宋丽梅，张继鹏，李云鹏，刘镇宁，罗 菁

（天津工业大学 天津市电气装备智能控制重点实验室，天津 300387）

1 引 言

计算机运算能力的快速提高极大地促进了机器视觉技术在各个领域的发展，三维重建技术作为其中的一项重要组成部分已经被广泛应用于逆向工程设计、工业检测与识别和人体测量等多个领域。多视图点云拼接作为三维重建技术中的研究重点，其难度远高于两两点云视图拼接，是三维重建领域研究的热点问题［1］。

非接触式三维重建技术的成像通常受到传感器视场范围的约束，所以必须将多个不同视角下的点云进行拼接才能对被测物体进行全貌成像。目前使用最多的三维点云配准方法是由Besl等人提出的ICP 算法［2］。该算法虽然有较好的鲁棒性和稳定性，但是容易陷入局部最优解，导致错误的匹配结果，并且对于特征点较少的物体，点云配准精度较低。为提高ICP 算法求解全局优化问题的工作质量，Artyom［3］等人提出了正则点云配准方法。Zhao［4］等人提出改进的3DSC-ICP 点云配准方法，在提升配准效率的同时也解决了ICP 配准算法陷入局部最优的缺点。

随着深度学习［5-6］的发展，神经网络也被应用于点云配准工作当中。Li［7］等人提出了名为VPRNet 的新型网络，用于部分到部分点云配准的深度学习网络，但网络对于大型点云的配准精度不高。Xin［8］等人提出了一种基于BP 神经网络和位移窗技术的鲁棒粗到细配准方法，降低了配准时间和空间复杂度。Chang［9］等人开发了一种估计物体相对姿态的配准结构，经过训练后，所提出的架构可以估计模型点云与数据点云之间的旋转，然后根据计算平均值进行平移估计。……