谢帅康，熊风光，2，3*，朱新杰，宋宁栋，李文清，王廷凤

（1.中北大学计算机科学与技术学院，山西 太原 030051；2.中北大学山西省视觉信息处理及智能机器人工程研究中心，山西 太原 030051；3.中北大学机器视觉与虚拟现实山西省重点实验室，山西 太原 030051）

0 引言

点云配准是计算机视觉领域的重要问题，被广泛应用于三维（3D）重建［1］、虚拟现实［2］、医学成像［3］等领域。三维点云配准技术是将来自不同视角或传感器的多个点云数据对齐并转换到同一个坐标系下的过程。然而，由于噪声、异常值、低重叠率等的影响，使得点云配准成为一个具有挑战性的问题，因此实现高精度、强鲁棒性的点云配准算法有着重要的研究意义和价值。

传统迭代最近点（ICP）算法［4］是被广泛使用的刚性点云配准算法，最小化源点云和目标点云之间点到点或平面的距离，交替更新源点云和目标点云间的对应关系和变换矩阵。然而，ICP 算法的主要缺陷是极易收敛到局部最优。为了解决该问题，YANG等［5］提出全局最优迭代最近点算法（Go-ICP），利用分支定界法缓解了ICP 存在的一些问题，但却极大地降低了配准效率。

随着计算机性能的不断提高，基于深度学习的方法对传统特征提取方式进行了改进。CHOY等［6］提出采用全卷积的特征提取网络（FCGF），使用稀疏三维（3D）卷积缓解点云稀疏性的问题，然而对具有不同旋转分布特点的点云进行配准时效果欠佳。因此，AO等［7］提出SpinNet，用于提取点云的旋转不变特征，SpinNet 由空间点转换器和特征提取器两个模块组成，使得网络能够学习具有较强鲁棒性的局部空间特征，用于点云精配准。……