有关点云刚体变换的操作(这个就不介绍了)；
基于PCA的点云的形状参数获取：
将点云整体看作一个椭球体，利用PCA分解获取椭球体的3个轴的方向；
这样有什么应用？
- 排列成直线的点云方向获取：最长轴方向
- 点云排列成平面时，计算平面法向量：最短轴方向
计算方法：
1. 计算“协方差矩阵”
在面对这么多点云，可能有的点云的是噪点，那么这就涉及到权重了，那么什么时候考虑权重呢？
- 不同位置点误差不同，可信度不同
（比如：对远距离物体，或者低反光物体测距准确度下降）
- 对整个点云的局部形状进行计算
（比如M计算曲面上某点局部的法向量方向，以该点为中心，距离它越远的点
对形状的“贡献”越小）
改进措施如下：
点云形状拟合——直线拟合（PCA）
上面介绍的PCA的应用，这边具体介绍下。
直线的参数模型：
计算方法：
点云形状拟合——平面拟合（PCA）
参数模型：
计算方法：
然后平面拟合和有一种利用最小二乘拟合求解的方式，就不说了。
平面参数计算——矢量叉乘
利用的是，向量叉乘的原理：
这里如果使用叉乘求解法向量，对于点云的排序，需要以传感器图像的限速顺列点云
形成了一个cols*rows*3的数组。
最后得到归一化的坐标。
如果有噪声，还要提前进行滤波。
还有就是最常见的一种：噪声条件下，用KNN加PCA检测平面法向量
点云形状拟合——多项式曲面参数拟合（LS）
由于自己写过相关的论文，所以这边的细节就不多说了。
这里需要知道怎么求解就可以，一个是使用SVD分解，一个是特征值分解。
对应球面拟合
还有一个圆环检测，这个首先需要知道，怎么求解点到直线的投影，以及点到平面的投影，投影的过程实际上是，寻找最短距离的过程