Windows10安装PCL1.14.0及点云配准

一、下载visual studio2022

下载网址：Visual Studio: 面向软件开发人员和 Teams 的 IDE 和代码编辑器 (microsoft.com)

安装的时候选择"使用C++的桌面开发“，同时可以修改文件路径，可以放在D盘。修改文件路径的时候，共享组件、工具和SDK的路径无法修改，可能是因为你之前有安装过Visual studio。可以通过以下操作解决：

1.首先WIN+R，输入regedit回车

2.按照这个顺序展开目录

HKEY_LOCAL_MACHINE
SOFTWARE
Microsoft
VisualStudio
Setup
3.右键删除SharedInstallationPath 和 CachePath，就可以修改共享组件、工具和SDK的路径了

二、安装PCL1.14.0

都是以我自己的安装路径为例

1.下载

官网下载：Releases · PointCloudLibrary/pcl · GitHub

只要下载PCL-1.14.0-AllInOne-msvc2022-win64.exe和pcl-1.14.0-pdb-msvc2022-win64.zip两个文件即可。

如果下载太慢，我这里已经下载好了：

链接：https://pan.baidu.com/s/177DvR5gOcVL7iPm4xI7s_w
提取码：wstc

2.安装

点击PCL-1.14.0-AllInOne-msvc2022-win64.exe进行安装

下一步

我接受

选择Add PCL to the system Path for all users，下一步

可以选择修改路径，我自己的路径是C:\Compiler\PCL\PCL 1.14.0，你可以选择自己的路径，不过一定要记得，因为之后配置环境变量要用到，然后下一步

没必要创建快捷方式，下一步，然后点击安装；在安装过程中，会出现提醒你变量名太长，没办法写入环境变量，这个时候你直接确定就行，等安装完成之后，自己配置环境变量。安装完成之后会出现这三个应用

把OpenNi2.2 SDK for Windows 64-bit给卸载掉，因为它有默认安装路径，即使我们修改文件安装路径，它还是安装在默认路径；卸载完之后，打开C:\Compiler\PCL\PCL 1.14.0\3rdParty\OpenNI2文件夹，发现里面有一个OpenNI-Windows-x64-2.2.msi，这是安装PCL-1.14.0-AllInOne-msvc2022-win64.exe的时候附带的，点击安装，可以帮你再次安装OpenNi2.2 SDK for Windows 64-bit，而且可以修改成自己的路径，我的路径是C:\Compiler\PCL\PCL 1.14.0\3rdParty\OpenNI2

安装完成之后就会包含这些内容

接着把pcl-1.14.0-pdb-msvc2022-win64.zip解压

把里面的所有pdb文件都复制到C:\Compiler\PCL\PCL 1.14.0\bin里面

3.配置环境变量

此电脑右键属性

点击高级系统设置

点击环境变量

确保这四个都存在，这是安装PCL-1.14.0-AllInOne-msvc2022-win64.exe的时候自动生成的，接着点击Path开始配置环境变量

C:\Compiler\PCL\PCL 1.14.0\bin
C:\Compiler\PCL\PCL 1.14.0\3rdParty\VTK\bin
C:\Compiler\PCL\PCL 1.14.0\3rdParty\OpenNI2\Tools
C:\Compiler\PCL\PCL 1.14.0\3rdParty\OpenNI2\Redist
C:\Compiler\PCL\PCL 1.14.0\3rdParty\Boost\lib
C:\Compiler\PCL\PCL 1.14.0\3rdParty\Qhull\bin
C:\Compiler\PCL\PCL 1.14.0\3rdParty\FLANN\bin

把这几个路径添加进环境变量即可。

三、创建项目

打开visual studio2022

创建新项目

选择空项目，下一步

可以修改项目名称，和位置；创建项目

右键点击源文件，添加新项，随便取个名字，点击添加（注意：我已经添加过文件了，如果是新创建的文件，源文件里面是啥也没有的）

右键点击解决方案下方的pointCloud（这个是项目名称），点击属性，就会出现这个属性页，点击VC++目录

C:\Compiler\PCL\PCL 1.14.0\3rdParty\Boost\include\boost-1_84
C:\Compiler\PCL\PCL 1.14.0\3rdParty\Eigen3\include\eigen3
C:\Compiler\PCL\PCL 1.14.0\3rdParty\FLANN\include
C:\Compiler\PCL\PCL 1.14.0\3rdParty\Qhull\include
C:\Compiler\PCL\PCL 1.14.0\3rdParty\VTK\include\vtk-9.3
C:\Compiler\PCL\PCL 1.14.0\3rdParty\OpenNI2\Include
C:\Compiler\PCL\PCL 1.14.0\include\pcl-1.14

把这些路径加入到包含目录里

C:\Compiler\PCL\PCL 1.14.0\3rdParty\FLANN\lib
C:\Compiler\PCL\PCL 1.14.0\3rdParty\Boost\lib
C:\Compiler\PCL\PCL 1.14.0\lib
C:\Compiler\PCL\PCL 1.14.0\3rdParty\VTK\lib
C:\Compiler\PCL\PCL 1.14.0\3rdParty\Qhull\lib
C:\Compiler\PCL\PCL 1.14.0\3rdParty\OpenNI2\Lib

这些路径放到库目录里

然后点击C/C++的所有选项，把SDL检查改成否

再点击C/C++的代码生成，修改启用增强指令集为高级适量扩展(X86/X64)(/arch:AVX)

BOOST_USE_WINDOWS_H
NOMINMAX
_CRT_SECURE_NO_DEPRECATE

在C/C++的预处理器里面的预处理定义增加这三行

pcl_commond.lib
pcl_featuresd.lib
pcl_filtersd.lib
pcl_iod.lib
pcl_io_plyd.lib
pcl_kdtreed.lib
pcl_keypointsd.lib
pcl_mld.lib
pcl_octreed.lib
pcl_outofcored.lib
pcl_peopled.lib
pcl_recognitiond.lib
pcl_registrationd.lib
pcl_sample_consensusd.lib
pcl_searchd.lib
pcl_segmentationd.lib
pcl_stereod.lib
pcl_surfaced.lib
pcl_trackingd.lib
pcl_visualizationd.lib
vtkcgns-9.3-gd.lib
vtkChartsCore-9.3-gd.lib
vtkCommonColor-9.3-gd.lib
vtkCommonComputationalGeometry-9.3-gd.lib
vtkCommonCore-9.3-gd.lib
vtkCommonDataModel-9.3-gd.lib
vtkCommonExecutionModel-9.3-gd.lib
vtkCommonMath-9.3-gd.lib
vtkCommonMisc-9.3-gd.lib
vtkCommonSystem-9.3-gd.lib
vtkCommonTransforms-9.3-gd.lib
vtkDICOMParser-9.3-gd.lib
vtkDomainsChemistry-9.3-gd.lib
vtkDomainsChemistryOpenGL2-9.3-gd.lib
vtkdoubleconversion-9.3-gd.lib
vtkexodusII-9.3-gd.lib
vtkexpat-9.3-gd.lib
vtkFiltersAMR-9.3-gd.lib
vtkFiltersCore-9.3-gd.lib
vtkFiltersExtraction-9.3-gd.lib
vtkFiltersFlowPaths-9.3-gd.lib
vtkFiltersGeneral-9.3-gd.lib
vtkFiltersGeneric-9.3-gd.lib
vtkFiltersGeometry-9.3-gd.lib
vtkFiltersHybrid-9.3-gd.lib
vtkFiltersHyperTree-9.3-gd.lib
vtkFiltersImaging-9.3-gd.lib
vtkFiltersModeling-9.3-gd.lib
vtkFiltersParallel-9.3-gd.lib
vtkFiltersParallelImaging-9.3-gd.lib
vtkFiltersPoints-9.3-gd.lib
vtkFiltersProgrammable-9.3-gd.lib
vtkFiltersSelection-9.3-gd.lib
vtkFiltersSMP-9.3-gd.lib
vtkFiltersSources-9.3-gd.lib
vtkFiltersStatistics-9.3-gd.lib
vtkFiltersTexture-9.3-gd.lib
vtkFiltersTopology-9.3-gd.lib
vtkFiltersVerdict-9.3-gd.lib
vtkfmt-9.3-gd.lib
vtkfreetype-9.3-gd.lib
vtkGeovisCore-9.3-gd.lib
vtkgl2ps-9.3-gd.lib
vtkglew-9.3-gd.lib
vtkhdf5-9.3-gd.lib
vtkhdf5_hl-9.3-gd.lib
vtkImagingColor-9.3-gd.lib
vtkImagingCore-9.3-gd.lib
vtkImagingFourier-9.3-gd.lib
vtkImagingGeneral-9.3-gd.lib
vtkImagingHybrid-9.3-gd.lib
vtkImagingMath-9.3-gd.lib
vtkImagingMorphological-9.3-gd.lib
vtkImagingSources-9.3-gd.lib
vtkImagingStatistics-9.3-gd.lib
vtkImagingStencil-9.3-gd.lib
vtkInfovisCore-9.3-gd.lib
vtkInfovisLayout-9.3-gd.lib
vtkInteractionImage-9.3-gd.lib
vtkInteractionStyle-9.3-gd.lib
vtkInteractionWidgets-9.3-gd.lib
vtkIOAMR-9.3-gd.lib
vtkIOAsynchronous-9.3-gd.lib
vtkIOCesium3DTiles-9.3-gd.lib
vtkIOCGNSReader-9.3-gd.lib
vtkIOChemistry-9.3-gd.lib
vtkIOCityGML-9.3-gd.lib
vtkIOCONVERGECFD-9.3-gd.lib
vtkIOCore-9.3-gd.lib
vtkIOEnSight-9.3-gd.lib
vtkIOExodus-9.3-gd.lib
vtkIOExport-9.3-gd.lib
vtkIOExportGL2PS-9.3-gd.lib
vtkIOExportPDF-9.3-gd.lib
vtkIOGeometry-9.3-gd.lib
vtkIOHDF-9.3-gd.lib
vtkIOImage-9.3-gd.lib
vtkIOImport-9.3-gd.lib
vtkIOInfovis-9.3-gd.lib
vtkIOIOSS-9.3-gd.lib
vtkIOLegacy-9.3-gd.lib
vtkIOLSDyna-9.3-gd.lib
vtkIOMINC-9.3-gd.lib
vtkIOMotionFX-9.3-gd.lib
vtkIOMovie-9.3-gd.lib
vtkIONetCDF-9.3-gd.lib
vtkIOOggTheora-9.3-gd.lib
vtkIOParallel-9.3-gd.lib
vtkIOParallelXML-9.3-gd.lib
vtkIOPLY-9.3-gd.lib
vtkIOSegY-9.3-gd.lib
vtkIOSQL-9.3-gd.lib
vtkioss-9.3-gd.lib
vtkIOTecplotTable-9.3-gd.lib
vtkIOVeraOut-9.3-gd.lib
vtkIOVideo-9.3-gd.lib
vtkIOXML-9.3-gd.lib
vtkIOXMLParser-9.3-gd.lib
vtkjpeg-9.3-gd.lib
vtkjsoncpp-9.3-gd.lib
vtkkissfft-9.3-gd.lib
vtklibharu-9.3-gd.lib
vtklibproj-9.3-gd.lib
vtklibxml2-9.3-gd.lib
vtkloguru-9.3-gd.lib
vtklz4-9.3-gd.lib
vtklzma-9.3-gd.lib
vtkmetaio-9.3-gd.lib
vtknetcdf-9.3-gd.lib
vtkogg-9.3-gd.lib
vtkParallelCore-9.3-gd.lib
vtkParallelDIY-9.3-gd.lib
vtkpng-9.3-gd.lib
vtkpugixml-9.3-gd.lib
vtkRenderingAnnotation-9.3-gd.lib
vtkRenderingContext2D-9.3-gd.lib
vtkRenderingContextOpenGL2-9.3-gd.lib
vtkRenderingCore-9.3-gd.lib
vtkRenderingFreeType-9.3-gd.lib
vtkRenderingGL2PSOpenGL2-9.3-gd.lib
vtkRenderingHyperTreeGrid-9.3-gd.lib
vtkRenderingImage-9.3-gd.lib
vtkRenderingLabel-9.3-gd.lib
vtkRenderingLICOpenGL2-9.3-gd.lib
vtkRenderingLOD-9.3-gd.lib
vtkRenderingOpenGL2-9.3-gd.lib
vtkRenderingSceneGraph-9.3-gd.lib
vtkRenderingUI-9.3-gd.lib
vtkRenderingVolume-9.3-gd.lib
vtkRenderingVolumeOpenGL2-9.3-gd.lib
vtkRenderingVtkJS-9.3-gd.lib
vtksqlite-9.3-gd.lib
vtksys-9.3-gd.lib
vtkTestingRendering-9.3-gd.lib
vtktheora-9.3-gd.lib
vtktiff-9.3-gd.lib
vtkverdict-9.3-gd.lib
vtkViewsContext2D-9.3-gd.lib
vtkViewsCore-9.3-gd.lib
vtkViewsInfovis-9.3-gd.lib
vtkWrappingTools-9.3-gd.lib
vtkzlib-9.3-gd.lib

在链接器的输入的附加依赖项里增加这些，配置完成，电脑重启，即可生效

四、点云配准

#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/features/fpfh_omp.h>
#include <pcl/io/ply_io.h>//pcd输入输出头文件
#include <pcl/registration/icp.h>//点云icp算法头文件
#include <pcl/registration/ndt.h>//点云NDT算法头文件
#include <pcl/registration/ia_ransac.h>//点云ransac迭代对齐算法(SAC-IA)算法头文件
#include <pcl/registration/gicp.h>//点云GICP算法的头文件
#include <pcl/visualization/pcl_visualizer.h>//点云可视化头文件
#include <time.h>
#include <boost/thread.hpp>
#include <pcl/features/normal_3d_omp.h>
typedef pcl::PointXYZ PointT; //重定义pcl::PointXYZ为PointT
typedef pcl::PointCloud<PointT> PointCloud; //重定义pcl::PointCloud<PointT>为PointCloud
//点云配准类型
typedef pcl::IterativeClosestPoint<pcl::PointXYZ, pcl::PointXYZ> ICP;
typedef pcl::NormalDistributionsTransform<pcl::PointXYZ, pcl::PointXYZ> NDT;
typedef pcl::SampleConsensusInitialAlignment<pcl::PointXYZ, pcl::PointXYZ, pcl::FPFHSignature33> SAC_IA;
typedef pcl::GeneralizedIterativeClosestPoint<pcl::PointXYZ, pcl::PointXYZ> GICP;
//FPFH特征
typedef pcl::FPFHEstimationOMP<pcl::PointXYZ, pcl::Normal, pcl::FPFHSignature33> FPFHEstimation;
typedef pcl::PointCloud<pcl::FPFHSignature33> FPFH;
//法线估计
typedef pcl::NormalEstimationOMP<pcl::PointXYZ, pcl::Normal> NormalEstimation;
typedef pcl::PointCloud<pcl::Normal> Normal;
typedef pcl::search::KdTree<pcl::PointXYZ> KdTreeT;

//点云可视化
void visualize_pcd(PointCloud::Ptr pcd_src,
    PointCloud::Ptr pcd_tgt,
    PointCloud::Ptr pcd_final)
{
    pcl::visualization::PCLVisualizer viewer("registration Viewer");
    // 设置背景
    viewer.setBackgroundColor(1, 1, 1);
    // 添加坐标轴到可视化对象，参数指定轴的大小（长度），这里设置为1.0单位长度
    viewer.addCoordinateSystem(0.5);
    // 设置相机位置和方向
    viewer.initCameraParameters();
    pcl::visualization::PointCloudColorHandlerCustom<PointT> src_h(pcd_src, 0, 255, 0);
    pcl::visualization::PointCloudColorHandlerCustom<PointT> tgt_h(pcd_tgt, 255, 0, 0);
    pcl::visualization::PointCloudColorHandlerCustom<PointT> final_h(pcd_final, 0, 0, 255);
    //viewer.addPointCloud(pcd_src, src_h, "source cloud");    //source绿色
    viewer.addPointCloud(pcd_tgt, tgt_h, "tgt cloud");     //target红色
    viewer.addPointCloud (pcd_final, final_h, "final cloud");  //final蓝色

    while (!viewer.wasStopped())
    {
        viewer.spinOnce(100);
        boost::this_thread::sleep(boost::posix_time::microseconds(1000));
    }
}

void printinfo(Eigen::Matrix4f icp_trans, Eigen::Matrix3f rotation, 
    Eigen::Vector3f translation, Eigen::Vector3f euler_angles_deg,
    Eigen::Quaternionf quaternion)
{
    cout.setf(ios::fixed);
    cout.precision(5);
    cout << endl << "Transformation matrix:" << endl << icp_trans << endl;//输出变换矩阵
    cout << endl << "Rotation matrix:" << endl << rotation << endl;
    cout << endl << "Translation vector:" << endl << translation << endl;
    cout << endl << "Euler Angle:" << endl;
    cout << endl << "roll(x):" << euler_angles_deg[2] << endl;
    cout << endl << "pitch(y):" << euler_angles_deg[1] << endl;
    cout << endl << "yaw(z):" << euler_angles_deg[0] << endl;
    // 输出四元数,由于欧拉角时常出现万向节，所以可以使用四元数来表示旋转，这样更精确
    cout << endl <<"Rotation quaternion: " << endl
        << "w = " << quaternion.w() << endl
        << ", x = " << quaternion.x() << endl
        << ", y = " << quaternion.y() << endl
        << ", z = " << quaternion.z() << endl;
}

void downsampling(PointCloud::Ptr cloud_src_o, PointCloud::Ptr cloud_tgt_o,
    pcl::VoxelGrid<pcl::PointXYZ>::Ptr voxel_grid)
{
    float leaf = 0.005f;
    voxel_grid->setLeafSize(leaf, leaf, leaf); // 示例叶子大小
    voxel_grid->setInputCloud(cloud_src_o);
    voxel_grid->filter(*cloud_src_o);
    voxel_grid->setInputCloud(cloud_tgt_o);
    voxel_grid->filter(*cloud_tgt_o);
}
void normalestimation(NormalEstimation ne, Normal::Ptr src_normals, 
    Normal::Ptr tgt_normals, KdTreeT::Ptr tree, 
    PointCloud::Ptr cloud_src_o, PointCloud::Ptr cloud_tgt_o)
{
     创建一个NormalEstimationOMP对象,进行法线计算;
    ne.setSearchMethod(tree);
    ne.setKSearch(20);
    ne.setInputCloud(cloud_src_o);
    ne.compute(*src_normals);
    ne.setInputCloud(cloud_tgt_o);
    ne.compute(*tgt_normals);
    cout << "原点云法线计算完成" << endl <<*src_normals << endl;
    cout << "目标点云法线计算完成" << endl << *tgt_normals << endl;
}

void fpfh_features(FPFHEstimation fpfh, FPFH::Ptr src_fpfhs,
    FPFH::Ptr tgt_fpfhs, PointCloud::Ptr cloud_src_o, 
    PointCloud::Ptr cloud_tgt_o, KdTreeT::Ptr tree, 
    Normal::Ptr src_normals, Normal::Ptr tgt_normals)
{
    fpfh.setSearchMethod(tree);
    fpfh.setRadiusSearch(0.05); // Use a radius search instead of a KdTree search
    fpfh.setInputCloud(cloud_src_o);
    fpfh.setInputNormals(src_normals);
    fpfh.compute(*src_fpfhs);
    fpfh.setInputCloud(cloud_tgt_o);
    fpfh.setInputNormals(tgt_normals);
    fpfh.compute(*tgt_fpfhs);
    cout << "原点云特征计算完成" << *src_fpfhs << endl; 
    cout << "目标点云特征计算完成" << *tgt_fpfhs << endl;
}

GICP& gicp_registration(GICP& gicp, PointCloud& final_cloud,
    PointCloud::Ptr cloud_src_o, PointCloud::Ptr cloud_tgt_o)
{
    gicp.setInputSource(cloud_src_o);
    gicp.setInputTarget(cloud_tgt_o);
    // 配准时最大迭代次数
    gicp.setMaximumIterations(50);
    // 两次变化矩阵之间的差异小于这个阈值时，就认为已经收敛，停止迭代
    gicp.setTransformationEpsilon(1e-6);
    // 对应点之间的最大距离
    gicp.setMaxCorrespondenceDistance(0.05);
    // 采用随机采样一致性方法进行配准
    gicp.setRANSACOutlierRejectionThreshold(1.5);
    // 最小内点比例。在RANSAC配准方法中，当内点的比例小于此值时，认为配准失败。
    gicp.setRANSACIterations(20);
    // 执行配准，并将结果存储在Final中
    gicp.align(final_cloud);
    return gicp;

}
SAC_IA& sacia_registration(SAC_IA & sac_ia, PointCloud& final_cloud,
    PointCloud::Ptr cloud_src_o, PointCloud::Ptr cloud_tgt_o,
    FPFH::Ptr & src_fpfhs, FPFH::Ptr& tgt_fpfhs)
{
    sac_ia.setInputSource(cloud_src_o);
    sac_ia.setSourceFeatures(src_fpfhs);
    sac_ia.setInputTarget(cloud_tgt_o);
    sac_ia.setTargetFeatures(tgt_fpfhs);
    // 设置SAC-IA配准的参数
    sac_ia.setMinSampleDistance(0.05f);
    sac_ia.setMaxCorrespondenceDistance(0.01f);
    sac_ia.setMaximumIterations(500);
    // 创建一个空的PointCloud对象来接收结果
    pcl::PointCloud<pcl::PointXYZ> final_registration;
    // 执行配准，并将结果存储在final_registration中
    sac_ia.align(final_registration);
    return sac_ia;
}
NDT& ndt_registration(NDT & ndt, PointCloud& final_cloud,
    PointCloud::Ptr cloud_src_o, PointCloud::Ptr cloud_tgt_o)
{
    // 配置NDT
    ndt.setTransformationEpsilon(0.1);
    ndt.setStepSize(0.5);
    ndt.setResolution(2.0);
    ndt.setMaximumIterations(20);
    ndt.setInputSource(cloud_src_o);
    ndt.setInputTarget(cloud_tgt_o);
    ndt.align(final_cloud);
    return ndt;
}

ICP& icp_registration(ICP & icp, PointCloud & final_cloud, 
    PointCloud::Ptr cloud_src_o, PointCloud::Ptr cloud_tgt_o)
{
    icp.setMaximumIterations(50);
    // 两次变化矩阵之间的差值
    icp.setTransformationEpsilon(1e-10);
    // 均方误差
    icp.setEuclideanFitnessEpsilon(0.01);
    icp.setInputSource(cloud_src_o);//录入source点云
    icp.setInputTarget(cloud_tgt_o);//录入target点云
    icp.align(final_cloud);//最终配准结果
    return icp;
}
int main(int argc, char** argv)
{
    //加载点云文件
    PointCloud::Ptr cloud_src_o(new pcl::PointCloud<pcl::PointXYZ>);//原点云，待配准
    pcl::io::loadPLYFile("ply/bun_zipper.ply", *cloud_src_o);
    PointCloud::Ptr cloud_tgt_o(new pcl::PointCloud<pcl::PointXYZ>);//目标点云
    pcl::io::loadPLYFile("ply/bun_zipper2.ply", *cloud_tgt_o);
    clock_t start = clock();

    //下采样
    pcl::VoxelGrid<pcl::PointXYZ>::Ptr voxel_grid(new pcl::VoxelGrid<pcl::PointXYZ>);
    downsampling(cloud_src_o, cloud_tgt_o, voxel_grid);


     创建一个NormalEstimationOMP对象,进行法线计算
    NormalEstimation ne;
    Normal::Ptr src_normals(new pcl::PointCloud<pcl::Normal>);
    Normal::Ptr tgt_normals(new pcl::PointCloud<pcl::Normal>);
    KdTreeT::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
    normalestimation(ne, src_normals, tgt_normals, tree, cloud_src_o, cloud_tgt_o);
    
    //计算FPFH特征
    /*FPFHEstimation fpfh;
    FPFH::Ptr src_fpfhs(new pcl::PointCloud<pcl::FPFHSignature33>());
    FPFH::Ptr tgt_fpfhs(new pcl::PointCloud<pcl::FPFHSignature33>());
    fpfh_features(fpfh, src_fpfhs, tgt_fpfhs, cloud_src_o, cloud_tgt_o, tree, src_normals, tgt_normals);*/


    // 点云配准
    PointCloud::Ptr icp_result(new pcl::PointCloud<pcl::PointXYZ>);
    PointCloud final_cloud;
    ICP icp;
    ICP & reg_p = icp_registration(icp, final_cloud, cloud_src_o, cloud_tgt_o);

    /*NDT ndt;
    NDT & reg_p = ndt_registration(ndt, final_cloud, cloud_src_o, cloud_tgt_o);*/

    /*GICP gicp;
    GICP& reg_p = gicp_registration(gicp, final_cloud, cloud_src_o, cloud_tgt_o);*/

    //SAC_IA sac_ia;
    //SAC_IA& reg_p = sacia_registration(sac_ia, final_cloud, cloud_src_o, cloud_tgt_o, src_fpfhs, tgt_fpfhs);
    clock_t end = clock();
    cout << "total time: " << (double)(end - start) / (double)CLOCKS_PER_SEC << " s" << endl;//输出配准所用时间
    cout << "ICP has converged:" << reg_p.hasConverged() << " score: " << reg_p.getFitnessScore() << std::endl;
    
    Eigen::Matrix4f reg_p_trans;
    // 变换矩阵
    reg_p_trans = reg_p.getFinalTransformation();
    // 平移向量
    Eigen::Vector3f translation = reg_p_trans.block<3, 1>(0, 3);
    // 旋转矩阵
    Eigen::Matrix3f rotation = reg_p_trans.block<3, 3>(0, 0);
    // 转换为四元数
    Eigen::Quaternionf quaternion(rotation);
    // 使用四元数重新计算欧拉角
    Eigen::Vector3f euler_angles_rad = quaternion.toRotationMatrix().eulerAngles(2, 1, 0);
    
     获取欧拉角（弧度）
    //Eigen::Vector3f euler_angles_rad = rotation.eulerAngles(0, 1, 2);
    // 将弧度转换为角度
    Eigen::Vector3f euler_angles_deg = euler_angles_rad * 180.0 / M_PI;
    printinfo(reg_p_trans, rotation, translation, euler_angles_deg, quaternion);
    //使用创建的变换对未过滤的输入点云进行变换
    pcl::transformPointCloud(*cloud_src_o, *icp_result, reg_p_trans);

    visualize_pcd(cloud_src_o, cloud_tgt_o, icp_result);
    return (0);
}

这里面有四种点云配准方法，ICP，NDT，GICP，SAC-IA，其中使用SAC-IA的时候要把fpfh计算的代码解开注释，其他算法使用的时候不需要解开fpfh计算的代码；提醒下，fpfh和SAC-IA计算较为缓慢，出结果需要四五分钟

这份配准所需点云文件链接：

链接：https://pan.baidu.com/s/1QduGSfYcMN2MLRa08e0eSg
提取码：wstc

五、未来如果你要用PCL做某些大型项目，可能会遇到 fatal error C1128: 节数超过对象文件格式限制: 请使用 /bigobj 进行编译，这种问题，解决方法：

打开该项目的“属性页”对话框，单击“C/C++”项，单击“命令行”属性页，在“附加选项”框中键入编译器选项,添加 /bigobj，再次编译即可。

在 Visual Studio 中使用 /bigobj 编译选项的主要好处是允许生成更大的对象文件。这是通过扩展 COFF（Common Object File Format）的限制来实现的。以下是 /bigobj 选项的一些具体好处：

增加节的数量限制： 正常情况下，COFF 格式的对象文件有限制，例如节的数量不能超过 2^16-1（65535）。使用 /bigobj 可以将这个限制提高到 2^32-1（约 4.29 亿），这对于包含大量代码的大型项目非常有用。
提供更多的符号： 对于有大量符号（例如函数、变量、模板实例化）的代码，/bigobj 也提供了更多的符号支持。
处理复杂的模板： 使用大量模板特化和模板元编程的 C++ 代码可能会生成非常大的对象文件。/bigobj 让编译器能够处理这些复杂的模板情况。
适用于大型项目： 对于非常大的项目，尤其是那些有大量源代码文件或者是由多个库组合而成的项目，使用 /bigobj 选项可以避免在编译过程中出现对象文件格式限制的错误。