pcl 点云配准

### PCL 点云配准方法教程

#### 下采样处理
为了提高计算效率并减少噪声影响，在进行点云配准前通常会对原始数据进行下采样操作。这可以通过体素网格滤波器来完成，该滤波器会将空间划分为多个立方体单元格，并保留每个单元内的代表点。

// 创建体素网格滤波对象
pcl::VoxelGrid<pcl::PointXYZ> voxel_grid;
voxel_grid.setInputCloud (cloud);
voxel_grid.setLeafSize (0.05f, 0.05f, 0.05f); // 设置分辨率参数
voxel_grid.filter (*filtered_cloud);

#### 法线估计
对于许多高级功能而言，了解表面的方向是非常重要的。因此，在某些情况下还需要计算每一点处的法向量信息作为辅助特征描述子的一部分[^1]。

// 初始化法线估算类实例
pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
ne.setInputCloud(filtered_cloud);

// 定义K近邻搜索半径范围
searchRadius = 0.03;

// 执行法线估算任务
ne.setRadiusSearch(searchRadius);
ne.compute(*normals);

#### 特征提取
FAST、NARF等局部形状描述符能够有效捕捉几何结构特性，从而帮助识别相似区域间的对应关系。这里采用FPFH（Fast Point Feature Histograms）快速点特征直方图来进行表达[^2]。

// 构建FPFH特征提取器
pcl::FPFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::FPFHSignature33> fpfh;
fpfh.setInputCloud(filtered_cloud);
fpfh.setInputNormals(normals);

// 存储输出结果
pcl::PointCloud<pcl::FPFHSignature33>::Ptr fpfhs(new pcl::PointCloud<pcl::FPFHSignature33>());
fpfh.compute(*fpfhs);

#### 配准算法应用
一旦获得了足够的匹配对之后就可以利用ICP(Iterative Closest Point)迭代最近点或其他更复杂的优化策略如SAC-IA(Sample Consensus Initial Alignment)，以求解最佳刚性变换矩阵使得源目标尽可能重合一致[^3]。

// 使用 SAC-IA 进行粗配准
pcl::SampleConsensusInitialAlignment<pcl::PointXYZ, pcl::PointXYZ, pcl::FPFHSignature33> sac_ia;
sac_ia.setInputSource(source_fpfh);
sac_ia.setInputTarget(target_fpfh);
sac_ia.setMaximumIterations(5000);
Eigen::Matrix4f transformation_matrix_sac = sac_ia.align();