做点云配准的人，迟早会碰到ISS特征检测和FPFH匹配这对组合。我拿到两片不同视角的激光扫描数据时，第一反应绝不是直接上ICP——原始点云之间没有现成的对应关系，密度分布又不一致，还混着噪声和离群点，硬匹配只会被局部最优按在地上反复摩擦。正确做法是先用ISS（Intrinsic Shape Signatures）在两片数据里找出几何结构稳定、可重复出现的关键点，再用FPFH（Fast Point Feature Histograms）把每个关键点周围的局部形状编码成33维描述子，最后基于描述子找对应、估计刚体变换。这篇文章从原理讲到C++实战，把我调参、排坑的真实经验都写出来，适合正在用PCL搭配准流程、或者被ICP初值问题折磨过的朋友。
1. 为什么点云配准最后都会绕回ISS+FPFH这条路
1.1 原始点云直接匹配的三个死穴
点云配准要解决的事情只有一件：给定两片有重叠区域的点云，求一个刚体变换，让它们在同一个坐标系下对齐。听起来简单，直接拿原始点做最近邻匹配行不行？不行，至少有三个原因。
第一，密度不均。激光扫描近处密、远处疏，同一个物理表面在两片数据里的点数和间距完全不同，最近邻匹配天然偏向密度大的区域，算出来的变换就被带偏。第二，噪声和离群点。传感器误差会把点的位置扰动几个毫米甚至更多，直接参与变换估计，误差会被优化过程平均成畸变。第三，遮挡带来的不完备。不同视角下能看到的面不一样，重叠区外的点根本没有对应，强行拿来做匹配等于给目标函数灌毒。
这也是为什么ICP这类直接配准方法对初值极度敏感。ICP的核心假设是"最近邻即对应"，初值差得远时它找的最近邻全是错误对应，迭代必然收敛到局部最优。我见过太多人直接对两片原始点云调ICP，参数调一晚上，Fitness Score纹丝不动，根因就是没先做粗对齐。
1.2 特征检测加描述子：把问题降维成少数派任务
换个思路：与其让几万个点去做对应，不如先找出一小撮"有辨识度"的关键点，再给每个关键点算一个描述子，用描述子去匹配。这个思路把问题规模砍掉一到两个数量级，代价是新增了两个环节，每个环节都有自己的讲究。
关键点必须有可重复性——同一物体在不同视角下，算法得能在同一个物理位置附近检测到关键点，不然两片数据的描述子根本没机会对上。描述子必须有可区分性——不同位置的关键点描述子要差异明显，同一位置不同视角的关键点描述子要足够接近。这两条一衡量，ISS和FPFH的优势就出来了。
1.3 ISS和FPFH在流程里的分工
很多人把特征检测和特征描述混着说，其实这是两个完全不同的环节。ISS干的是检测：它只看几何，在点云里选出棱边、棱角这类"结构上有说法"的点，这些点在不同视角下都能稳定复现。FPFH干的是描述：它把关键点周围一小块区域的几何结构统计成一串数字，让算法能比较"这个关键点周围的形状像不像那个关键点周围的形状"。
两者成名不是偶然。ISS是纯几何方法，不依赖颜色纹理，室内室外的点云都能用；FPFH是PFH的高效近似，把复杂度从O(nk²)降到O(nk)，在描述力和计算量之间找到了一个很合适的平衡点。这些年点云配准技术不断翻新，但ISS+FPFH依然是很多工程方案的默认起点，值得彻底吃透。
2. ISS特征点检测原理：用邻域协方差筛选结构上有说法的点
2.1 邻域散布矩阵怎么构建
ISS的核心思想是看一个点周围小邻域里的点分布成什么形状。做法是给每个点开一个半径为salient_radius的球，把球里的点收集起来，构造一个散布矩阵，本质上是一个加权协方差矩阵：
Σ = Σ_j w_j · (p_j - p_i)(p_j - p_i)^T
其中p_i是当前点，p_j是邻域点。这里有个细节容易被忽略：ISS不是简单地把所有近邻一视同仁，而是给每个邻域点一个权重w_j，这个权重与该点自己周围的点数成反比。为什么要这么干？因为真实点云密度不均匀，如果不加权，密集区域的点会把散布矩阵带偏。加了权相当于对采样密度做了归一化，特征值反映的才是几何形状本身，而不是采样分布。这一点是ISS相比早期直接在点云上套Harris角点思路的关键改进。
2.2 特征值比例与gamma_21、gamma_32的物理含义
把散布矩阵做特征分解，得到三个特征值λ1 ≥ λ2 ≥ λ3。特征值的大小分布能直接反映邻域形状：
- 平面区域：在两个切向方向上点分布都很均匀，法向几乎没有散布，所以λ1 ≈ λ2 ≫ λ3。
- 棱边/褶皱区域：沿棱线方向散布最大，垂直棱线方向散布中等，法向最小，所以λ1 ≫ λ2 ≫ λ3。
- 团状/角点区域：三个方向都差不多，λ1 ≈ λ2 ≈ λ3。
ISS判定关键点的条件是：
λ2/λ1 < γ21 且 λ3/λ2 < γ32
PCL里默认γ21 = γ32 = 0.975。这两个阈值都是上界，含义是"特征值之间必须有明显落差"。平面点因为λ2/λ1接近1会被第一个条件筛掉，团状点因为λ3/λ2接近1会被第二个条件筛掉，最后留下来的是棱边、棱角这类几何信息浓缩、在不同视角下都稳定的点。阈值越接近1，留下的点越多；设得越低，条件越苛刻，关键点越少但越尖锐。
| 参数 | 默认值 | 作用 | 设太小 | 设太大 |
|---|---|---|---|---|
| gamma_21 | 0.975 | λ2/λ1的上界 | 关键点太少 | 混入平面点 |
| gamma_32 | 0.975 | λ3/λ2的上界 | 关键点太少 | 混入团状点 |
| salient_radius | 无默认 | 散布矩阵邻域半径 | 协方差病态 | 特征值趋同 |
| non_max_radius | 无默认 | 非极大值抑制半径 | 关键点扎堆 | 关键点被抑制 |
2.3 非极大值抑制与边界点剔除
光靠特征值比例还不够，因为棱边上的相邻点会连绵不断都被判为关键点，扎堆在一起没法用。ISS的解决办法是用non_max_radius做非极大值抑制：在这个半径的空间里，只保留响应最强的那个点。所谓响应，一般用特征值的某种组合来衡量，响应强的点说明它的局部几何最独特、退化得最厉害。
另一个必须处理的问题是边界点。扫描数据的外轮廓附近邻域球会被截断，半边没有点，散布矩阵算出来完全不可信。ISS用border_radius和angle_threshold做边界检测：如果一个点的邻域里存在邻居，使得该点法线与指向那个邻居的向量夹角超过阈值，就认为它在边界上。PCL里这一步会给出边界标记，你可以直接把这些点丢掉。我实际用下来，边界剔除对后续匹配稳定性的提升非常明显，尤其是数据里包含物体边缘的时候。
3. FPFH描述子：PFH的偷工减料，但偷得聪明
3.1 PFH为什么慢：点对之间两两计算
FPFH的前身PFH（Point Feature Histogram）思路很朴素：一个关键点的长相取决于它周围每个邻居和别的邻居之间的角度关系。具体做法是，在半径r的邻域里取k个点，对其中任意一对点(s, t)建立局部坐标系：
u = n_s v = u × (p_t - p_s) / d w = u × v
其中n_s是s点的法线，d是两点距离。然后算三个角度特征：
α = v · n_t φ = u · (p_t - p_s) / d θ = atan2(w · n_t, u · n_t)
这三个角度把点对之间的相对朝向和位置关系完整表达出来了。每个角度分11个区间统计，三个角度合成33维直方图。问题在于：k个近邻里要做C(k,2)个点对，每个查询点都是这个计算量，整体复杂度O(nk²)。k稍微取大一点，比如30，百万级点云就直接算不动了。
3.2 SPFH：只算查询点和邻居，复杂度降一个量级
FPFH的第一刀砍在点对上：不再计算邻居和邻居之间的角度特征，只计算查询点和每个邻居之间的三角度特征，得到33维的简化直方图SPFH（Simplified Point Feature Histogram）。这样每个查询点的计算量从O(k²)降到O(k)，整体复杂度变成O(nk)。
代价是信息损失：邻居之间的相互位置关系完全没有进直方图。如果只用SPFH，描述子对点云的旋转和密度变化会更敏感，匹配稳定性大打折扣。所以FPFH还需要第二步来补。
3.3 邻域加权：用SPFH的叠加弥补丢失的点对信息
FPFH的第二步是个巧妙的补偿：对每个查询点，把它所有邻居的SPFH也拿过来，按距离倒数加权，叠加到自己的SPFH上：
FPFH(p) = SPFH(p) + (1/k) · Σ (1/ω_i) · SPFH(p_i)
其中ω_i是查询点与第i个邻居的距离。这样虽然没直接计算邻居之间的角度，但邻居的邻居的信息通过"邻居的SPFH"间接传了进来。可以这么理解：查询点的描述子等于自己看到的形状，加上一层邻居视角下的形状，远亲信息被折叠进了一层窗口里。所以FPFH叫Fast——它与PFH的描述能力有差距，但差距远小于计算量的差距，工程上这笔账非常划算。
33这个维度也不是随便定的。三个角度各11个bin，11大约是2π的粗略量化，角度分辨率在30度上下，够用了。bin数再多，描述子区分度不会明显提升，却会让后续SAC-IA的最近邻检索变慢；bin数再少，几何细节就糊了。
4. C++实战：基于PCL搭起完整的配准流程
4.1 工程准备与总体管线
下面的代码基于点云库PCL（Point Cloud Library），我用的是1.12版本。CMake工程里记得用Release模式编译，Release和Debug下点云配准的速度能差好几倍，这个体感非常明显。整体流程分成六步，每一步的输出是下一步的输入：
| 步骤 | 模块 | 关键参数 |
|---|---|---|
| 1 体素降采样 | pcl::VoxelGrid | leaf = 0.5~1.0 × resolution |
| 2 法线估计 | pcl::NormalEstimationOMP | radius = 2~3 × resolution |
| 3 ISS关键点 | pcl::ISSKeypoint3D | salient/non_max/border 半径 |
| 4 FPFH描述子 | pcl::FPFHEstimation | radius = 4~6 × resolution |
| 5 SAC-IA粗配准 | pcl::SampleConsensusInitialAlignment | maxCorrespondenceDistance |
| 6 ICP精配准 | pcl::IterativeClosestPoint | maxCorrespondenceDistance |
这里所有半径都以resolution为基准。resolution是点云的平均点间距，我习惯用KD树取每个点最近邻距离的均值来算。为什么要先降采样？因为ISS和FPFH的半径语义都是物理尺度，降采样之后点间距更均匀，参数的可理解性和稳定性都会更好，计算量也小。leaf取0.5到1.0倍分辨率，太大会直接把棱边细节抹平，后面ISS就找不到关键点了。
4.2 算分辨率、降采样和法线估计
先算分辨率，这段代码自己写很稳：
float computeResolution(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud) { pcl::KdTreeFLANN<pcl::PointXYZ> tree; tree.setInputCloud(cloud); double sum = 0.0; int count = 0; std::vector<int> nn_idx(2); std::vector<float> nn_dist(2); for (size_t i = 0; i < cloud->size(); i += 10) { // 抽样计算即可 if (tree.nearestKSearch(cloud->points[i], 2, nn_idx, nn_dist) > 0) { sum += std::sqrt(nn_dist[1]); // 第一个是自身，距离为0 ++count; } } return static_cast<float>(sum / count); }然后降采样、估计法线：
pcl::VoxelGrid<pcl::PointXYZ> voxel; voxel.setInputCloud(source); voxel.setLeafSize(leaf, leaf, leaf); pcl::PointCloud<pcl::PointXYZ>::Ptr src_cloud(new pcl::PointCloud<pcl::PointXYZ>()); voxel.filter(*src_cloud); pcl::NormalEstimationOMP<pcl::PointXYZ, pcl::Normal> ne; ne.setInputCloud(src_cloud); pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>()); ne.setSearchMethod(tree); ne.setRadiusSearch(2.5f * resolution); // 关键：让法线朝向视点，保证两片数据法线方向一致 ne.setViewPoint(0.0f, 0.0f, 0.0f); pcl::PointCloud<pcl::Normal>::Ptr src_normals(new pcl::PointCloud<pcl::Normal>()); ne.compute(*src_normals);setViewPoint(0, 0, 0)这一行一定要加。PCL的法线估计默认只做局部平面拟合，法线朝哪边完全看邻域分布，两片数据很可能一片朝内一片朝外。FPFH的三个角度特征对法线方向敏感，方向不一致描述子就对不上。我做过对比，加了这行之后FPFH匹配成功率能从不到两成拉到七成以上，这属于文档里不会强调、但实战里要命的细节。
4.3 ISS关键点提取
#include <pcl/keypoints/iss_3d.h> pcl::ISSKeypoint3D<pcl::PointXYZ, pcl::PointXYZ> iss; iss.setInputCloud(src_cloud); iss.setNormals(src_normals); // 复用已有法线，省一次计算 iss.setSalientRadius(4.0f * resolution); // 散布矩阵邻域 iss.setNonMaxRadius(2.0f * resolution); // 非极大值抑制邻域 iss.setBorderRadius(1.0f * resolution); // 边界检测邻域 iss.setThreshold21(0.975f); iss.setThreshold32(0.975f); iss.setMinNeighbors(6); iss.setNumberOfThreads(8); pcl::PointCloud<pcl::PointXYZ>::Ptr src_keypoints(new pcl::PointCloud<pcl::PointXYZ>()); iss.compute(*src_keypoints);几个参数的选择逻辑说一下。salient_radius是算散布矩阵的球半径，必须比点间距大好几倍，不然邻域里没几个点，协方差矩阵是病态的，特征值全是噪声。我从4倍分辨率起步，点云稀疏或者噪声大就往6倍、8倍调。non_max_radius要小于salient_radius，否则抑制范围比检测范围还大，关键点全被压没了。min_neighbors是邻域最少点数，太少的话算出来的特征值不可靠，我一般设6到10。
判断参数是否合理的快速标准：关键点数量大约占降采样后总点数的1%到5%。我手头那组两视角室内扫描，降采样后约8万个点，ISS出2000到3000个关键点，量级就对了。如果只有两三百个，多半是salient_radius太小或者阈值太苛刻。
4.4 FPFH描述子计算：避开一个坑
接下来是关键中的关键。很多人以为FPFH可以把关键点作为输入、把原云作为搜索表面来做，PCL里这么写表面看着对，实际会出问题：FPFH的源码里近邻索引是按搜索表面取的，但法线是按输入点云索引取的，两边不对应，结果完全不可信。我在工程里从不这么干，稳妥的做法是先在整片降采样点云上算FPFH，再把关键点位置的描述子抽出来。
#include <pcl/features/fpfh.h> pcl::FPFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::FPFHSignature33> fpfh; fpfh.setInputCloud(src_cloud); fpfh.setInputNormals(src_normals); fpfh.setSearchMethod(tree); // 复用对src_cloud建的KD树 fpfh.setRadiusSearch(5.0f * resolution); pcl::PointCloud<pcl::FPFHSignature33>::Ptr src_features_all(new pcl::PointCloud<pcl::FPFHSignature33>()); fpfh.compute(*src_features_all); // 把关键点映射回原云的下标，再抽取描述子 pcl::KdTreeFLANN<pcl::PointXYZ> kdtree; kdtree.setInputCloud(src_cloud); std::vector<int> key_idx; for (const auto &kp : src_keypoints->points) { std::vector<int> idx(1); std::vector<float> dist(1); if (kdtree.nearestKSearch(kp, 1, idx, dist) > 0) key_idx.push_back(idx[0]); } pcl::PointCloud<pcl::FPFHSignature33>::Ptr src_features(new pcl::PointCloud<pcl::FPFHSignature33>()); src_features->reserve(key_idx.size()); for (int i : key_idx) src_features->push_back(src_features_all->points[i]);这段代码对source和target各跑一遍。FPFH的radius不能太小，5倍分辨率是我常用的起点；这个值决定了描述子能看多大范围的几何，太小的话每个关键点的描述子都差不多，区分度不够。整片云算FPFH会多点开销，但8万点规模也就两三秒，换来的是正确性，值。如果你点云特别大，百万级，可以先给关键点单独算法线，然后把关键点云同时作为输入和搜索表面直接算FPFH，但要记住这时邻域里只有关键点，radius得相应放大。
4.5 SAC-IA粗配准
有了两片点云的关键点和描述子，就可以做粗配准了。经典做法是用SAC-IA（Sample Consensus Initial Alignment），思路很像RANSAC：每一轮随机从源关键点里抽3个点，去目标描述子里做最近邻检索找对应，三对对应点能解出一个刚体变换，然后用这个变换把源关键点投影过去，统计剩余对应点的距离误差来打分，迭代若干轮取最优。
#include <pcl/registration/sample_consensus_initial_alignment.h> pcl::SampleConsensusInitialAlignment<pcl::PointXYZ, pcl::PointXYZ, pcl::FPFHSignature33> sac_ia; sac_ia.setInputSource(src_keypoints); sac_ia.setSourceFeatures(src_features); sac_ia.setInputTarget(tgt_keypoints); sac_ia.setTargetFeatures(tgt_features); sac_ia.setMinSampleDistance(3.0f * resolution); // 防止3个采样点扎堆 sac_ia.setMaxCorrespondenceDistance(10.0f * resolution); // 对应点容差 sac_ia.setMaximumIterations(500); pcl::PointCloud<pcl::PointXYZ>::Ptr coarse(new pcl::PointCloud<pcl::PointXYZ>()); sac_ia.align(*coarse); Eigen::Matrix4f T_coarse = sac_ia.getFinalTransformation(); std::cout << "SAC-IA score: " << sac_ia.getFitnessScore() << std::endl;这里两个参数最影响成败。maxCorrespondenceDistance是描述子匹配时允许的最近邻距离上限，设太小会把有效对应全拒掉，设太大又会混入误匹配。我的经验是取2倍FPFH邻域半径，也就是10倍分辨率左右。minSampleDistance是为了避免三个采样点来自同一片小区域，那样解出来的变换病态；3倍分辨率起步。迭代次数500够用，再多收益很小，主要是耗时线性增长。
SAC-IA输出的coarse是源关键点被变换后的结果，不是重点。重点在getFinalTransformation拿到的矩阵，这个矩阵要传给后面的ICP。
4.6 ICP精配准收尾
粗配准之后两片点云大致重叠，误差通常在几倍分辨率以内，这时候再上ICP就稳了。ICP基于"最近邻即对应"迭代更新变换，初值已经不错的前提下，收敛到全局最优的概率很高。
#include <pcl/registration/icp.h> pcl::IterativeClosestPoint<pcl::PointXYZ, pcl::PointXYZ> icp; icp.setInputSource(src_cloud); icp.setInputTarget(tgt_cloud); icp.setMaxCorrespondenceDistance(3.0f * resolution); icp.setMaximumIterations(100); icp.setTransformationEpsilon(1e-8); icp.setEuclideanFitnessEpsilon(1e-6); pcl::PointCloud<pcl::PointXYZ>::Ptr aligned(new pcl::PointCloud<pcl::PointXYZ>()); icp.align(*aligned, T_coarse); // 关键：传入粗配准结果做初值 float score = icp.getFitnessScore(); Eigen::Matrix4f T_final = icp.getFinalTransformation(); std::cout << "ICP fitness: " << score << std::endl;注意这里输入的是降采样后的完整点云，不是关键点。关键点数量太少，ICP对应关系不够密，精度上不去；完整点云才能把误差压到亚点距级别。ICP的maxCorrespondenceDistance我设3倍分辨率，防止误对应跑远。如果想更精细，可以用pcl::IterativeClosestPointWithNormals做点到面ICP，收敛更快、精度更好，但需要源点云带法线。
实测下来，SAC-IA粗配准的fitness score通常能到几倍分辨率的量级，ICP精细配准后score能压到0.3倍分辨率以下。这套流程对重叠率30%以上的数据基本都能跑通。
5. 参数联动与实战踩坑记录
5.1 所有参数都是连锁的，一旦改错全盘皆输
我要强调一个容易被忽视的事实：这些参数不是孤立存在的，它们是一条因果链。法线半径影响法线质量，法线质量直接决定FPFH的输入质量，FPFH邻域半径决定描述子信息量，SAC-IA的容差又必须匹配描述子的视野。任何一个环节改大改小，下游都要跟着动。
所以我才坚持"以分辨率为基准倍数"这套方法论。先花三十秒把resolution算准，然后所有半径都以它为单位取倍数，参数之间天然保持正确比例。遇到问题也别瞎调一个参数，先回到分辨率源头检查，再沿着链往下查。
5.2 法线方向不一致：FPFH匹配崩掉的隐形元凶
这是我在多个项目里反复踩过的坑。法线估计出来的方向是局部拟合给的，同一片平面在source里法线朝上，在target里可能朝下，两者的Darboux坐标系完全翻转，FPFH的α、φ、θ全部错位，描述子自然对不上。PCL里NormalEstimation提供setViewPoint和setUseSensorOriginAsViewPoint，把视点设置成传感器的实际位置，法线会被强制翻向传感器。
我做过一次定量对比：同一组数据，不设置视点时SAC-IA匹配成功概率不到两成，设置视点后直接到七成以上。如果你是深度相机数据，传感器原点就在那里，直接调用setUseSensorOriginAsViewPoint(true)最省事；如果是激光拼接数据，视点就设扫描仪所在位置。
5.3 我踩过的三个具体坑和处理过程
坑一：ISS输出几百个甚至几十个关键点。第一次我拿着接近默认的参数跑，salient_radius设得太小，邻域里没几个点就算散布矩阵，特征值几乎全是数值噪声，阈值筛掉了绝大多数点。排查办法是可视化关键点落在什么位置——如果关键点稀稀拉拉且不在棱边上，十有八九是salient_radius的问题。把4倍分辨率提到6倍，关键点数量立刻恢复正常。
坑二：SAC-IA直接报错说找不到足够的对应。当时我把maxCorrespondenceDistance设成了2倍分辨率，以为越小越精确，结果描述子距离全都超过阈值，一组合法对应都凑不出来。后来明白，这个阈值必须匹配描述子的邻域尺度，改回10倍分辨率之后一轮就出结果。
坑三：体素降采样leaf设成5倍分辨率，想着反正后面要配准，点少点快。结果棱边被抹平，ISS几乎找不到关键点，SAC-IA靠仅有的几十个点配出来的变换完全不能用。教训是：leaf最多1倍分辨率，预处理阶段省的时间会在配准阶段加倍还回去。
5.4 可视化是调参最重要的工具
最后说一个习惯：我会把每一步的中间结果都可视化出来。法线画出来看方向是否一致，关键点画出来看是否均匀分布在棱边结构上而不是贴着边界，FPFH描述子抽几个画成直方图看看形状。可视化不是浪费时间，它是让参数调整从盲人摸象变成有的放矢最快的手段。PCL自带的pcl_viewer支持同时显示多个点云，把source、target、配准结果、关键点分层显示，一眼就能看出问题在哪。
6. ISS+FPFH的边界与替代方案
6.1 什么情况下这套组合会失效
再好的组合也有边界。第一个失效场景是点云极度稀疏，比如远距离激光扫描，点间距本身就大，salient_radius再怎么调都凑不够稳定的邻域，ISS提取的关键点又少又飘。第二个是几何自相似度高的场景，比如大片的墙面、路面、重复的格栅，所有关键点的FPFH都长得差不多，描述子区分度趋近于零，SAC-IA只能靠运气。第三个是重叠区域太小，找不出足够多的同名关键点，变换估计天然不稳定。第四个是法线被噪声彻底破坏，比如强烈反光表面造成的飞点，这时应该先滤波去噪，而不是硬调参数。
6.2 关键点检测器和描述子的替代选型
如果ISS+FPFH在你的数据上不给力，下面几个方向值得试。关键点方面，Harris3D和SIFT3D是多尺度思路，对尺度变化更友好，但计算量更大；NARF专门针对深度图和范围图像，利用深度图的结构信息，检测稳定而且能同时给出主方向。描述子方面，SHOT综合了局部坐标系和直方图，描述力强于FPFH，代价是维度高、计算慢；3DSC和RoPS也各有特色，前者对密度变化鲁棒，后者需要先拟合局部曲面。
| 场景 | 建议方案 |
|---|---|
| 常规激光/深度数据、追求速度 | ISS + FPFH + SAC-IA + ICP |
| 尺度变化大、视角差异大 | Harris3D/SIFT3D + SHOT |
| 深度图/RGB-D数据 | NARF + SHOT |
| 高精度工业测量 | 全点云 + 点到面ICP（绕开特征，用鲁棒初值或人工初值） |
选型的原则很朴素：先搞清楚你的数据在哪一环让当前组合失效了。是找点不稳就去换检测器，是描述子区分度不够就去换描述子，别一次把所有组件全换掉，那样出了新问题你都不知道是谁引入的。
这篇写下来，算是把我在点云配准上最常用的一套流程做了个彻底复盘。最后再分享一个压箱底的小技巧：从分辨率出发设定所有半径基准之后，每次只调一个参数，记录下来关键点数量、匹配得分和配准误差这三个指标，形成你自己的调参对照表。数据不同，最优参数就不同，但有了这张表，下次遇到新数据你半小时就能把参数摸个八九不离十。配准这东西没有银弹，理解每个参数在干什么，比抄任何一份配置都管用。
