这篇论文提出的稀疏迭代最近点算法具有较强的抗噪性，对包含噪声的点云数据进行配准时有较好的效果

点集配准对于多台摄像机的校准，3D重建和识别等非常重要。迭代最近点（ICP）算法对于相同比例的点集配准来说是准确且快速的，但是不能处理不同比例的情况。 取而代之的是，本文介绍一种称为缩放迭代最近点（SICP）算法的新颖方法，该算法将带有边界的缩放矩阵集成到用于缩放配准的原始ICP算法中。 在此算法的每个迭代步骤中，我们都建立了两个mD点集之间的对应关系，然后使用简单快速的迭代算法以及奇异值分解（SVD）方法，并结合了抛物线的性质来计算比例，旋转和平移转换。 已经证明，SICP算法可以从任何给定参数单调收敛到局部最小值。 因此，要达到所需的全局最小值，就需要良好的初始参数，本文通过分析点集的协方差矩阵成功估算了这些参数。 SICP算法与形状表示和特征提取无关，因此通常用于缩放mD点集的配准。 实验结果表明，与标准ICP算法相比，该算法具有较高的效率和准确性。

通过C++实现了ICP算法的点云匹配过程，内容包括KdTree搜索算法和SVD算法的实现源码，希望给大家带来参考。

Point_cloud_tools_for_Matlab：Matlab的各种点云工具