PPF算法原理解析
首先需要指出容易混淆的地方：（1）一个是实际场景中的物体S（位姿未知），一个是已知位姿的该物体M，然后算法的目的之一是求解场景中该物体的位姿；（2）ppf特征F，一个键值可能对应一些列的点对集，并非只对应一个，即满足某些几何关系的点对集可能有许多组；
**第一步：**计算模型（位姿已知）的PPF特征，模型中所有点对都需要计算一遍，PPF特征计算规则如下：
**第二步：**将上述计算得到的所有F值与对应的点对集，放入一张Hash表中，注意！！此处Hash表中的所有PPF特征是基于 已知物体 的点对集计算得到的，并且一个F值可能对应许多点对，因为它们的几何关系可能正好相同。
**第三步：**选取实际场景中该物体表面上的一点Sr（假设选择的点就是表面上的一点），然后计算其与剩余点的PPF特征，得到一系列F（Sr, Si）
**第四步：**以其中某个F值进行讲解，F（Sr, S1）通过查找已经建立好的Hash表，会在表中找到相似的F值以及与之对应的多组点对集（Mr1, mi）（Mr2,mi）等等。
注意：此时已经开始记录 Mri 的次数了，即场景中Sr这点，到底对应已知模型中哪个Mr呢？
与此同时，针对某一组（Mr1,m1），将Sr与Mr1在空间中重合放置，同时将两组点对的法向量重合放置，此时另外一点边大概率是不会重合的，因此可以计算出旋转角度A后，可以重合。
此时，针对F（Sr, S1）这一个PPF特征，我们会在Hash表中得到，许多可能的Mri的出现频次，以及一系列旋转角度A，均作为之后投票的依据；
而有许多许多组的F（Sr, Si）需要经过同样的处理步骤，由此就可以有所谓的投票；对Mri出现的情况以及旋转角度A出现的情况进行统计，就可以得到最优的（Mr, A）
注意：这个（Mr, A）就是最有可能，是实际场景中Sr与已知模型M中一一对应的点 Sr------Mr，而这个旋转角度A就是，针对Sr和Mr这两点，它们的旋转角度的差，即能够得到实际场景中物体的位姿了。