孙志亮，张荣国，赵 建，李富萍，胡 静

(太原科技大学 计算机科学与技术学院，太原 030024)

三维重建的目标是高质量地捕捉物体和场景的三维形状和外观[1]，在景物深度信息已知的条件下，只需要经过点云数据的配准及融合，即可实现景物的三维重建。点云配准的目标是将一个点云与另一个点云对齐来估计最佳的相对变换，是计算机视觉、计算机图形学和移动机器人学中的一项基础性工作。在大多数情况下，点云是通过扫描设备从不同的视角捕捉到的，所得到的点云不可避免地会有噪声和外点。同时由于部分重叠和遮挡，点云之间也存在对应位置缺失。因此，点云配准在许多实际应用中仍然是一个具有挑战性的问题。

解决配准问题的经典解决方案是迭代最近点(Iterative Closest Point，ICP)算法及其变体。ICP假设一对一的对应关系，并通过最小化对应点距离，迭代地建立最近邻对应关系。由于ICP算法概念简单，在实际应用中性能良好，出现了大量基于ICP的改进和应用[2]。然而，ICP算法在面对大量外点、噪声和对应位置缺失时，通常会陷入局部最优。因此，大量的工作使用概率模型处理噪声和外点，并通过建立一对多的对应提高算法的鲁棒性和配准精度[3-9]。

大多数概率配准方法使用高斯混合模型GMM(Gaussian Mixture Mode)，关键在于其概念简单并且对噪声鲁棒。基于GMM的配准方法通常将两个点云的配准问题看作概率密度估计问题，将一个点云视为GMM质心，然后通过估计目标函数的最大似然实现配准，如CPD、HGM和FilterReg.最近BCPD针对CPD中的收敛性和效率问题做出改进，在变分贝叶斯推理下实现配准。……