引言
三维激光扫描技术具有高精度、高分辨率和非接触等优点，近年来在医疗、测绘、军事、交通等众多领域得到广泛应用。由于扫描对象尺寸大或扫描角度限制等原因，三维激光扫描得到的点云数据难以一次性实现对扫描对象的完整描述，通常需要进行多次多角度点云数据采集，再通过点云配准算法对获得的多次多角度数据进行配准才能获得完整的对象描述[1-2]。这一过程中，高精度、高实时性的点云配准算法是关键。
迭代最近点(Iterative Closest Point, ICP)算法是Besl等于1992年提出的一种经典点云配准算法[3]，也是目前应用最为广泛的一种方法。ICP在多次多角度点云数据初始位置相差不大的情况下能够获得较高的配准精度，但是当初始位姿差异较大或点云重叠度较低时算法易陷入局部最优，实时性和配准精度均会出现较大程度下降[4-6]。文献[7]将全局分界支定(Branch-and-bound, BNB)方法引入ICP，提出一种具备全局优化能力的BNB-ICP点云配准算法，能够提升ICP算法对初始位置的适应性，但是算法运算效率较低；文献[8]提出一种结合快速点特征直方图(Fast Point Features Histograms, FPFH)和ICP结合的点云配准算法，利用FPFH得到点云特征点，并根据特征点实现点云粗配准，之后利用ICP进行精配准，虽然改善了配准精度，但是不适合初始位姿较差的情况；文献[9]将八叉树算法引入点云配准领域，利用八叉树建立不同姿态点云数据之间的拓扑关系，进而利用ICP完成配准，该算法运算效率较高且对结构简单对象的配准效果较好，但是不适合结果复杂对象配准；文献[10]首先计算点云数据的主方向和曲率，并根据主方向和曲率选择特征点进行粗配准，最后利用ICP进行精配准，该方法运算效率高，实时性好，但是当对象表面结构较为平滑时，即曲率特征不明显时该方法的鲁棒性较差；文献[11]将Procrustes正交分解与ICP结合，利用Procrustes对点云数据进行正交分析获得平移和旋转转换参数，进而利用ICP完成点云配准，该方法精度较高且具有较好的鲁棒性，但是对噪声敏感，不适合低信噪比情况应用。
在上述研究的基础上，本文提出一种基于点云数据局部密度提取特征点，然后利用PCA对特征点进行投影计算平移和旋转参数从而实现粗配准，最后利用ICP进行精配准的三步配准方法。利用斯坦福大学标准数据集验证了所提方法的有效性和优越性。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006405
作者信息：
马然
（广州南方测绘科技股份有限公司， 广东 广州 510000）
