PCL点云FPFH粗配准

### 使用PCL点云FPFH特征进行粗配准

#### 下采样
为了减少计算量并提高效率，在应用FPFH之前通常会对原始点云数据进行下采样。这一步骤可以通过体素网格滤波器来完成：

pcl::VoxelGrid<pcl::PointXYZ> voxel_grid;
voxel_grid.setInputCloud (cloud);
voxel_grid.setLeafSize (0.05f, 0.05f, 0.05f); // 设置体素大小
voxel_grid.filter (*filtered_cloud);

#### 法线估计
接着，对于每一个点都需要估算其表面法向量，这对于后续构建FPFH描述符至关重要。

pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
ne.setInputCloud(filtered_cloud);
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
ne.setSearchMethod(tree);
ne.setRadiusSearch(0.1); // 定义搜索半径
pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);
ne.compute(*normals);

#### 提取FPFH特征
一旦获得了经过预处理后的点集及其对应的法线信息之后，则可以进一步提取FPFH特征了。

pcl::FPFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::FPFHSignature33> fpfh;
fpfh.setInputCloud(filtered_cloud);
fpfh.setInputNormals(normals);

// 创建目标容器存储结果
pcl::PointCloud<pcl::FPFHSignature33>::Ptr fpfhs(new pcl::PointCloud<pcl::FPFHSignature33>());

// 执行特征估计操作
fpfh.compute(*fpfhs);

#### 实现粗配准过程
最后一步就是利用这些特征来进行初始姿态估计，从而实现两个不同视角下的点云之间的粗略对齐[^1]。

pcl::SampleConsensusInitialAlignment<pcl::PointXYZ, pcl::PointXYZ, pcl::FPFHSignature33> sac_ia;
sac_ia.setInputSource(source_fpfh);
sac_ia.setInputTarget(target_fpfh);
sac_ia.setMaximumIterations(10000);
Eigen::Matrix4f transformation_matrix = sac_ia.getFinalTransformation();

上述代码展示了如何使用PCL中的`SampleConsensusInitialAlignment`类结合FPFH特征快速找到源点云到目标点云的最佳刚性变换矩阵，进而达到粗配准的目的[^2]。