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。

Open3D点云库测试数据汇总（包含Open3D彩色点云配准测试数据）

采集方式： Cyberware三维扫描仪 发布单位： 斯坦福大学 The Stanford 3D Scanning Repository ,可用于点云配准、表面重建

点云配准go-icp算法（python格式），可用于做对比实验。

基于pcl 的tricp ndt 4pcs点云配准

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。

PCL 多幅点云配准测试数据，算法原理和代码详解见：https://blog.csdn.net/qq_36686437/article/details/115678996?spm=1001.2014.3001.5501

ICP点云配准第一篇原理

python点云配准样例数据，使用说明及源码请参考：https://blog.csdn.net/suiyingy/article/details/124336476。

包含常见点云配准算法