你搜到这找资料是希望能找到讲的明白的，希望我能把一个知识点讲明白
两幅点云配准后我们希望知道配准的好不好，为什么需要知道，因为如果自动化产线里匹配不好出现频率太高，良品率就下去了，谁会买这样的产线呢？如果知道匹配不行，至少我们还有办法去做补救。
根据我的经验，一种通过已知旋转平移矩阵再去评判配准的变换矩阵是否精确，用于算法精度测试，需要一个可读数的旋转平移平台机构；有一种用的比较多，是通过可视化或者配准结果保存，通过肉眼判断结果好坏，这两种都是需要人工参与，对于自动化而言，自动校验结果怎么办呢？
还是有办法的，办法还挺多的，就是今天的主角——假设校验。提到假设校验，不得不提到True Positive/True Negative/False Positive/False Negative，从字面你也能理解是啥意思了，不懂请看FP,FN,TP,TN
假设校验算是三维点云识别的范畴，推荐文章Point Cloud Library Three-Dimensional Object Recognition and 6 DoF Pose Estimation
PCL提出四种校验
1. Hypotheses Verification，一次只校验一个假设： CAD-Model Recognition and 6DOF Pose Estimation Using 3D Cues；
bool PCLAlgorithm::HypothesesVerification(const PointCloudXYZ &target, const PointCloudXYZ &cloud_registration) { if(target.size() > 0 && cloud_registration.size() > 0) { std::vector<PointCloudXYZ::ConstPtr> registered_instances; registered_instances.push_back(cloud_registration.makeShared()); std::vector<bool> hypotheses_mask; // Mask Vector to identify positive hypotheses boost::shared_ptr<pcl::HypothesisVerification<pcl::PointXYZ, pcl::PointXYZ>> Hv; Hv->setSceneCloud (target.makeShared()); // Scene Cloud Hv->addModels (registered_instances, true); //Models to verify Hv->setResolution (0.001f); Hv->setInlierThreshold (0.001f); Hv->setOcclusionThreshold (0.001f); //遮挡阈值 Hv->verify (); Hv->getMask (hypotheses_mask); // i-element TRUE if hvModels[i] verifies hypotheses if(hypotheses_mask[0]) { PCL_INFO("Good registration! \n"); return hypotheses_mask[0]; } else { PCL_ERROR("Wrong registration! \n"); return false; } } else { PCL_ERROR("No data after registration! \n"); return false; } }2.Global Hypotheses Verification，是第1种的升级版，一次校验多个假设，PCL官网教程和博客上代码非常多，这里不再赘述：A Global Hypotheses Verification Method for 3D Object Recognition；
3. Greedy Verification，贪婪，数据结构和算法里的经典算法之一；
4. Papazov Hypotheses Verification，通过RANSAC
更新中。。。
