0 引言
最近项目中用到了基于PCL开发的基于平面的点云和CAD模型的配准算法，涉及到19个参数，分列如下。
1 参数及其意义介绍
（1）点云下采样
1. 参数：leafsize
2. 意义：Voxel Grid的leafsize参数，物理意义是下采样网格的大小，直接影响处理后点云密集程度，并对后期各种算法的处理速度产生直接影响。
3. 值越大，点云密度越低，处理速度越快；值越小，点云密度越高，处理速度越慢。通常保持这个值，使得其他的与点数有关的参数可以比较稳定而不作大的改动。
4. 对应的代码：
PointCloudPtr cloud(new pointCloud); ParameterReader pd(ParameterFilePath); double leafsize = stod(pd.getData("leafsize")); pcl::VoxelGrid<PointT> sor; sor.setInputCloud(CRTP::cloud_org); sor.setLeafSize(leafsize, leafsize, leafsize); sor.filter(*cloud);
（2）点云法线估计
1. 参数：Ksearch
2. 意义：估计法线时邻域内点的个数
3. 值越小，对点云的轮廓描述越精细；值越大，对点云的轮廓描述越粗糙。
4. 对应的代码：
ParameterReader pd(ParameterFilePath); pcl::NormalEstimation<PointT, pcl::Normal> ne; pcl::PointCloud<pcl::Normal>::Ptr mynormals(new pcl::PointCloud<pcl::Normal>); pcl::search::KdTree<PointT>::Ptr tree(new pcl::search::KdTree<PointT>); tree->setInputCloud(cloud_filter); ne.setInputCloud(cloud_filter); ne.setSearchMethod(tree); ne.setKSearch(stoi(pd.getData("Ksearch"))); ne.compute(*mynormals);
原文：https://www.cnblogs.com/ghjnwk/p/10178975.html