1. 几何距离最近点关联

ICP

优点

• 简单，易于实现
• 高效
• 当达到全局最优解时精度较高

缺点

• 初值不好时容易陷入局部最优解

提升

• Go-ICP
• S-ICP
  

2. 特征点关联

流程

• 检测关键点
• 提取特征(个人理解应是计算描述子)
• 初始特征匹配
• 误匹配滤除

特征点类别

• handcraft features
• learning-based features

优点

• 不需要初值

缺点

• 粗配准
• 由于用到了关键点，需要比较稠密的原始点云
• 耗时

提升

• Deep learning

3. randomized hypothesize and verify

ransac without correspondence，4pcs， plane-based ransac

优点

• 不需要初值

缺点

• 如果存在噪声或者异常点，挑选出的三个点对质量不高
• 非常耗时
• 粗配准

提升

• 更好的采样方法

4. 基于概率的

NDT（Normal Distribution Transformation）

CPD（Coherent Point Drift）

5.数据集

• WHU-TLS(Terrestrial Laser Scanning，地面激光扫描)

点云配准总结

两步

• 确定关联点、线、面
• 根据目标方程估计变换矩阵

方法

• 基于特征点 粗配准
• RANSAC 粗配准
• ICP 精配准
• 概率

挑战

• 重叠部分少，遮挡，噪声
• 点云稠密度变化大
• 耗时
  参考资料
  点云配准概述及其在激光SLAM中的应用