吴庆华，蔡琼捷思，黎志昂，刘嘉程

（1. 湖北省现代制造质量工程重点实验室，湖北武汉430064；2. 湖北工业大学机械工程学院，湖北武汉430064）

1 引 言

点云配准是虚拟现实、三维测量、机器人视觉引导等领域中的一项关键技术［1］。配准主要分为手动和自动两大类。前者是通过贴上标记，计算标记点在不同视角下的位置关系矩阵；后者是通过描述子或者形状关系，进行迭代查询最优位置关系矩阵［2］。目前，自动配准需求广泛，是点云配准的研究热点。然而，受物体表面形貌和纹理特性等因素影响，所获取的三维点云往往存在局部数据丢失、噪声和乱序等问题。这类问题会影响点云的配准精度和时效，对此许多学者开展了大量研究工作。

自动配准算法中运用最广泛的是由Besl 等提出的最近点迭代算法（Iterative Closest Point，ICP）［3］，该算法通过迭代求解出最小误差时的对应点对之间的变换关系。虽然该算法精度很高，但需要良好的初值来保证收敛性。所以，自动配准一般先采用粗配准获得初值，再用ICP 进行精配准，因此，如何将点云变换到ICP 的收敛域成为解决问题的关键［4］。Radu Bogdan Rusu 等［5］提出了快速点特征直方图（Fast Point Feature Histograms，FPFH）的特征量，以点与其邻域点法向量夹角等信息为特征构建直方图，并实现了三维点云的粗配准。该方法对大多数点云具有较高的配准精度，但耗时长，特别是对于存在异常法向量夹角等信息的缺失点云更难以收敛；Salti S［6］提出基于方向直方图的编码统计特征（Signature of Histogram of Orientation，SHOT）点云配准算法，该算法同时具有直方图特征的抗噪性和基于标签特征的鉴别性，且对旋转和尺度具有不变性，其局限性在于仅适用于含有大量不同曲率特征的缺失点云；……