点云配准算法fpfh，C++,pcl库，亲测可用

点云配准算法FPFH代码，可读取pcd文件，如果要读取ply文件需要自己改代码，或者将ply文件转换为pcd

点云配准PFH、FPFH、icp、NDT、3Dsc.zip

几个点云配准的算法：点云配准PFH、FPFH、icp、NDT、3Dsc：粗配准算法，并计算出误差 几个点云配准的算法：点云配准PFH、FPFH、icp、NDT、3Dsc：粗配准算法，并计算出误差

FPFH点云配准

用FPFH方法进行点云配准，包含一个两个源文件和一个头文件，头文件包括RANSAC和FPFH特征的定义，源文件其中一个是FPFH特征的提取，还有一个是主函数，主要是各种接口。通过该方法可以比较好的进行点云配准

点云配准，fpfh

点云配准，fpfh，初始矩阵的计算

点云配准-pfh粗配.cpp

点云配准算法

点云配准icp算法及三个实现实例Matlab

Matlab实现的经典icp点云数据配准算法，内含三个实例，二维平面下、三位平面下点云数据配准matlab实现程序

基于PCL开源库fpfh+icp算法实现点云配准

利用PCL开源库编写代码FPFH+ICP算法实现点云高精度配准，并计算配准误差！基于PCL库版本1.9！

基于PCL开源库ndt+icp算法实现点云配准实例测试代码

利用PCL开源库编写代码NDT+ICP算法实现点云高精度配准，包括粗配准+精配准，并计算配准误差！基于PCL库版本1.9！

点云粗配准算法

写了几个点云配准的算法，主要包括PFH、FPFH、icp、NDT、3Dsc几种粗配准算法，并计算出误差。

基于ply文件的特征匹配点云配准matlan程序

基于ply文件的特征匹配点云配准matlab程序，直接从ply文件读取数据绘图内附两个ply文件，不同文件dist筛选标准不一样，可根据生成的图5调试参数

点云完全配准算法比较

根据上次的点云粗配准，对点云进行完全配准，并且计算分析误差。主要包括NDT、3Dsc、FPFH、PFH几种算法比较。

基于特征匹配的三维点云配准算法

针对当前机器视觉热点研究的配准问题，提出了一种全新的快速点特征直方图(FPFH)特征描述与Delaunay三角剖分相结合的三维点云配准方法。首先采用FPFH综合描述特征信息，通过Delaunay三角网建立特征信息的局部关联性；再根据特征点对的对应关系进行采样一致性初始变换，实现初始配准；最后，根据得到的初值采用迭代最近点法进行精确配准，获得精确转换关系。分别对简单目标物体及复杂目标物体进行配准实验。实验结果表明，将FPFH特征描述与Delaunay三角剖分结合引入传统点云配准，简化了特征提取复杂度，缩小了特征点对匹配的搜索范围，提升了配准精度及速度，实现对目标物体高效配准，对提高机器视觉特征点匹配效率具有一定指导作用。

一种改进的基于快速点特征直方图的ICP点云配准算法

为了克服迭代最近点(ICP)算法鲁棒性差、配准精度低的问题,提出了一种改进的基于快速点特征直方图(FPFH)的ICP点云配准算法。首先,基于改进内部形态描述子和法向矢量角的变化来提取点云特征;其次,使用指数函数优化欧氏距离,并将优化的欧氏距离作为FPFH算法的权重系数,用于特征点描述,从而保证利用初始对齐估计得到更准确的点云位置;然后使用双重约束和单位四元数算法完成初始配准;最后,给ICP算法构建双向k维树,并使用点对的欧氏距离与最大欧氏距离的比值来计算每个点对的权重,将权重作为ICP迭代误差函数的加权系数,以减少迭代时间并减少不良对应关系在配准中的影响。实验结果表明,本文算法的配准精度较ICP算法提高2~6个量级,并且具有更强的鲁棒性。

SAC-IA粗配准+ICP精配准

SAC-IA粗配准+ICP精配准 采样一致性初始配准算法（Sample Consensus Initial Aligment , SAC-IA) 此算法依赖于点特征直方图，所以在执行此算法之前，应该先计算点云的FPFH ICP算法基于SVD

改进的RANSAC算法在三维点云配准中的应用

传统随机抽样一致性（RANSAC）算法只能进行粗配准, 且配准效率低。针对该问题提出一种改进的RANSAC快速点云配准算法。该算法将内部形态描述子算法和快速点特征直方图(FPFH)算法相结合, 得到特征描述子, 然后采用预估计和三维栅格分割法改进RANSAC算法, 最后与传统配准算法采样一致性初始配准算法进行比较。实验结果表明, 本文算法能快速精确地剔除误匹配点, 进行仿射变换矩阵求解, 无需二次配准。本文算法相较于传统配准算法有很大优势, 在大规模三维点云配准中具有很好的稳健性, 并且在保证精度的同时可大幅提高配准效率。

基于邻域表面形变信息加权的点云配准

为了提高点云的配准精度,解决单一特征导致迭代最近点(ICP)算法在噪声干扰和数据缺失的情况下鲁棒性差的问题,提出一种基于邻域表面形变信息加权的点云配准方法。先为简化点的邻域信息提出以邻近点数量为约束的邻域构建方法,考虑邻近点对采样点的影响并引入加权方法提高内部形态描述子(ISS)特征点提取算法的提取效率;计算邻域的法向量内积均值对点云进行第二次特征点提取;再利用快速点特征直方图(FPFH)进行特征描述,并运用双重约束条件确定匹配点对关系;最后在配准阶段,采用双向k维树ICP(DTICP)算法来实现精确配准。实验结果表明,与经典ICP算法相比,所提方法能够在噪声环境下有效配准缺失点云,具有较好的鲁棒性和抗干扰性。

用来描述点云局部特征的快速点特征直方图(FPFH)算法的matlab实现

[原创]自己实现的FPFH算法，效果与PCL中的完全一致。输入量必须包括离散无拓扑的点云矩阵、点云法向量矩阵、关键点在离散点云中的位置向量、邻域参数这么四个，另外两个量可缺省，填入ISS算法(资源已放出)步骤中用到的r邻域拓扑变量时可以节省运算资源。输出量为一个矩阵，其中每一行为一个33维度向量，对应一个关键点的FPFH描述符。 个人比较满意的作品，代码变量命名规范、逻辑清晰、可读性强。

基于体素下采样和关键点提取的点云自动配准

针对最近点迭代算法(ICP)在大数据点云下配准效率低及对配准点云初始位置依赖性强的缺点,提出了一种基于快速点云粗配准与 ICP 算法相结合的方法。根据体素对原始点云进行下采样,结合法向量特征提取关键点,使用快速点特征直方图(FPFH)算法描述关键点;根据局部邻域内的关键点匹配对的向量夹角特性进一步对匹配点对进行精简;对精简后的关键点对集使用随机采样一致性算法(RANSAC)获取内点最多的变换参数,从而完成点云粗配准;最后在粗配准点云的基础上使用 ICP 算法完成精确配准。实验结果表明,本算法在高密集点云上的配准效率和精度均有所提高。

一种基于轮廓特征约束的飞机蒙皮配准方法

飞机蒙皮表面平缓、光滑、特征少,在使用迭代最近点进行数模配准时会产生错位、局部最小值等问题,因此提出了一种基于轮廓约束的蒙皮点云配准方法。首先定义一种新的三维轮廓Cκ特征点描述方法,并基于距离约束对初始Cκ特征点进行聚类和过滤,实现对蒙皮点云特征的精确描述。其次,基于距离的快速点特征直方图(FPFH-d)特征相似度约束,寻找点云和数模特征点的对应点对,实现蒙皮轮廓的初始配准。最终基于迭代最近点算法,融合Cκ特征描述的轮廓约束,实现蒙皮的精配准。利用斯坦福公共数据库点云对算法的速度和精度进行测试,与点快速直方图算法(FPFH-SAC-IA)相比,初始配准精度分别提高了48.47%和77.29%,速度分别提高了70.35%和97.08%,证明了Cκ特征点提取算法的普适性和有效性。基于以上算法,对飞机蒙皮测量数据进行实验验证,配准准确度达到了100%,在12 m 3范围内全局误差优于3.5 mm。该方法有效解决了蒙皮配准时的错位和局部最小值问题。

点特征直方图（PFH）算法的matlab实现，以及基于PFH的点云拼接实验

[原创]根据文献使用matlab实现了PFH算法，并使用它对bunny数据进行了基于特征匹配和RANSAC的拼接实验。关键点选取和特征匹配部分是直接用的之前文献复原的内容(资源已发布)，仅用来测试PFH的有效性。由于运行速度过慢，我将代码分为三块，依次运行PFH_demo.m（关键点提取）、PFH_demo2.m（PFH计算，耗时）、PFH_demo3.m（拼接实验与结果展示）。代码中实现的是64维度的描述符，与PCL中的略有不同。关键点如果用3D harris效果应该会更好一点。