李 灿 孙 未 张力云

(成都理工大学核技术与自动化工程学院 四川 成都 610059)

0 引 言

点云配准技术是一种重要的数字检测技术，现已蓬勃发展并广泛运用于各个行业，如计算机视觉、高精度加工、无损检测、虚拟现实等[1-4]。通过三维扫描仪对物体表面进行多角度扫描，得到不同视角下的三维点云数据，再将所得的点云数据进行配准，即可得到完整的模型。Besl等[5]提出的最近点迭代(Iterative Closest Point,ICP)算法广泛运用于点云配准中，作为经典的配准算法，其主要手段是通过寻找两个点集的对应点，并计算其变换矩阵，但该算法容易陷入局部最小值并且效率不高[6-7]。

由于ICP算法存在的部分缺陷，众多学者都提出了各种各样的改进算法来减小配准误差和提高配准效率。Bae[8]提出基于曲率和法向变化率的几何基本最近点迭代(GP-ICP)算法，该算法使得ICP算法对迭代初始值的要求降低。Ying等[9]提出基于七维空间迭代的Scale-ICP算法，虽然其收敛速度较快，但对迭代过程非常依赖且仅能应用于点云整体存在相似变换的情况。Sharp等[10]提出的最近点迭代(ICPIF)算法主要利用不变特征配准，该算法可实现局部重叠的点云配准，但是在理论上对点云数据缺失情况下的配准很难实现。

本文提出一种基于高斯似然估计因子分析的点云配准算法。将点云配准的数学公式模型扩展为因子分析模型，这样便将点云配准转化为对因子模型参数的求解；采用多元高斯函数对点云数据进行逼近，并通过EM算法求解出因子载荷矩阵，再利用所求得的因子载荷矩阵完成对点云的配准。……