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

针对在不同视角下所获得的三维点云数据，提出了一种基于特征提取的点云自动配准算法。算法根据点云在不同半径内的法向量变化度来提取特征点，综合利用点云局部点的三种几何特征搜索匹配点对。通过利用距离约束条件来获取准确匹配点对并计算初始配准参数。精确配准阶段采用改进的迭代最近点(ICP)算法完成二次拼接。实验结果表明，与传统ICP算法相比，该算法在运行时间与精确度上都有着明显的提升。

matlab icp源码项目目标： 开发用于将部分点云与 3D CAD 模型配准的管道 运行代码时涉及的步骤： 在你希望运行代码的目录中创建一个 BUILD 文件夹，CMkeLists.txt 和 CODE.cpp 传递给代码的参数应该放在构建中 代码接受 3 个参数参数 1 = Kinect 点云参数 2 = CAD 文件参数 3 = ICP 的迭代次数 CAD 文件的预处理： .stl 格式的 CAD 模型以毫米为单位转换为 .pcd 和米。 （将 cad 缩小 0.001） 获得可接受输出的重要约束条件： Kinect 位置不应该改变，因为 Kinect 相对于机器人底座的转换是在代码中硬编码的。 湾要注册的对象放置在一定高度。 在迄今为止获得的结果中，该物体被抬高到了 6-7 厘米以上。 （白色小立方体）在代码中，我们砍掉了 示例 CMakelists、用于获取 Kinect 相对于 Base 的转换的 Matlab 代码以及用于获取从 Kinect 到机器人 Base 的转换的 Matalb 代码都存在于 zip 文件中。 代码将使用“cmake ..”和“make”进行编译

利用ICP算法测试点云配准情况，并基于ICP算法，应用kd-tree与icp算法相结合的方式。对点云配对的指派问题进行更好的处理，从而得到更好的点云配准结果。本文采用的编程环境为MATLAB2022，文章末尾含ICP和icp与kd-tree相结合的核心代码即：放置的是函数文件，没有方式.m文件。 来源于大二期末大作业，做的一般，希望能够帮助到你。（通过latex生成的论文）

点云配准算法

以曲率图作为三维点云数据的特征描述函数，并运用曲率图实现了三维点云数据的配准．对于含有噪声的点云数据，先根据每个点的邻域特性估算其曲率值，然后根据每个点及其周围邻域点的曲率值构造该点的曲率图．通过在多比例空间下曲率图的特征保持分析，可提取到最能反映该点云数据特征的特征点集．对于两两配准，这些特征点集被用于三维点云数据的粗略配准算法中，该算法利用点云内部空间点相对位置在刚性变换下的不变特性实现了特征点对的匹配，由匹配的特征点对进行坐标变换求解，完成了两三维点云的粗略配准，然后运用迭代最近点算法进行精确配准．最后将整个配准算法应用于真实的三维点云数据，结果表明该算法能有效抑制点云采样密度及噪声的影响，能够快速实现点云数据的精确配准．

针对现有点云配准算法不能很好地同时解决点云模型变尺度和配准精度等问题,提出一种变尺度的两阶段点云模型配准算法。第一阶段加入动态的尺度因子,粗略估计并调整目标点云模型的尺度;然后将空间旋转变换三个角度进行格点划分,以30°为格点间距,这提高了算法的收敛速度并避免陷入局部最优,为第二阶段配准提供良好的初始位置。在尺度迭代最近点(SICP)算法基础上对第二阶段进行优化,以此对点云模型进行更加精准的匹配。对不同配准算法进行了综合对比实验,结果表明,在两个点云模型间存在较大刚体变换且尺度显著不同的情况下,所提算法的配准误差数量级为10 -30~10 -4。

Open3D点云库测试数据汇总（包含Open3D彩色点云配准测试数据）

采集方式： Cyberware三维扫描仪 发布单位： 斯坦福大学 The Stanford 3D Scanning Repository ,可用于点云配准、表面重建

点云配准go-icp算法（python格式），可用于做对比实验。