目录

一、概述

1.1基本思想

1.2实现步骤

二、代码实现

三、实现效果

3.1原始点云

3.2配准后点云

3.3变换矩阵

---

一、概述

        在点云配准中，SVD（Singular Value Decomposition，奇异值分解）方法是一种常用的精确计算旋转和平移变换的算法。其目标是找到一个刚体变换，使源点云和目标点云的对应点集之间的误差最小化。

1.1基本思想

1.2实现步骤

二、代码实现

import open3d as o3d
import numpy as np


def solve_transform_svd(s, t):
    P = np.asarray(s.points)
    Q = np.asarray(t.points)
    # 判断两个点集中点的个数是否一致
    if P.shape[0] !&