位置。在尺度迭代最近点(SICP)算法基础上对第二阶段进行优化,以此对点云模型进行更加精准的匹配。对不同配准算法进行了综合对比实验,结果表明,在两个点云模型间存在较大刚体变换且尺度显著不同的情况下,所提算法的配准误差数量级为10 -30~10 -4。

点云配准go-icp算法（python格式），可用于做对比实验。

为了提高三维点云数据配准的效率, 提出一种基于法向量分布特征的关键点初始匹配与迭代最近点(ICP)的精确配准的两步点云配准算法。首先, 定义点云的邻接区域和法向量分布特征计算模型, 提出基于该模型的关键点选择算法; 其次, 为每个关键点建立局部坐标系, 计算关键点的快速点特征直方图, 使用采样一致性配准算法匹配关键点的特征, 去除错误匹配点, 求解出变换矩阵, 完成初始配准; 最后, 使用ICP算法, 对多视点云的初始配准结果进行精确配准。实验结果表明, 在散乱点云数据和自获取的深度点云数据配准中, 该算法能够在确保配准精度的同时有效提升配准效率。

提出了一种基于余弦相似度的点云配准(PCR-CS)算法,该算法主要解决点云刚性配准问题,即找到点云配准的旋转矩阵R和平移矩阵T,从而实现原始点云P到目标点云Q的配准。先对两个待配准点云进行去中心化处理,再进行点云余弦相似度的研究,将两个待配准的三维点云分别投影到XY平面上,对XY平面上的点云进行栅格化处理,统计栅格上的数据点从而形成统计矩阵SP和SQ,采用差分进化算法,以两点云余弦相似度为条件,寻求最优R,从而实现点云配准,最后,利用中心点计算T。实验结果表明,与其他算法相比,该算法具有较高的配准精度,即使在点云数据伴随有噪声和数据缺失的情况下,也都能达到良好的配准效果。

针对当前机器视觉热点研究的配准问题，提出了一种全新的快速点特征直方图(FPFH)特征描述与Delaunay三角剖分相结合的三维点云配准方法。首先采用FPFH综合描述特征信息，通过Delaunay三角网建立特征信息的局部关联性；再根据特征点对的对应关系进行采样一致性初始变换，实现初始配准；最后，根据得到的初值采用迭代最近点法进行精确配准，获得精确转换关系。分别对简单目标物体及复杂目标物体进行配准实验。实验结果表明，将FPFH特征描述与Delaunay三角剖分结合引入传统点云配准，简化了特征提取复杂度，缩小了特征点对匹配的搜索范围，提升了配准精度及速度，实现对目标物体高效配准，对提高机器视觉特征点匹配效率具有一定指导作用。

点云配准算法四点法代码，需要读取pcd文件，如果要读取ply文件需要自己改代码，或者将ply文件转换为pcd文件

点云配准算法FPFH代码，可读取pcd文件，如果要读取ply文件需要自己改代码，或者将ply文件转换为pcd

自己下载的，仅供大家参考