Sparse Point Registration （SPR）是一篇2017年的点云配准算法，该算法的主要目的是对稀疏点云进行配准，并且取得了不错的成果和突破。本文一方面是对SPR配准算法模型进行了简单的原理解析以及附加代码实现，另一方面是对之前工作的总结，也算水篇博文，接下来的工作主要就是分割和光流预测方面的学习了。

一.算法模型概述

1.算法背景

        所谓稀疏点云就是点数稀少的点云模型，有时我们需要用到一些物体上的关键点来和目标模型进行配准，计算一些关键指标。而传统的点云配准算法要求待配准的两片点云数量级相当，并且还包括粗配准和精配准两个阶段。经实验可得，传统点云配准算法在稀疏点云配准上表现较差，因此稀疏点云配准十分关键。

 2.算法模型 

        SPR算法不需要进行粗配准就可以实现效果较好的稀疏点云配准效果，该算法的核心思想主要包括扰动、迭代、细化三个部分。SPR算法模型包括以下步骤：

• 初始化目标模型点云数据A，稀疏点云数据B，最大迭代次数MaxIterations，配准误差阈值Threshold、扰动次数P
• 根据点云Size和高斯分布计算当前迭代的扰动量（扰动量随着迭代次数不断减小，最后减小到零）获取P个扰动扰动变换矩阵，然后对当前B点云进行