汪 霖，郭佳琛，张 璞，万 腾，刘 成，杜少毅

(1.西北大学 信息科学与技术学院,陕西 西安 710127;2.西安交通大学 人工智能学院,陕西 西安 710149)

对于不同光照、角度等条件下获取的两个三维点云,其刚体配准的目的是建立两个点云间的空间对应关系，并寻找它们之间的最优刚体变换关系[1],从而对齐空间中的两个点云。三维点云刚体配准广泛应用于智能机器人、无人车、医学和文物保护等领域[2-5]。

为了求解上述优化问题,Besl和Mckay于1992年提出了迭代最近点(iterative closest point,ICP)算法[6],其在解决噪声较小的刚体点云配准问题中具有一定的精度和速度优势。由于ICP算法要求点云是完全对应的,因此该算法对于含有噪声和外点的点云数据进行配准时,其配准精度较低。针对ICP算法在点云配准方面的不足,一些学者提出了其改进方法。Bae等人通过点云曲率的计算,构成空间内各点与其邻域点的协方差式,以提高匹配的收敛速度[7]；Zhang等人提出将噪声点进行删除处理,以提高刚体配准的鲁棒性[8]；Yang等人在分支定界的基础上,增加了点云运动特征信息,一定程度上改进了配准效率[9]；Luo等人通过距离视差的计算提高了ICP算法的配准精度[10]；Guan等人采用体素点阵对点云数据进行重采样[11],并使用kd-tree对点云对应关系进行优化[12],以提高ICP算法的配准精度。随着深度相机的发展,RGB-D点云的配准也逐渐受到学者的关注。MEN等人利用点云位置坐标结合色调信息,提出了四维ICP算法,但是该方法对噪声和外点的鲁棒性较差[13]；Korn等人利用Lab颜色信息对ICP算法进行改进,利用kd-tree搜索办法提高点云的匹配度,但该方法对采集环境的光照有一定要求,对于光照变化较大的场景其点云配准精度较低[14]；……