点云配准是计算机视觉的热门研究方向，目前对于刚性点云配准的研究比较全面，对于非刚性点云配准算法的研究相对较弱，总体上来说，ICP、卡尔曼滤波等见到的比较多，这篇博客也只是对一些点云配准算法的简单摘抄以做记录。
pcl
pcl::PointCloud与pcl::PointCloud::Ptr的相互转换
pcl::PointCloud与pcl::PointCloud::Ptr的相互转换
PCL实现SAC-IA点云初始配准
随机采样一致（ransac）算法是一种随机性的参数估计算法，利用Ransac可以实现采样一致性初始配准（SAC-IA）。采样一致性初始配准（SAC-IA）给出一个初始预估的刚性（Rigid）变换矩阵，为更精确的位姿估计算法（如ICP等）提供初始配准状态。
PCL点云库中封装了丰富的点云数据处理函数，利用PCL实现初始点云配准较为容易，于是博主就也实验了一下，效果还不错，就是时间耗费的问题，大概2000个点，迭代2000次，花了5s，实在是太慢了，代码托管在github，比较初级，欢迎指教。
点云滤波方法
点云滤波是点云处理的基本步骤，也是进行high level三维图像处理之前必要的预处理。其类似于信号处理中的滤波，单实现手段却和信号处理不一样，主要有以下几方面原因：
- 点云不是函数，无法建立横纵坐标之间的关系
- 点云在空间中是离散的，不像图像信号有明显的定义域
- 点云在空间中分布广泛，建立点与点之间的关系较为困难
- 点云滤波依赖于集合信息而非数值信息
PCL读取点云并可视化
这篇博客提供一个PCL读取点云并可视化的最简Demo，并提供扩充学习资料的链接。其中点云读取比较简单，而可视化比较复杂。
PCL的可视化类有好几号，最强大的是PCLvisualizer，这个类是这篇博客的主要内容。如果只是简单显示点云，可以不需要PCLvisualizer类，调用CloudViewer就可以了。CloudViewer的调用过程更加简单直接，PCLvisualizer更加强大，功能更加丰富。
PCLvisualizer还可以设置鼠标键盘操作回调函数，功能之多，并且开源的PCL也在不断丰富和完善，所以在调用PCLvisualizer时，大部分编程是需要参考文档手册的。
八叉树OcTree
在描述三维场景的过程中常常用到一种名为八叉树的数据结构。描述三维空间的八叉树和描述二维空间的四叉树有相似之处，二维空间中正方形可以被分为四个相同形状的正方形，而三维空间中正方体可以被分为八个形状相同的正方体。
八叉树的每个结点表示一个正方体的体积元素，每一个结点有八个子节点，这种用于描述三维空间的树装结构叫做八叉树。为了便利的点云操作，八叉树OcTree被封装在PCL库中。
点云数据处理方法概述
结束目标跟踪的研究，回到课题上，接下来要面对的就是点云数据的处理了。这篇博客主要介绍三维计算机视觉中点云数据处理面对的问题，主要方法和技术，概述其特点。这篇博客主要介绍最基本的点云数据处理技术和概念，不会有任何代码。
ICP点云配准就是我们非常熟悉的点云处理算法之一。实际上点云数据在形状检测和分类、立体视觉、运动恢复结构、多视图重建中都有广泛的使用。点云的存储、压缩、渲染等问题也是研究的热点。随着点云采集设备的普及、双目立体视觉技术、VR和AR的发展，点云数据处理技术正成为最有前景的技术之一。PCL是三维点云数据处理领域必备的工具和基本技能，这篇博客也将粗略介绍。
PCL库使用中遇到的一些问题及解决方法
PCL库的各种依赖和冲突让人头大，这里记录了一些PCL使用过程中的问题，长期更新（本次更新时间，2016年12月）。
PCL库的环境配置及调用（Windows8.1+VS2013/VS2015）
PCL库被广泛用于三维重建，其在三维世界中的地位正如OpenCV在二维世界中的地位。因为其调用了很多第三方库，所以配置极其复杂。官方也推出了简单安装版OneInAll包，这篇博客主要介绍官方简单安装版的方法。由于简单安装版没有CUDA等模块，如果你想用上CUDA就必须得自己重新编译了（博主在使用CUDA8.0，折腾了一个下午放弃了，不过CUDA7.5及以下都有教程）。另外就是，如果想自己编译，这里有一篇很好的博客。如果想快速入门，这里也有一篇很好的博客。