零特征值的特征向量Pt1_EvrmPt2_Evrmm123作为主元，原空间的样本就可以用低维主元子空间来描述。第五步：顺序以三维主元矢量方向为矩阵行建立两个转换矩阵TR1TR2
RExx其特征值即λi≥λi1按降序排列，对
T
应的特征向量分别为ω1ω2ω
。寻找正交矩阵W，使得W对x变换后的矩阵为对角矩阵：
Pt1_Evr1xPt1_Evr1yPt1_Evr1zTR1Pt1_Evr2xPt1_Evr2yPt1_Evr2zPt1_Evr3xPt1_Evr3yPt1_Evr3zPt2_Evr1xPt2_Evr1yPt2_Evr1zTR2Pt2_Evr2xPt2_Evr2yPt2_Evr2zPt2_Evr3xPt2_Evr3yPt2_Evr3z
第六步：将目标点集Pt1和参考点集Pt2分别在主元空间内表示生成新的点集Pt1’和Pt2’_temp
Wω1ω2ω
T，ωiωj1ij0ij
T
则yjωjx，j12…
其中yj为向量x在单位向
T
量ω1表示的主方向上的投影，即是主元。通过选取m个较大特征值对应的特征向量，从而将高维向量xR
转换为低维向量yRmm
。
Pt1TR1Pt1，Pt2_tempTR2Pt2
计算两片点集之间的平移矩阵T1Wpt2Wpt1将主元坐标系下的两片点集重心重合得到最后需要的点集：Pt1’Pt2’Pt2’_tempT1本系统以此原理为基础，通过交互式的方式大致选取两片点云重叠部分作为目标点集和参考点集，如图1所示，左右两图分别是需要配准的两片局部点云，图ab是选取的部分重叠采样数据分别存储为目标点集Pt1xiyizi和参考点集Pt2xjyjzj。图1需配准部分数据系统采样界面图
第一步：得到数据采样需要配准的三维点集对作为目标点集Pt1xiyizi和参考点集Pt2xjyjzj，两片点集中点的个数分别是Ni和Nj。第二步：计算目标点集Pt1和参考点集Pt2的重心：
Wpt1
1Ni
∑Pt1
i1
Nj
Ni
i
Wpt2
1Nj
∑Pt1
j1
j
f经过初步的定位配准，大概将两片点云进行了比对，但由于三维几何模型复杂性及配准精度的需求，所以在大概配准后还需要作微调校准的工作，
22改进ICP算法用于精拼传统的ICP（iterativeclosestpoi
t）算法7限制性强，受初始位姿的限制，不适用于两片距离较远的点云，另外收敛速度慢，效率不高。因此许多学者提出了改进的ICP算法。文献10提出了一种ICLiterativeclosestli
e算法，通过直接对两个点云中的点连线并寻找对应线段进行配准，但存在无法保证线段之间的对应关系的缺陷；文献11使用第一个曲面在该点的法向面做为距离度量函数，由于不同的对应控制点对的强约束限制互相矛盾，因此算法收敛速度比较慢；文献12使r