赖 超

（1、北京建筑大学 测绘与城市空间信息学院,北京100044 2、北京北建大科技有限公司，北京100044）

1 概述

近年来，随着光学非接触式测量技术与三维激光扫描仪的迅速发展，丰富了数据获取途径。除了非接触式的采集数据方式，三维激光测量设备一站扫描可以获取到仪器为中心十几米甚至上百米半径的区域内的三维表面数据，具有扫描速度快、扫描精确、能准确量测被测物体真实大小等的优点。在点云数据的配准方面，有不少相关的研究，其中最经典的点云数据配准方法为ICP，但是该方法属于局部最优配准，受制于点云数据的初始状态，但是真实场景往往点云位置任意，经典方法无法解决。

2 方法介绍

迭代最近点(Iterative Closest Point, ICP)[1]是经典的数据配准方法，算法核心为最小化目标函数，通过在点云重叠区域内搜索最近点对，迭代计算除最优匹配参数。

后续有相关研究对此进行了优化，Han 等[2]通过将点云分解至多个部分进行分开配准，再根据一致性准则求解各个子部分的统一刚性变换，这种方法可以解决重叠度低的问题，但是该方法通过使用迭代最近点算法使得处理数据量较大的点云，尤其是含噪声数据时计算效率低，收敛速度慢。Yang 等[3]提出了一种全局优化的Go-ICP 方法，该方法建立在ICP 的基础之上，这种基于全局优化的ICP 方法通过找到点云之间的配准测量度量函数的全局最小值，但是增加了时间消耗，比局部最优方法耗时更久。Zhou 等[4]采用FPFH 特征描述子提出一种简单快速的匹配准则(FGR)，并通过线过程与稳健估计的方法求解点云刚性配准的问题，这种方法收敛速度快，允许有错误匹配的特征点对，且适用于大规模点云配准，但是未考虑不同尺度点云的配准问题。……