本文主要是介绍PCL配准接口（The PCL Registration API），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
始终将各种3D点云数据视图对齐到一个完整模型的问题称为配准。其目标是在全球坐标框架中找到单独获取的视图的相对位置和方向，使它们之间的交叉区域完美重叠。对于从不同视图中获取的每一组点云数据集，我们都需要一个能够将它们组合到单个点云模型中的系统，以便可以应用后续处理步骤，例如分割和对象重建。
_images/scans.jpg
在上图中给出了这种意义上的激励示例，其中使用倾斜2D激光单元采集了一组六个单独的数据集。由于每个单独扫描仅代表周围世界的一小部分，因此必须找到将它们配准在一起的方法，从而创建完整的点云模型，如下图所示。
_images / s1-6.jpg
PCL配准库中的算法工作是通过在给定的输入数据集中找到正确的点对应关系以及估计可以旋转并将每个单独数据集转换为一致的全局坐标框架的刚性转换来实现的。如果点对应在输入数据集中完全已知，则此配准范例变得易于解决。这意味着一个数据集中选定的点列表必须从特征表示的角度与另一个数据集中的点列表“重合”。另外，如果估计的对应关系是“完美的”，那么配准问题就有一个封闭的表单解决方案。
PCL包含一组强大的算法，可以估计多组对应关系，以及拒绝消极对应关系的方法，以及以可靠的方式估计变换。以下各节将分别介绍它们中的每一个。
#An overview of pairwise registration
We sometimes refer to the problem of registering a pair of point cloud datasets together as pairwise registration, 它的输出通常是一个刚性变换矩阵（4x4），表示必须应用于其中一个数据集的旋转和平移（let’s call it source），以便它与其他数据集完美对齐（let’s call it target, or model）。
The steps performed in a pairwise registration step are shown in the diagram below. 请注意，这代表该算法的一次迭代。程序员可以决定循环任何或所有的步骤。
_images/block_diagram_single_iteration.jpg
The computational steps for two datasets are straightforward:
Ⅰ、from a set of points, identify interest points (i.e., keypoints) that best represent the scen
这篇关于PCL配准接口（The PCL Registration API）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
