点云全局配准

（1）4pcs，搜索的计算量太大，不适合工程化应用。

（2）sift特征，128维，维度太高得到的特征点太少，最要命的还不是搜索量大，而是计算出来的特征点太少，不适合重叠率低的对象。

（3）FPFH，方向直方图，spin image,都相当依赖于法线计算的准确性，需要建立局部坐标系，需要点云分布相对均匀，自己动手实现效果不佳，转而用开源的也不行，且不抗噪，维度过高搜索量大，维度低不具备区分性，这几个最低的维度33维，最高能过到一二百维。

（4）extend Gaussian image，也过份依赖法线和点云分布的均匀性而且只能算R，对于T还得另外想法办法（当然也有人提出了解决办法）。

（5）Rotational Projection Statistics国防科大的Yulan Guo，同（3）一样的 问题。

（6）依赖曲率的，用径向基函数拟合二次曲面，计算量大，不抗噪声。

除此之外，当然还有其它的如香港权龙教授。

做这个算法花费了近一个月的时间，由于个人能力的限制，在这短短的一个月时间内能全部看懂和实现上述论文是不可能的（大概过了二三十篇文章），因此理解上可能有错误，导致效果不行。在总结了这些算法优劣的基础上，找到了一种全新的描述子，该描述子具备以下特性：

（1）相当的稳健，相比其它具备更稳健的仿射变换不变性。 （2）使用了15维的描述，相较其它特征描述，维度相当的低。 （3）对点云分布无任何要求。 （4）抗噪表现良好（只是为了进一步的说明描述子的稳健，实际扫描点云不会出现这种 噪声的数据，使用了 Qinyi Zhou的噪声数据集进行了测试）

对于一般的情况下的数据，表现相当优秀，下面给出几组测试结果：

（1）不同的采样点数

（2）不同的重叠率

（3）不同特征的数据（即特征是否明显）

                                                            图4.1 小天使原始数据

为了说明本方法满足上述特性，使用GeoMagic对待配准的原始数据集进行不同点数的采样，采样点数分别为5000个点和20000个点，由于原始数据点云数量不同，所能表征点云的表面积也不同，使用固定点数对待配准的两个数据进行采样，得到的点云的密度也将会有差异，从而对应的点距也存在差异，满足上述所述特性。

图4.2小天使5000点

说明由于使用的是Geomagic的固定点数采样，所以采样点数只是接近预计点数。

      图4.3小天使5000点配准结果（Validated Pairwise：477）

4.1.2小天使采样20000个点全局配准

                                                                 图4.4小天使20000点

图4.5小天使20000点配准结果（Validated Pairwise：3105）

图4.14 空间零散原始数据

图4.16空间零散数据5000点配准结果（Validated Pairwise：151）

极端情况

图4.6 大天使原始数据

图4.7大天使5000点

图4.8 大天使5000点配准结果（Validated Pairwise：130）配准失败

图4.8-a 大天使5000点（更改参数后）配准结果（Validated Pairwise：196）配准成功

目前测试结果：对于正常扫描件还未出现问题表现良好，可以给ICP很好的初值，只有自设的这些特征不明显的数据或者极端情况会存在问题，这个好像克服不了，因为特征不明显，换而言之每个点的相似度太高。