李若白,陈金广

1(西安工程大学 计算机科学学院,西安 710048)

2(柯桥区西纺纺织产业创新研究院,绍兴 312030)

1 引言

利用点云数据对现实物体进行三维重建是计算机视觉领域的重要技术,已广泛应用于各行各业.Kinect[1]作为一款具有点云采集功能的设备,在文物数字化[2]、虚拟现实[3]、三维人体重建与测量[4]、逆向工程[5]等诸多领域都有应用.通过Kinect 对现实物体的表面进行多角度扫描,得到其点云数据,利用点云配准技术将不同角度的点云数据合并到统一的三维坐标系下,形成一个完整的点云数据集,从而可以得到该物体的三维数字模型.

点云配准是三维重建过程中的关键技术,目前常用的配准算法是Besl 等于1992年提出的迭代最近点(Iterative Closest Points,ICP)算法[6],该算法精度高、容易实现,但对目标点云和待配准点云的初始位置要求较高,并且在点云数量较大时,配准过程会消耗大量时间.为此,国内外研究人员在此算法的基础上进行了改进,提出了PICP (Probability ICP)[7]、MICP(Modified ICP)[8]和CICP (Cluster ICP)[9]等配准算法,这些算法虽然克服了ICP 算法的局限性,但是算法的普适性有所降低,并且对Kinect 实时采集的点云进行配准时具有较低的鲁棒性.Chen 等[10]和Zhao 等[11]提出了尺度迭代最近点 (Scaling Iterative Closest Point,SICP)算法,但在点云数量较大的情况下配准效率较低,同样不适合直接用来对Kinect 采集的原始点云进行配准.

针对上述问题,本文提出一种基于特征点法向量夹角的改进点云配准算法.该算法在点云配准之前对Kinect 采集得到的原始点云数据进行下采样和滤波处理,在保……