本節我們將介紹如何使用正態分佈變換演算法來確定兩個大型點雲（都超過100,000個點）之間的剛體變換。正態分佈變換演算法是一個配准算法，它應用於三維點的統計模型，使用標準最優化技術來確定兩個點雲間的最優的匹配，因為其在配準過程中不利用對應點的特徵計算和匹配，所以時間比其他方法快，更多關於正態分佈變換演算法的詳細的資訊，請看Martin Magnusson博士的博士畢業論文“The Three-Dimensional Normal Distributions Transform – an Efficient Representation for Registration, Surface Analysis, and Loop Detection”
官方教程

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.
 
h>
#include <pcl/registration/ndt.h>
#include <pcl/filters/approximate_voxel_grid.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>
int
main(int argc, char** argv)
{
    //載入房間的第一次掃描
    pcl::PointCloud<pcl::PointXYZ>::Ptr target_cloud(new pcl::PointCloud
 
<pcl::PointXYZ>);
    if (pcl::io::loadPCDFile<pcl::PointXYZ>("room_scan1.pcd", *target_cloud) == -1)
    {
        PCL_ERROR("Couldn't read file room_scan1.pcd \n");
        return (-1);
    }
    std::cout << "Loaded " << target_cloud->size() << " data points from room_scan1.pcd" << std::endl;
    //載入從新視角得到的房間的第二次掃描
    pcl::PointCloud<pcl::PointXYZ>::Ptr input_cloud(new pcl::PointCloud<pcl::PointXYZ>);
    if (pcl::io::loadPCDFile<pcl::PointXYZ>("room_scan2.pcd", *input_cloud) == -1)
    {
        PCL_ERROR("Couldn't read file room_scan2.pcd \n");
        return (-1);
    }
    std::cout << "Loaded " << input_cloud->size() << " data points from room_scan2.pcd" << std::endl;
    //將輸入的掃描過濾到原始尺寸的大概10%以提高匹配的速度。
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::ApproximateVoxelGrid<pcl::PointXYZ> approximate_voxel_filter;
    approximate_voxel_filter.setLeafSize(0.2, 0.2, 0.2);
    approximate_voxel_filter.setInputCloud(input_cloud);
    approximate_voxel_filter.filter(*filtered_cloud);
    std::cout << "Filtered cloud contains " << filtered_cloud->size()
        << " data points from room_scan2.pcd" << std::endl;
    //初始化正態分佈變換（NDT）
    pcl::NormalDistributionsTransform<pcl::PointXYZ, pcl::PointXYZ> ndt;
    //設定依賴尺度NDT引數
    //為終止條件設定最小轉換差異
    ndt.setTransformationEpsilon(0.01);
    //為More-Thuente線搜尋設定最大步長
    ndt.setStepSize(0.1);
    //設定NDT網格結構的解析度（VoxelGridCovariance）
    ndt.setResolution(1.0);
    //設定匹配迭代的最大次數
    ndt.setMaximumIterations(35);
    // 設定要配準的點雲
    ndt.setInputCloud(filtered_cloud);
    //設定點雲配準目標
    ndt.setInputTarget(target_cloud);
    //設定使用機器人測距法得到的初始對準估計結果
    Eigen::AngleAxisf init_rotation(0.6931, Eigen::Vector3f::UnitZ());
    Eigen::Translation3f init_translation(1.79387, 0.720047, 0);
    Eigen::Matrix4f init_guess = (init_translation * init_rotation).matrix();
    //計算需要的剛體變換以便將輸入的點雲匹配到目標點雲
    pcl::PointCloud<pcl::PointXYZ>::Ptr output_cloud(new pcl::PointCloud<pcl::PointXYZ>);
    ndt.align(*output_cloud, init_guess);
    std::cout << "Normal Distributions Transform has converged:" << ndt.hasConverged()
        << " score: " << ndt.getFitnessScore() << std::endl;
    //使用建立的變換對未過濾的輸入點雲進行變換
    pcl::transformPointCloud(*input_cloud, *output_cloud, ndt.getFinalTransformation());
    //儲存轉換的輸入點雲
    pcl::io::savePCDFileASCII("room_scan2_transformed.pcd", *output_cloud);
    // 初始化點雲視覺化介面
    boost::shared_ptr<pcl::visualization::PCLVisualizer>
        viewer_final(new pcl::visualization::PCLVisualizer("3D Viewer"));
    viewer_final->setBackgroundColor(0, 0, 0);
    //對目標點雲著色（紅色）並可視化
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>
        target_color(target_cloud, 255, 0, 0);
    viewer_final->addPointCloud<pcl::PointXYZ>(target_cloud, target_color, "target cloud");
    viewer_final->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE,
        1, "target cloud");
    //對轉換後的目標點雲著色（綠色）並可視化
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>
        output_color(output_cloud, 0, 255, 0);
    viewer_final->addPointCloud<pcl::PointXYZ>(output_cloud, output_color, "output cloud");
    viewer_final->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE,
        1, "output cloud");
    // 啟動視覺化
    viewer_final->addCoordinateSystem(1.0);
    viewer_final->initCameraParameters();
    //等待直到視覺化視窗關閉。
    while (!viewer_final->wasStopped())
    {
        viewer_final->spinOnce(100);
        boost::this_thread::sleep(boost::posix_time::microseconds(100000));
    }
    return (0);
}

例程中先用立方體方法精簡模型，並根據掃描房間的時候機器人給出的估計轉換矩陣輸入到NDT作為猜測值。