针对无任何预知信息下的散乱点云数据配准问题，提出了一种基于点云法向量信息的自动配准算法。根据点云局部法向量的变化提取特征点，通过比较特征点的直方图特征向量获得初始匹配点对；使用随机抽样一致性（RANSAC）算法，根据刚性距离约束条件得到精确匹配点对；利用四元素法计算得到初始配准参数，采用改进的最近点迭代（ICP）算法对点云精确配准。实验结果表明了此方法的有效可行性。

ICP算法的C++源代码。迭代最近点法（Iterative Closest Points Algorithm）。基本思想是：根据某种几何特性对数据进行匹配，并设这些匹配点为假想的对应点，然后根据这种对应关系求解运动参数。再利用这些运动参数对数据进行变换。并利用同一几何特征，确定新的对应关系，重复上述过程。

传统随机抽样一致性（RANSAC）算法只能进行粗配准, 且配准效率低。针对该问题提出一种改进的RANSAC快速点云配准算法。该算法将内部形态描述子算法和快速点特征直方图(FPFH)算法相结合, 得到特征描述子, 然后采用预估计和三维栅格分割法改进RANSAC算法, 最后与传统配准算法采样一致性初始配准算法进行比较。实验结果表明, 本文算法能快速精确地剔除误匹配点, 进行仿射变换矩阵求解, 无需二次配准。本文算法相较于传统配准算法有很大优势, 在大规模三维点云配准中具有很好的稳健性, 并且在保证精度的同时可大幅提高配准效率。

提出一种针对三维点云的快速全局配准算法, 用于估计两组相似点云在空间中的刚性位姿变化关系。首先通过计算两组点云的三个主成分向量, 配合各自中心点形成自身主成分(PC)坐标系。然后对两组点云分别进行坐标系转换, 再利用最近点的欧氏距离均值校正对应PC坐标轴的方向, 得到两组相似点云的大致位姿变化关系。经过上述粗配准后利用快速迭代最近点(ICP)算法, 即可实现任意位姿关系下两组点云的快速精确配准。实验结果表明, 该方法对任意两组形状和完整度相似的点云都可以实现任意位姿下的全局配准, 并且具有较高的速度与精确度。

这个代码是自己按照算法流程写的，调用了OpenCV的Eigen数学库，没用函数也都在这一个文件，适合新手学习，同时也希望大家可以对我提出意见改正

该文件用于计算两个点云之间的旋转矩阵和平移向量

这个是经典的点云配准算法，可以正常运行，简洁易懂。

点云配准是基于RGB-D(RGB-depth)传感器的室内场景重建的关键技术之一。针对稀疏建图中关键帧间的点云配准问题,提出一种基于改进的随机采样一致性(RANSAC)的场景分类点云粗配准算法。首先分别利用几何信息与光度信息进行关键点的检测、描述与匹配,然后由场景分类算法判断场景类别,适应性地结合几何匹配与光度匹配,最后提出一种改进的RANSAC算法,通过有偏重的随机采样与自适应的假设评价,对关键帧间的变换矩阵进行估计。采用公开的RGB-D数据集对整体的点云粗配准算法进行实验验证,并与多种算法进行比较。实验结果表明,该点云粗配准算法能够实现稳健有效的变换矩阵估计,有助于后续的精配准与整体的室内场景重建。

很好地实现了激光雷达点云的ICP配准，附带数据

文件为基于pcl中ndt算法的点云数据配准程序。且其中含有两个待配准数据进行实验。配准好pcl环境后可直接使用。