宋成航 李晋儒 刘冠杰

(山东科技大学 测绘科学与工程学院, 山东 青岛 266590)

0 引言

随着点云数据处理技术和计算辅助设计技术的不断进步,点云配准技术成为计算机视觉和图像处理的重要研究方向。该技术在三维重建[1]、医学[2]、计算机视觉[3]等领域得到广泛的应用。目前,应用最广泛的点云配准方法是由Besl和Mckay等[4]于1992年提出的最近点迭代算法(Iterative Closest Point,ICP),该算法的基本原理是在两组点云数据之间寻找对应点对集,通过不断迭代计算两片点云之间的变换矩阵,获取目标点云集和源点云集之间的对应关系[5]。传统的ICP算法存在计算效率低和配准初始位置要求高,容易陷入局部最优等问题。因此,相关学者大多采用初始配准的方法获得良好的初始位置,并在传统ICP方法的基础上进行大量的改进算法研究。根据两片点云表面局部几何特征查找点对点的对应关系,例如旋转图像(Spin Images,SI)[6]、方向直方图特征(Signature of Histograms of Orientations,SHOT)[7]、点特征直方图(Point Feature Histograms,PFH)[8]及改进的快速点特征直方图(Fast Point Feature Histogram,FPFH)[8-9]等,但对于密度较大的点云,计算每个点的特征,很大程度影响点云的配准效率。文献[10]通过采样一致性算法(Sample Consensus Initial Alignment,SAC-IA)对两片点云的特征点进行配准;文献[11]基于全局搜索对应点利用四点法(4-Points Congruent Sets,4PCS)算法进行点云配准文献[12]提出一种正态分布变换(Normal Distribution Transform,NDT)算法点云配准方法。这些方法配准效率高,但是稳定性差,配准精度低。

根据上述配准方法存在的问题,本文提出一种基于特征点采样一致性改进ICP算法点云配准方法。首先将2片点云数据体……