在特征匹配算法中，点云匹配是一种常用的方法。点云匹配旨在找到两个或多个点云之间的对应关系，从而实现点云的配准或匹配。以下是一些常见的点云匹配方法：

  1. Iterative Closest Point (ICP)：ICP是一种迭代的点云匹配方法，通过最小化点云之间的平均距离来优化匹配结果。ICP的基本思想是通过最小化点云之间的距离来优化匹配的变换矩阵，直到收敛为止。

  2. Normal Distribution Transform (NDT)：NDT是一种通过构建点云的高斯分布来进行匹配的方法。NDT通过将点云表示为一个高斯分布的集合，并使用统计学方法来优化匹配结果。

  3. Random Sample Consensus (RANSAC)：RANSAC是一种基于统计学的匹配方法。它通过随机选择一小组点对来计算转换矩阵，并在一定的迭代中选择具有最大一致性的点对集合作为最佳匹配。

  4. Go-ICP：Go-ICP是一种基于全局优化的点云匹配方法。它通过将点云建模为一个全局的图结构，并使用图优化算法来最大化匹配的一致性。

  5. Feature-based Matching：特征点匹配是一种常见的点云匹配方法。它通过提取点云中的特征点（如角点、边缘等）来进行匹配。一旦找到匹配的特征点，可以使用特征之间的几何关系来计算匹配的变换矩阵。

  这些方法各有特点，适用于不同的点云匹配场景。在实践中，可以根据具体的任务和数据特点选择适合的点云匹配方法。