为了方便记：
using namespace std;
typedef pcl::PointCloud pointcloud;
typedef pcl::PointCloud pointnormal;
typedef pcl::PointCloud fpfhFeature;
为了使用fpfp特征匹配，声明一个计算fpfh特征点的函数：
fpfhFeature::Ptr compute_fpfh_feature(pointcloud::Ptr input_cloud,pcl::search::KdTree::Ptr tree)
{
//法向量
pointnormal::Ptr point_normal (new pointnormal);
pcl::NormalEstimation est_normal;
est_normal.setInputCloud(input_cloud);
est_normal.setSearchMethod(tree);
est_normal.setKSearch(10);
est_normal.compute(*point_normal);
//fpfh 估计
fpfhFeature::Ptr fpfh (new fpfhFeature);
//pcl::FPFHEstimation est_target_fpfh;
pcl::FPFHEstimationOMP est_fpfh;
est_fpfh.setNumberOfThreads(4); //指定4核计算
// pcl::search::KdTree::Ptr tree4 (new pcl::search::KdTree ());
est_fpfh.setInputCloud(input_cloud);
est_fpfh.setInputNormals(point_normal);
est_fpfh.setSearchMethod(tree);
est_fpfh.setKSearch(10);
est_fpfh.compute(*fpfh);
return fpfh;
}
可以看出，在计算Fpfh特征时，首先需要计算点集的法向量（法向量是点云的一个非常重要的特征，本该多带带处理，仅在这里为了方便，少写两行代码，将其封装在FPFH特征的计算中），根据计算好的法向量，计算FPFH特征。计算fpfh特征时，近邻点集个数不易取得过大，，否则一则导致计算量增大，二会使得fpfh的计算失去意义（通其他特征计算一样，过大的近邻点集合不能反映局部特征）。
主函数:
int main (int argc, char **argv)
{
if (argc < 3)
{
cout<<"please input two pointcloud"<::Ptr tree (new pcl::search::KdTree ());
fpfhFeature::Ptr source_fpfh = compute_fpfh_feature(source,tree);
fpfhFeature::Ptr target_fpfh = compute_fpfh_feature(target,tree);
//对齐(占用了大部分运行时间)
pcl::SampleConsensusInitialAlignment sac_ia;
sac_ia.setInputSource(source);
sac_ia.setSourceFeatures(source_fpfh);
sac_ia.setInputTarget(target);
sac_ia.setTargetFeatures(target_fpfh);
pointcloud::Ptr align (new pointcloud);
// sac_ia.setNumberOfSamples(20); //设置每次迭代计算中使用的样本数量（可省）,可节省时间
sac_ia.setCorrespondenceRandomness(6); //设置计算协方差时选择多少近邻点，该值越大，协防差越精确，但是计算效率越低.(可省)
sac_ia.align(*align);
end = clock();
cout <<"calculate time is: "<< float (end-start)/CLOCKS_PER_SEC< view (new pcl::visualization::PCLVisualizer("fpfh test"));
int v1;
int v2;
view->createViewPort(0,0.0,0.5,1.0,v1);
view->createViewPort(0.5,0.0,1.0,1.0,v2);
view->setBackgroundColor(0,0,0,v1);
view->setBackgroundColor(0.05,0,0,v2);
pcl::visualization::PointCloudColorHandlerCustom sources_cloud_color(source,250,0,0);
view->addPointCloud(source,sources_cloud_color,"sources_cloud_v1",v1);
pcl::visualization::PointCloudColorHandlerCustom target_cloud_color (target,0,250,0);
view->addPointCloud(target,target_cloud_color,"target_cloud_v1",v1);
view->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE,2,"sources_cloud_v1");
pcl::visualization::PointCloudColorHandlerCustomaligend_cloud_color(final,255,0,0);
view->addPointCloud(align,aligend_cloud_color,"aligend_cloud_v2",v2);
view->addPointCloud(target,target_cloud_color,"target_cloud_v2",v2);
view->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE,4,"aligend_cloud_v2");
view->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE,2,"target_cloud_v2");
// view->addCorrespondences(source,target,*cru_correspondences,"correspondence",v1);//添加显示对应点对
while (!view->wasStopped())
{
// view->spin();
view->spinOnce(100);
boost::this_thread::sleep (boost::posix_time::microseconds (100000));
}
pcl::io::savePCDFile ("crou_output.pcd", *align);
// pcl::io::savePCDFile ("final_align.pcd", *final);
return 0;
}
采用FPFH特征配准，效果不错，但是计算效率非常低，尤其针对大规模点云数据时。所以，很多时候，都先对原始点云进行简化，对简化后的数据做配准计算，在将所获得的配准参数应用到原始点云，以提高计算效率。
体素网格简化
主要程序：
//pcl::ApproximateVoxelGrid approximate_voxel_grid;
pcl::VoxelGrid approximate_voxel_grid;
approximate_voxel_grid.setLeafSize(0.5,0.5,0.5); //网格边长.这里的数值越大，则精简的越厉害（剩下的数据少）
pointcloud::Ptr source (new pointcloud);
pointcloud::Ptr sample_sources (new pointcloud);
approximate_voxel_grid.setInputCloud(source);
approximate_voxel_grid.filter(*sample_source);
cout << "source voxel grid Filte cloud size is " << sample_source->size()<
针对体素网格简化，PCL提供了两种方法：其一，pcl::ApproximateVoxelGrid 类；其二， pcl::VoxelGrid类。可以看出，第二中比第一中少了“大约”approximate，也就是说第二种某些情况下比第一种更精确。原因是：第一种方法是利用体素网格的中心（长方体的中心）代替原始点，而第二种则是对体素网格中所有点求均值，以期望均值点代替原始点集
可视化
在如上主程序中，已经包含了可视化的功能，更过可视化可看我的博客pcl可视化那些事，在这里，细致的讲一下如何添加对应点对的可视化功能。
要可视化对应关系，首先需要计算对应关系,本文配准为例：
pcl::registration::CorrespondenceEstimation crude_cor_est;
boost::shared_ptr cru_correspondences (new pcl::Correspondences);
crude_cor_est.setInputSource(source_fpfh);
crude_cor_est.setInputTarget(target_fpfh);
// crude_cor_est.determineCorrespondences(cru_correspondences);
crude_cor_est.determineReciprocalCorrespondences(*cru_correspondences);
cout<<"crude size is:"<size()<
效果(粗配)
