文章Coarse Alignment for Model Fitting of Point Clouds Using a Curvature-Based Descriptor解读二粗配准

接第一篇，文章Coarse Alignment for Model Fitting of Point Clouds Using a Curvature-Based Descriptor解读一。开始讲解粗配准简介

粗配准通常只解决配准两个子问题中的一个。找到使两者对齐的姿势。这意味着粗配准方法不考虑点云对应。粗配准分为两类：全局和局部方法。全局方法利用全局的要素，例如质心，找到translation以及利用主成分分析找到方向。局部方法，为点云创建特征或者签名集合，通过对比两个点云的特征计算correspondences。例如有的利用点云签名，有的利用饭庄图像，有的利用点云特征直方图

使用局部粗配准方法时，重点是精确计算点的描述以及他们的表面特征，着意味着不管是点云还是cad模型，在对应的区域所具有的特征描述是相同的。这意味着，我们要计算的特征描述必须是对于噪音以及点云密度是健壮的。有些方法将特征描述离散化为bin格式来达到这种健壮性。这样做可以过滤噪声，可以进行恰当的缩放，这样对于快速计算很重要。

有些方法，利用物体的曲率计算对象的不同属性，一种计算二维对齐，一种用于特征提取

本文提出了一种描述，这种描述可以用来进行连续分析公式，并且使得对齐问题转化为连续的优化问题。用这种方法的动机是，这种方式可以更大范围的使用几何信息。这样可以改善点对应关系的估计。并且提供更精确的姿态估计

本文建议利用这种类型的描述，在新的方法里面用来初始化两个点云的初始对齐。这种方法首先利用主成分分析法对每一个点分析实现对点云进行采样。然后采样之后的点在每个点云里面标记为特征点。这些特征点就是产生的描述。这些描述是基于两个球体的拟合。代表曲率是平面的两个正交方向上。关键点利用共形几何代数计算的。最后利用最小二乘优化算法，对两个点云的描述估计关键点的点云correspondence。这个时候两个点云对齐描述的位移就找到了。作为两个点云初始对齐的结果。

本文提供的大量的实验方法，有助于改进某方法。这种方法又更稳定的具有平面类型点云对应的估计

本文的文章结构如下：第二部分介绍了本文使用的共形几何代数相关算法部分。第三节介绍了本文的方法。第四节是实验部分，实验用3d相机获取桌子点云，提取cadmodel的点云，用本文提供的方法计算两者的初始对齐数据，同时利用精准估计优化算法进行配准，此方法与其他表现优异的描述进行对比并分析和讨论了结果在第六节。