基于组合特征点和主成分分析的点云配准算法

摘要：

针对传统点云配准算法精度低、易产生误匹配以及后续系列改进算法中点特征较为单一对点云形状存在描述误差等问题,提出一种基于点云组合特征点和主成分分析的点云配准算法.对点云提取内部形态描述子,采用AC算法提取点云轮廓点(BDRY)组成组合特征点(ISS_BDRY);计算ISS_BDRY特征点的法线并利用快速点特征直方图进行描述,之后采用结合主成分分析改进的采样一致性初始配准算法SAC-IA来最小化点云主轴间的距离误差,进而降低点云精配准过程中的迭代次数,为后续点云配准提供良好的位姿.精配准阶段引入KD-Tree加速搜索点云的迭代最近点配准算法进行配准.实验结果表明,提取组合特征点相比于其他单点特征在Cat和Michael点云上配准精度达到10-8数量级,粗配准阶段采用组合特征法使配准精度分别提升65.19%和44.77%,精配准阶段相比于ICP、NDT、Super 4PCS等算法精度达到10-16数量级,几乎完全重合.

关键词：三维重建、点云配准、组合特征点、主成分分析

分类号：TP391(计算技术、计算机技术)

资助基金：福建省科技重大专项;福建省自然科学基金面上项目;福州市科技计划项目

在线出版日期：2023-10-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：59-63