转载自：https://blog.csdn.net/linear_luo/article/details/52576082
1 经典ICP
ICP的目的很简单，就是求解两堆点云之间的变换关系。怎么做呢？思路很自然，既然不知道R和t(针对刚体运动)，那我们就假设为未知量呗，然后通过某些方法求解。下面我们来看看具体怎么求的～没办法，要把问题描述清楚，数学是少不了的了。假设有两堆点云，分别记为两个集合X=x1,x2,...,xm
和Y=y1,y2,...,ym
（m并不总是等于n）。然后呢，我们不失一般性的，假设两个点云之间的变换为R（旋转变换）和t（平移变换），这两个就是我们要求的东西啦～那我们将求解这个问题描述成最小化均方误差：
e(X,Y)=∑i=1m(Rxi+t−yi)2
经典的ICP方法对上面的优化问题的处理思路如下：
（1）初始化R 和 t
确定初始的R 和 t 的方法很多，如果什么方法都不知道，那随便赋一个R 和 t ，然后就迭代的算呀。随便给一个值从原理上来说也可以得到最终的一个结果呀，但是准不准就不知道了。相信有基本的优化概念的人都知道，初始值的选取很重要，如果初始值选的不好很容易收敛到一个局部最优解，然后局部最优解好不好那就另说了。ICP发展了这么多年了，当然有很多的方法来估计初始的R和t了，像PCL给的SampleConsensusInitalAlignment函数以及TransformationEstimationSVD函数都可以得到较好的初始估计。
（2）迭代
得到初始的估计后，接下来的步骤就顺理成章了：对于X中的每一个点用当前的R 和 t在Y中找最近的点（比如用欧式距离），然后这两个点就成了一对了～就这样，对所有的点都这么做一次，然后我们就得到了所有的匹配对了～然后呢，用每一对的坐标列一个方程，就得到一系列的方程。然后就求解最优的R和t最小化上面的误差。如此循环往复。
2 ICP变种
除了经典的ICP方法外，还有一些变种，如point-to-point的，point-to-plane的以及plane-to-plane的，那么这三种方法到底是啥呢？
其实很简单，就是上面的误差函数的定义不一样而已。在上面讲经典ICP的时候，求和的每一项不就是X
中的每一个点到Y中的每一个点的距离吗？那就是point-to-point了，那么将求和的每一项变成X中的每一个点到Y中的平面的距离，那就是point-to-plane了呀～类似的，如果把求和的每一项变成X中的平面到Y中的平面的距离，那就是plane-to-plane了。我们说了这么久的平面，那么平面到时是怎么定义的呢？
point-to-plane的误差函数定义为：Mopt=argminR,t∑i((R⋅xi+t−yi)⋅ni)