第1章点云配准概述

一、点云配准概述：从零开始理解这件事

大家好，我是你们这门课的主讲。今天咱们聊聊点云配准——这个在3D视觉里绕不开的话题。

说实话，我第一次接触点云配准时，心里想的是：这不就是把两片点云拼在一起吗？后来做项目多了才发现，这里面的门道比想象中深得多。今天这一讲，我就带大家把基础打牢。

点云配准，说白了就是把不同位置、不同角度采集到的点云数据，对齐到同一个坐标系下。

你想想看，我们拿激光扫描仪扫一个物体，一次只能扫到一个面。要得到完整的三维模型，就得从多个角度扫。但每次扫描的坐标系都不一样，怎么把它们拼起来？这就是配准要解决的问题。

我习惯用一个比喻：就像你手里有几张拼图的碎片，每张碎片都有自己的局部坐标。配准就是找到这些碎片之间的相对位置和姿态，把它们严丝合缝地拼成完整图像。

核心定义：给定源点云 P 和目标点云 Q，寻找一个刚体变换 T（包含旋转 R 和平移 t），使得 P 经过变换后与 Q 在空间上对齐。

咱们用数学语言说清楚这件事。假设源点云有 N 个点：

P = {p₁, p₂, ..., pₙ}，每个 pᵢ ∈ ℝ³
Q = {q₁, q₂, ..., qₘ}，每个 qⱼ ∈ ℝ³

配准的目标是找到一个变换矩阵 T：

T = [R  t]
    [0  1]

其中 R 是 3×3 旋转矩阵，t 是 3×1 平移向量。使得：

pᵢ' = R·pᵢ + t

并且 pᵢ' 与 Q 中对应的点距离最小。通常我们最小化这个目标函数：

min Σ ||R·pᵢ + t - qⱼ||²

嗯，这里要注意：对应关系是配准中最头疼的问题。你不知道 P 中的哪个点对应 Q 中的哪个点，这就是所谓的「数据关联」问题。

我在项目中遇到过不少配准的实际应用，这里挑三个典型的说说：

做机器人或自动驾驶的朋友应该很熟悉。SLAM 的核心就是：机器人一边移动，一边用激光雷达或深度相机采集点云，然后通过配准相邻帧的点云，来估计自身的运动轨迹。我曾经参与过一个仓储机器人的项目，配准做不好，机器人走着走着就「迷路」了，撞到货架上——嗯，那场面挺尴尬的。

从文物数字化到建筑测绘，三维重建是点云配准最经典的应用。我记得有个古建筑保护项目，我们用无人机扫描了整个寺庙，每张点云都是局部数据。通过配准把它们拼成完整的模型，最后连屋檐上的雕刻细节都还原出来了。那种成就感，做技术的都懂。

工业上经常需要把实物模型数字化。比如你有一个汽车零件，想用3D打印复制一个。先用扫描仪扫一圈，得到多片点云，配准后生成完整模型，再导入CAD软件。我有个朋友做模具修复，经常用这招——省去了重新设计的麻烦。

说了这么多，配准到底难在哪？我总结了几点：

初始位置未知：两片点云可能相隔很远，算法容易陷入局部最优。就像两个人背对背站着，要他们握手，得先转个身。
噪声和离群点：传感器数据不可能完美。激光雷达扫到玻璃会反射异常，深度相机在边缘处有噪点。这些都会干扰配准。
部分重叠：两片点云可能只有30%的区域是重叠的。不重叠的部分如果强行匹配，结果就歪了。
计算效率：点云动辄几十万甚至上百万个点。暴力匹配？不现实。我早期做的一个项目，用最原始的ICP算法，配准一次要等半小时——后来优化了特征提取，才降到几秒。

避坑指南：我曾经犯过一个低级错误——没有对点云做预处理就直接配准。结果因为噪声太大，算法迭代了100次都不收敛。后来养成了习惯：配准前先滤波、降采样、去除离群点。这一步省不了。

下面这张图是我自己画的，把配准的核心逻辑串起来了。你看一遍，心里就有谱了。

配准方法五花八门，但大体上可以分成两类。我整理了一个表格，方便对比：

我的建议：实际项目中，我通常先用基于特征的方法做粗配准，得到一个差不多的初始位置，再用ICP做精细配准。两步走，既稳又快。别指望一个算法解决所有问题——做工程不是写论文，实用才是王道。

好了，这一讲就到这里。配准的概念、应用、挑战和分类，咱们都捋了一遍。下一讲开始，我会带大家手撕ICP算法——从数学推导到代码实现，一步步来。

公众号:蓝海资料掘金营，微信deep3321