点云配准（Point Cloud Registration）

点云配准是将两个或多个三维点云（或点云与模型）对齐到同一坐标系的过程。

核心目标是得到一个（或一组）刚体变换（通常记为旋转 R 和平移 t），使得对应的几何结构在空间上重合。

数学上，常见形式为：

pB=R pA+t

其中 pA是源点云中的点，pB是变换后在目标坐标系中的位置。

应用场景：多视角扫描拼接、SLAM 回环、机器人定位、三维重建、医学影像对齐等。

评价指标：配准误差（如 RMSE）、重叠率、收敛性、鲁棒性（对噪声、离群点、部分重叠的容忍度）。

点云配准的目的

点云配准是将两个或多个点云（或点云与三维模型）变换到同一坐标系下，使同一物理位置的几何结构对齐或者重合。

核心目的

估计刚体变换 R（旋转） 和 t（平移），满足：

ptarget=R psource+t

使对应点/对应几何之间的误差最小。

具体要解决的问题

目的	说明
统一坐标系	多视角、多帧、多传感器采集的点云原本各自坐标系不同，配准后合并为一张完整点云
三维重建	将多次扫描拼接成完整场景或物体模型
定位与建图（SLAM）	确定当前帧相对地图/上一帧的位姿 (R, t)
变化检测	对齐不同时刻点云后，比较差异（形变、缺失、新增）
模型对齐	实测点云与 CAD/设计模型对齐，用于检测、测量、机器人操作

输出结果

• 变换参数：R、t（或 6DoF 位姿）
• 对齐后的点云：可在同一坐标系下融合、分析、可视化

一句话：点云配准的目的是求 R、t，把分散采集的三维数据对齐到同一空间，以便融合、定位、测量和分析。

配准算法

粗配准（Coarse / Global Registration）

粗配准是在没有良好初值或初值偏差很大时，先求一个大致正确的全局变换，为后续精配准提供起点。

特点：

• 搜索范围大，允许对比的点云的初始位姿相差较远（角度、平移都较大）
• 对局部最优不敏感，强调全局一致性
• 精度通常不高，但鲁棒性更重要
• 计算可能更重，或依赖特征而非逐点迭代

常见方法：

• 基于特征的配准：FPFH、SHOT 等描述子 + RANSAC / TEASER++ 等对应关系估计
• 4PCS / Super4PCS 等基于几何不变量的全局方法
• NDT（Normal Distributions Transform） 在大范围搜索时有时也作粗配准
• 利用 GPS / IMU / 里程计 / 先验模型 提供的初始位姿（也属于“粗”的初值来源）

粗配准的输出一般是：近似正确的 R、t，误差可能在厘米到分米级（视场景而定），但足以让精配准收敛到正确解。

---

精配准（Fine / Local Registration）

精配准是在已有较好初值的前提下，通过局部优化把变换精确细化，使对应点（或对应几何）之间的误差最小。

特点：

• 搜索范围小，依赖粗配准或已知初值
• 追求高精度（毫米级或更高，取决于传感器与场景）
• 对初值敏感：初值不好容易陷入局部最优或发散
• 通常基于迭代优化，逐次修正 R、t

常见方法：

• ICP 及其变体（最典型）
• 点到面 ICP（Point-to-Plane ICP）
• GICP（Generalized ICP）
• NDT 在局部 refine 阶段
• 非线性最小二乘（如 Ceres、GTSAM）结合对应关系

精配准与粗配准的关系：先粗后精是工业与学术中的标准流程；单独做 ICP 而不做粗配准，在初值差时往往失败。

ICP

ICP 是 Iterative Closest Point 的缩写。

单词	含义
Iterative	迭代的（反复做、逐步改进）
Closest	最近的
Point	点

中文常叫 迭代最近点（算法）。

---

它的核心思想非常直观，可以用四个字概括：找点、求变。 算法会反复循环执行以下两个步骤：

1. 找对应点：对于源点云中的每一个点，在目标点云中找到距离它最近的那个点，形成一对“最近点”。

2. 求最优变换：根据所有找到的“最近点对”，计算出一个最优的旋转和平移矩阵，让源点云的整体移动距离最小。然后，把源点云实际移动过去。

这个过程会不断迭代，重复“找对应点 -> 计算变换 -> 移动点云”的循环，直到变换量非常小或达到设定的迭代次数，此时点云便实现了高精度对齐。

ICP 的优点：在初始位置好的情况下，精度非常高，收敛速度快。

ICP 的缺点：

• 依赖初值：如果粗配准没做好，初始位置很差，ICP 几乎必然失败。

• 效率问题：每次都需搜索最近点，计算量大。但可以通过 KD-Tree 等数据结构加速。

• 对异常值敏感：点云中的噪声或离群点会严重影响结果。

点云拼接和点云模版匹配

点云拼接

本质

两个视点点云是在不同传感器位姿下采集的，各自坐标系不同。
拼接就是求：视点 B 相对视点 A 的位姿 (R, t)，把 B 变到 A 的坐标系，再合并。

视点A坐标系下的点云 PA

视点B坐标系下的点云 PB --(R,t)--> 变换后的 PB' --合并--> 完整点云

为什么能拼

两个视点必然拍到同一块物理区域（重叠区）。
同一块墙、同一个角点在 PA 和 PB 里各有一份坐标，只是数值不同。
找到 (R, t) 使这些相同物理位置重合，就完成了对齐。

没有重叠区：能求出 R,t 吗？能拼接吗？

结论

不能可靠拼接。
没有重叠区时，(R, t) 要么无解，要么有无穷多组解，算法给出的 (R, t) 没有物理意义，拼出来的结果也是错的。

---

为什么：

配准的约束来自：同一物理点在 PA 和 PB 里各有一个坐标，对应关系已知或可估计。

有重叠时：

PA 里的点 pA ←→ 物理点 X ←→ PB 里的点 pB

约束：pA ≈ R · pB + t

多个这样的约束联立，才能唯一（或稳定）解出 (R, t)。

无重叠时：

PA 拍的是区域 A

PB 拍的是区域 B

A 与 B 没有公共物理点

→ 没有任何「这是同一个点」的约束

→ 无法从几何上确定 B 相对 A 的位姿

实现步骤

1. 预处理

两云降采样、去噪，统一点密度，便于后续计算。

2. 求变换 (R, t)（配准）

粗配准（初值未知时）：

1. 在 PA、PB 中各提取几何特征点（角点、边缘等）
2. 计算局部形状描述子（如 FPFH）
3. 找描述子相似的特征点对 →「A 的这个角 ≈ B 的那个角」
4. RANSAC 从多组点对中估计 (R, t)，去掉错误匹配

精配准（ICP）：

1. 用当前 (R, t) 把 PB 变换到 PA 坐标系
2. PB 中每个点，在 PA 中找最近点
3. 假设这些最近点就是对应关系，解最小二乘，更新 (R, t)
4. 重复 2–3 直到 (R, t) 基本不变

输出：最终 (R, t)，使重叠区几何对齐。

点云模版匹配

本质

模板 M 是已知标准（CAD 或标准扫描），实测 S 是当前扫描。
流程：把 S 对齐到 M，再看对齐质量是否达标。

S --配准(R,t)--> S' 与 M 重合

↓

计算误差指标

↓

达标 → 匹配成功，输出 (R,t)

不达标 → 匹配失败

配准怎么做

与拼接相同：粗匹配（特征+RANSAC）→ ICP 精配准，得到 (R, t)。
区别是 M 固定不变，只判断 S 是否「像 M」。

匹配判定：看什么指标

配准完成后，用 (R, t) 把 S 变换到 M 坐标系，逐点计算与 M 的距离：

1. RMSE（均方根误差）

对每个点 s_i in S：

变换后 s_i' = R·s_i + t

在 M 上找最近点/最近面，距离 d_i

RMSE = sqrt( mean(d_i²) )

结果	含义
RMSE 小（如 < 2mm）	形状、尺寸与模板一致
RMSE 大	不是该工件、放偏严重、缺件、变形

2. Fitness / 内点率

满足 d_i < 阈值（如 5mm）的点数 / 总点数 = fitness

结果	含义
fitness 高（如 > 80%）	大部分点都能对齐到模板
fitness 低	形状对不上，或扫描到无关物体

RMS / RMSE 是什么

RMS（Root Mean Square，均方根）

对一组误差值先平方 → 求平均 → 再开方：

其中 ei是第 i 个误差。

作用：衡量一组数整体偏大还是偏小。

RMSE（Root Mean Square Error，均方根误差）

RMS 在「预测值与真实值之差」上的用法，点云配准里说的 RMSE 通常指这个。

di​ = 配准后第 i个点到模板/目标点云的最近距离。

---

在点云模板匹配里

配准得到 (R, t) 后：

1. 把实测点云每个点变换：si′=R⋅si+t
2. 在模板上找最近点，得距离 di
3. 算 RMSE

作用

RMSE	含义
小（如 < 2mm）	整体对齐好，形状与模板一致
大	对不齐，可能型号不对、放偏、缺件等

教程

RMS和RMSE