王 勇,黎 春,何養(yǎng)明,陳薈西

(重慶理工大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院,重慶 400054)E-mail:2351583604@qq.com

1 引 言

點(diǎn)云自動(dòng)配準(zhǔn)方法一般分為粗配準(zhǔn)和精配準(zhǔn)兩步.粗配準(zhǔn)方法包括標(biāo)志點(diǎn)法、重心重合法、特征提取法等方法[1,2].標(biāo)志點(diǎn)法需要人為貼上標(biāo)志點(diǎn),但人為因素會(huì)導(dǎo)致誤差等問(wèn)題,影響后續(xù)配準(zhǔn)精度;重心重合法要將點(diǎn)云的兩個(gè)中心重合在一起,適用于點(diǎn)云重疊度較高的情況;特征提取法一般不適用于物體特征不明顯的點(diǎn)云配準(zhǔn).由于粗配準(zhǔn)算法存在的上述缺陷以及點(diǎn)云的拓?fù)浣Y(jié)構(gòu)、稀疏程度、噪聲等的存在[1],導(dǎo)致粗配準(zhǔn)的精度很難滿足人們的要求,因此,需要對(duì)粗配準(zhǔn)結(jié)果進(jìn)行精配準(zhǔn).

目前國(guó)內(nèi)外最常用的精配準(zhǔn)算法是由 Besl[3]等人和 Chen[4]等人分別提出的迭代最近點(diǎn)算法(Iterative Close Point,ICP),但該算法存在以下缺陷:當(dāng)兩片點(diǎn)云沒(méi)有較好的初始位置時(shí),易陷入局部最優(yōu);算法是對(duì)點(diǎn)云中的所有點(diǎn)進(jìn)行處理,因此搜尋匹配點(diǎn)時(shí)間很長(zhǎng),且點(diǎn)云規(guī)模越大其效率越低.因此,眾多國(guó)內(nèi)外專家學(xué)者提出了一系列的優(yōu)化算法.LI[5]引入動(dòng)態(tài)調(diào)整因子進(jìn)行ICP 配準(zhǔn),在不影響配準(zhǔn)精度的前提下,提高了算法的配準(zhǔn)效率.文獻(xiàn)[6]提出利用局部深度信息、法線偏角和點(diǎn)云密度信息建立局部特征描述子,再根據(jù)該局部特征描述子的相關(guān)性完成配準(zhǔn),解決了點(diǎn)云覆蓋率較低時(shí)的配準(zhǔn)問(wèn)題.文獻(xiàn)[9]在經(jīng)典ICP算法的基礎(chǔ)上引入帶邊界的尺度因素和動(dòng)態(tài)迭代因子,既解決了配準(zhǔn)中尺度變換的問(wèn)題,也提高了算法速度,但沒(méi)有考慮到旋轉(zhuǎn)角度、噪聲等因素.文獻(xiàn)[10]提出一種使用深度神經(jīng)網(wǎng)絡(luò)自動(dòng)編碼器進(jìn)行3D點(diǎn)云配準(zhǔn);該算法首先對(duì)點(diǎn)云分為超點(diǎn)集,并將超點(diǎn)集投影成深度圖;然后采用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行特征壓縮,獲取特征描述子并進(jìn)行粗配準(zhǔn),最后采用ICP進(jìn)行精配準(zhǔn);該算法在數(shù)據(jù)缺失的情況下,其配準(zhǔn)精度也很高.文獻(xiàn)[11]提出一種NV關(guān)鍵點(diǎn)和快速點(diǎn)特征直方圖結(jié)合的快速點(diǎn)云配準(zhǔn)算法,該算法提取點(diǎn)云關(guān)鍵點(diǎn)比較簡(jiǎn)單,能實(shí)現(xiàn)點(diǎn)云快速配準(zhǔn);文獻(xiàn)[12]使用曲率特征指導(dǎo)點(diǎn)云配準(zhǔn),該算法對(duì)于表面平緩的點(diǎn)云數(shù)據(jù),其配準(zhǔn)效果優(yōu)于結(jié)合法向量變換的ICP算法.上述方法相較于傳統(tǒng)ICP算法在精度、速度或尺度因素方面有所改進(jìn),但沒(méi)有考慮到噪聲因素存在下算法配準(zhǔn)的穩(wěn)定性和魯棒性.

本文提出一種改進(jìn)的多分辨率點(diǎn)云自動(dòng)配準(zhǔn)算法.為避免因點(diǎn)云初始位置而陷入局部最優(yōu)的問(wèn)題,首先采用文獻(xiàn)[8]中的算法進(jìn)行粗配準(zhǔn).為了進(jìn)一步改善該算法的速度,分別對(duì)源點(diǎn)云和目標(biāo)點(diǎn)云建立KD-tree;同時(shí)提出利用法向量夾角平均值的均值設(shè)置特征提取的閾值,能有效提取特征點(diǎn),且不會(huì)損失大量特征不明顯的點(diǎn)云信息,進(jìn)一步保證了配準(zhǔn)的精度.為了解決粗配準(zhǔn)精度不夠的問(wèn)題,提出了一種改進(jìn)的多分辨率迭代最近點(diǎn)算法進(jìn)行精配準(zhǔn).該方法利用法向量夾角平均值對(duì)點(diǎn)云中的點(diǎn)進(jìn)行分級(jí),并根據(jù)特征點(diǎn)的稠密度計(jì)算點(diǎn)云分辨率,然后利用改進(jìn)的采樣比例進(jìn)行下采樣,并采用文獻(xiàn)[7]中的匹配度提取關(guān)鍵點(diǎn)對(duì),避免了大量出現(xiàn)錯(cuò)誤匹配點(diǎn)對(duì)的情況,最后迭代完成配準(zhǔn).

2 粗配準(zhǔn)算法

本文粗配準(zhǔn)采用精度較高的文獻(xiàn)[8]中的算法,并對(duì)特征點(diǎn)提取部分進(jìn)行了改進(jìn).同時(shí),為了解決該算法速度較慢的問(wèn)題,本文對(duì)兩片點(diǎn)云建立KD-tree,對(duì)比窮盡搜索的方法其搜索速度得到了很大的提高,且隨著點(diǎn)云規(guī)模的遞增,其效果更明顯.然后分別對(duì)源點(diǎn)云和目標(biāo)點(diǎn)云中的點(diǎn)計(jì)算特征度,并根據(jù)特征度提取特征點(diǎn)集.然后分別對(duì)源點(diǎn)云和目標(biāo)點(diǎn)云中的特征點(diǎn)集建立直方圖特征描述子,并根據(jù)特征直方圖獲取初始匹配點(diǎn)對(duì).對(duì)于含有誤匹配點(diǎn)對(duì)的初始匹配點(diǎn)對(duì)采用歐式距離約束和隨機(jī)抽樣一致性(Random Sample Consensus,RANSAC)算法剔除誤配點(diǎn)對(duì),最后利用四元素法完成粗配準(zhǔn).算法的整個(gè)流程如圖1所示.

圖1 粗配準(zhǔn)算法流程圖Fig.1 Rough registration algorithm flow diagram

·改進(jìn)的特征點(diǎn)提取算法

本文根據(jù)公式(1)計(jì)算點(diǎn)云的特征度,即法向量夾角平均值,其中法向量采用文獻(xiàn)[7]所述的主成分分析法(PCA)求取.

(1)

式中,npi為源點(diǎn)云中某點(diǎn)pi的法向量,npj為pi的k近鄰點(diǎn)pj的法向量,pni為源點(diǎn)云中某一點(diǎn)與其k近鄰點(diǎn)法向量夾角的平均值.用pni描述點(diǎn)云的區(qū)域特性,若pni較小,則說(shuō)明此區(qū)域幾何特征變化較平緩;若pni較大,說(shuō)明此區(qū)域存在突出的幾何特征;本文根據(jù)pni值提取源點(diǎn)云中的特征點(diǎn).在提取特征點(diǎn)時(shí),去掉源點(diǎn)云中特征不明顯的部分,保留pni>ε1的點(diǎn),然后對(duì)于保留的點(diǎn)中的每一點(diǎn)px,提取滿足公式(3)的點(diǎn)作為特征點(diǎn).

在特征點(diǎn)提取過(guò)程中,閾值的選取相當(dāng)重要.若閾值取值過(guò)大,提取的特征點(diǎn)就會(huì)相對(duì)較少,可能會(huì)損失部分點(diǎn)云的關(guān)鍵特征信息和大量細(xì)節(jié)信息;若閾值選取過(guò)小,可以保留大量細(xì)節(jié)信息,但是會(huì)導(dǎo)致點(diǎn)云配準(zhǔn)的速度變慢.在文獻(xiàn)[8]中,閾值ε1為根據(jù)實(shí)驗(yàn)選取的經(jīng)驗(yàn)值,針對(duì)不同的點(diǎn)云數(shù)據(jù)需要多次實(shí)驗(yàn)選擇合適的閾值,在實(shí)際應(yīng)用中不方便.本文提出根據(jù)點(diǎn)云中每個(gè)點(diǎn)的法向量與其近鄰點(diǎn)法向量的乘積的均值來(lái)計(jì)算,該方法可根據(jù)法向量變化自適應(yīng)的計(jì)算閾值,從而自適應(yīng)的提取特征點(diǎn),可以很好的保留點(diǎn)云的關(guān)鍵特征信息,同時(shí)剔除了大量影響較小的細(xì)節(jié)信息,加快了配準(zhǔn)速度.其計(jì)算公式見(jiàn)公式(2):

(2)

pn(px)=max[pn(px1),pn(px2),…,pn(pxk)]

(3)

式中,Np為點(diǎn)云中的點(diǎn)數(shù),px是點(diǎn)云中的某一特征點(diǎn),pn(pxi)(i=1,2,…,k)為點(diǎn)px的k近鄰點(diǎn)的法向量夾角平均值,根據(jù)此特征點(diǎn)提取方法對(duì)源點(diǎn)云和目標(biāo)點(diǎn)云中的所有點(diǎn)進(jìn)行特征點(diǎn)提取,分別得到P的特征點(diǎn)集pf和Q的特征點(diǎn)集Qf.

3 精配準(zhǔn)算法

3.1 改進(jìn)的多分辨率關(guān)鍵點(diǎn)采樣

多分辨率配準(zhǔn)的精髓在于可以根據(jù)級(jí)數(shù)和分辨率來(lái)調(diào)整所提取的關(guān)鍵點(diǎn).級(jí)數(shù)控制每一級(jí)提取的點(diǎn)數(shù),級(jí)數(shù)越大,采樣比例越大;分辨率控制整體提取的點(diǎn)數(shù),分辨率越大,整體采樣的點(diǎn)越多,精度越高,速度相對(duì)較慢.為了使點(diǎn)云快速收斂,利用低分辨率匹配點(diǎn)對(duì)進(jìn)行快速配準(zhǔn),然后利用高分辨率匹配點(diǎn)對(duì)提高配準(zhǔn)精度,以此來(lái)解決點(diǎn)云配準(zhǔn)精度低、速度慢的問(wèn)題.

分辨率可以用點(diǎn)云的稠密程度來(lái)反映,稠密程度[13]為點(diǎn)云中各點(diǎn)與其k近鄰點(diǎn)歐式距離的均值.但計(jì)算一片點(diǎn)云中的所有點(diǎn)的稠密程度其計(jì)算量很大,因此,本文提出利用特征點(diǎn)與其k近鄰點(diǎn)歐式距離的均值來(lái)計(jì)算,并根據(jù)調(diào)整因子動(dòng)態(tài)調(diào)整分辨率的大小.該方法根據(jù)點(diǎn)云特征點(diǎn)的稠密度計(jì)算點(diǎn)云分辨率,比起憑經(jīng)驗(yàn)設(shè)置更加合理.為了不重復(fù)提取特征點(diǎn)從而減少時(shí)間復(fù)雜度,在粗配準(zhǔn)提取特征點(diǎn)時(shí)就計(jì)算并輸出點(diǎn)云的分辨率.其分辨率由公式(4)計(jì)算:

(4)

本文根據(jù)公式(1)計(jì)算的法向量夾角平均值對(duì)點(diǎn)云中的點(diǎn)分為m級(jí),法向量夾角平均值越大,其特征越明顯,反之,法向量夾角平均值越小,特征越不明顯.但通常獲取的大多數(shù)點(diǎn)云數(shù)據(jù),特征明顯的點(diǎn)相對(duì)較少,特征不明顯的點(diǎn)相對(duì)較多,因此,在配準(zhǔn)時(shí),若僅依靠特征明顯的關(guān)鍵點(diǎn)進(jìn)行配準(zhǔn)其精度較低,且有可能會(huì)導(dǎo)致配準(zhǔn)失敗.本文提出改進(jìn)的采樣方式不僅充分利用了特征明顯的關(guān)鍵點(diǎn),同時(shí)充分利用了特征不明顯的點(diǎn).

在文獻(xiàn)[7]中,當(dāng)分辨率為j(1≤j≤n),級(jí)數(shù)為i(1≤i≤m)時(shí),其提取關(guān)鍵點(diǎn)的采樣比例Ri,j由公式(5)計(jì)算:

(5)

式中,countm表示第m級(jí)的點(diǎn)數(shù),counti表示第i級(jí)的點(diǎn)數(shù),fix為向下取整函數(shù).該采樣比例在級(jí)數(shù)較低時(shí),提取的關(guān)鍵點(diǎn)太少,丟失了大量特征不明顯的關(guān)鍵點(diǎn)信息,導(dǎo)致配準(zhǔn)精度相對(duì)較低.

本文改進(jìn)的采樣比例Ri,j由公式(6)計(jì)算,每一分辨率下各級(jí)提取的關(guān)鍵點(diǎn)keypointi,j由公式(7)計(jì)算:

(6)

keypointi,j=round(Ri,j·counti)

(7)

該采樣方式提高了級(jí)數(shù)較低時(shí)的采樣比例,充分利用了特征不明顯的點(diǎn).由于采樣的關(guān)鍵點(diǎn)數(shù)增多其速度稍慢,但極大的提高了配準(zhǔn)的精度.

3.2 改進(jìn)的多分辨率迭代配準(zhǔn)點(diǎn)算法

點(diǎn)云配準(zhǔn)就是求解旋轉(zhuǎn)矩陣R和平移矩陣T,使公式(8)最小化:

(8)

式中,qi為目標(biāo)點(diǎn)集中的點(diǎn),pi為源點(diǎn)集中的點(diǎn),Np為源點(diǎn)集中的點(diǎn)數(shù).

為解決傳統(tǒng)ICP算法計(jì)算效率、精度及易受噪聲干擾的問(wèn)題,本文算法首先通過(guò)初始配準(zhǔn)獲取較好的初始位姿,并改進(jìn)文獻(xiàn)[7]中多分辨率配準(zhǔn)點(diǎn)ICP算法.在文獻(xiàn)[7]中,分辨率是憑經(jīng)驗(yàn)設(shè)置的,對(duì)于不同規(guī)模的點(diǎn)云數(shù)據(jù)需要多次實(shí)驗(yàn)確定其值,在應(yīng)用上不是很方便.本文在初始配準(zhǔn)階段通過(guò)計(jì)算點(diǎn)云中各特征點(diǎn)與其近鄰點(diǎn)距離的均值來(lái)確定點(diǎn)云分辨率.其次,采用匹配度提取關(guān)鍵點(diǎn)對(duì),減少了錯(cuò)誤匹配率,提高了算法的精度和魯棒性.改進(jìn)ICP算法流程如算法1所示.

算法1.改進(jìn)的多分辨率迭代配準(zhǔn)點(diǎn)算法

輸入:通過(guò)初始配準(zhǔn)轉(zhuǎn)換后的源點(diǎn)云P1,目標(biāo)點(diǎn)云Q,迭代次數(shù),級(jí)數(shù)m,初始配準(zhǔn)中輸出的分辨率n;

輸出:旋轉(zhuǎn)矩陣R,平移矩陣T,均方根誤差ER;

Step 1.初始化:R,T,ER;

Step 2.對(duì)源點(diǎn)云P1、目標(biāo)點(diǎn)云Q建立KD-tree,并計(jì)算P1和Q的法向量;

Step 4.

fori=1:n

forj=1:m

計(jì)算提取關(guān)鍵點(diǎn)的采樣比例Ri,j;

計(jì)算各級(jí)提取的關(guān)鍵點(diǎn)keypointi,j;

end for

end for

Step 5.

while(目標(biāo)函數(shù)不是最優(yōu)‖迭代次數(shù)沒(méi)有達(dá)到最大)

根據(jù)文獻(xiàn)[7]中的方式求采樣點(diǎn)的匹配度,并提取關(guān)鍵點(diǎn)對(duì);

使用四元素法對(duì)獲得的匹配點(diǎn)對(duì)計(jì)算旋轉(zhuǎn)矩陣R和平移矩陣T;

end while

4 實(shí)驗(yàn)與分析

本文實(shí)驗(yàn)在Intel(R)Core(TM)i5-6300 CPU、8GB內(nèi)存、Windows 10操作系統(tǒng)、Matlab R2015a環(huán)境下進(jìn)行.為了驗(yàn)證本文算法的有效性,采用了Standford 3D Scanning Repository(1)https://graphics.stanford.edu/data/3Dscanrep/的Bunny和Buddha點(diǎn)云進(jìn)行粗配準(zhǔn)與精配準(zhǔn).并分別與經(jīng)典ICP、文獻(xiàn)[7]、文獻(xiàn)[8]中的算法進(jìn)行了比較.本文粗配準(zhǔn)算法中的參數(shù)設(shè)置:ε1通過(guò)計(jì)算得到,ε2=0.05,ε3=0.02,k=16;本文精配準(zhǔn)算法中的參數(shù)設(shè)置:分辨率n通過(guò)計(jì)算得到,m=3,k=8.

4.1 實(shí)驗(yàn)1

實(shí)驗(yàn)1選取0度和24度的Bunny點(diǎn)云數(shù)據(jù)進(jìn)行配準(zhǔn).圖2為不加入噪聲時(shí)各種算法對(duì)Bunny點(diǎn)云進(jìn)行配準(zhǔn)的效果圖,圖3為加入1000個(gè)高斯白噪聲點(diǎn)后各種算法對(duì)Bunny點(diǎn)云進(jìn)行配準(zhǔn)的效果圖.其中圖2(a)和圖3(a)為兩視角的原始數(shù)據(jù)圖，圖2(b)和圖3(b)為經(jīng)典ICP算法的配準(zhǔn)效果圖，圖2(c)和圖3(c)為文獻(xiàn)[7]算法的配準(zhǔn)效果圖，圖2(d)和圖3(d)為文獻(xiàn)[8]算法的粗配準(zhǔn)效果圖，圖2(e)和圖3(e)為本文粗配準(zhǔn)算法的效果圖，圖2(f)和圖3(f)為本文精配準(zhǔn)算法的效果圖.

圖2 Bunny配準(zhǔn)實(shí)驗(yàn)Fig.2 Bunny registration experiment

圖3 帶噪聲的Bunny配準(zhǔn)實(shí)驗(yàn)Fig.3 Bunny registration experiment with noise

從圖2中可看出,經(jīng)典ICP、文獻(xiàn)[8]和本文算法配準(zhǔn)效果很好,文獻(xiàn)[7]算法在頭部和前腳部分配準(zhǔn)效果不是很好.從圖3中可看出,在噪聲存在的情況下經(jīng)典ICP、文獻(xiàn)[7]配準(zhǔn)效果很差,文獻(xiàn)[8]在耳朵部分、頭部區(qū)域及前腳部分配準(zhǔn)效果也不是很好,本文粗配準(zhǔn)效果比文獻(xiàn)[8]略差,但本文精配準(zhǔn)效果在幾種算法中最好.

表1 不同算法配準(zhǔn)對(duì)比Table 1 Different algorithm registration comparison

表1為各種配準(zhǔn)算法對(duì)原Bunny點(diǎn)云和帶噪聲的Bunny點(diǎn)云配準(zhǔn)速度和配準(zhǔn)誤差的對(duì)比.可以看出經(jīng)典ICP算法最耗時(shí),同時(shí)容易受噪聲干擾,在噪聲點(diǎn)云配準(zhǔn)中其精度很低;文獻(xiàn)[7]算法配準(zhǔn)速度得到了極大的提升,在原Bunny點(diǎn)云配準(zhǔn)時(shí)其精度比經(jīng)典ICP低,但同樣易受噪聲干擾;文獻(xiàn)[8]粗配準(zhǔn)算法精度比經(jīng)典ICP和文獻(xiàn)[7]高,同時(shí)受噪聲干擾的程度比以上兩種算法小,但其速度較慢;本文粗配準(zhǔn)算法在原Bunny點(diǎn)云配準(zhǔn)和帶噪聲點(diǎn)云配準(zhǔn)時(shí)精度比文獻(xiàn)[8]略低,但其速度比文獻(xiàn)[8]快將近3倍;本文精配準(zhǔn)算法在粗配準(zhǔn)的基礎(chǔ)上進(jìn)一步提升了精度,尤其是對(duì)帶噪聲的點(diǎn)云配準(zhǔn)其穩(wěn)定性更好、精度更高.

4.2 實(shí)驗(yàn)2

實(shí)驗(yàn)2選取不同視角不同規(guī)模的Buddha點(diǎn)云數(shù)據(jù)進(jìn)行實(shí)驗(yàn),表2為各種算法對(duì)不同規(guī)模的Buddha點(diǎn)云進(jìn)行配準(zhǔn)的對(duì)比,表3為對(duì)Buddha(0度和24度)點(diǎn)云數(shù)據(jù)加入不同規(guī)模噪聲進(jìn)行配準(zhǔn)的對(duì)比.

表2 不同規(guī)模Buddha點(diǎn)云配準(zhǔn)Table 2 Buddha point cloud registration of different scales

從表2中可以看出,無(wú)論是哪種配準(zhǔn)算法,點(diǎn)云規(guī)模越大,其配準(zhǔn)所花時(shí)間越多;無(wú)論是哪種規(guī)模的點(diǎn)云數(shù)據(jù),本文算法總體性能最佳.經(jīng)典ICP雖然配準(zhǔn)精度較好,但是其速度太慢;文獻(xiàn)[7]和文獻(xiàn)[8]精度差不多,但文獻(xiàn)[7]速度更快,本文方法通過(guò)二次配準(zhǔn)進(jìn)一步提高了配準(zhǔn)精度,其配準(zhǔn)精度在幾種對(duì)比算法中最高,總體速度比文獻(xiàn)[8]更快.

從表3中可以看出,各種算法在加入噪聲點(diǎn)后其精度和速度都受到了不同程度的影響.其中,經(jīng)典ICP和文獻(xiàn)[7]受噪聲影響的程度最大,隨著噪聲的加入其精度變得較差.經(jīng)典ICP在加入噪聲點(diǎn)后,其運(yùn)算效率變快、精度變低,但并不是隨著加入的噪聲越多其精度越差,這是由于噪聲點(diǎn)的位置分布所導(dǎo)致.文獻(xiàn)[7]在加入噪聲點(diǎn)后,其速度變化不是很大,精度變低,但精度不是隨著噪聲點(diǎn)的規(guī)模呈現(xiàn)線性增長(zhǎng).文獻(xiàn)[8]粗配準(zhǔn)算法和本文粗配準(zhǔn)、精配準(zhǔn)算法魯棒性都比較好,其精度基本不受噪聲影響,文獻(xiàn)[8]和本文粗配準(zhǔn)算法中由于加入了RANSAC算法進(jìn)一步剔除了誤匹配點(diǎn),增強(qiáng)了算法的魯棒性,且本文粗配準(zhǔn)算法速度比文獻(xiàn)[8]快近3倍.本文精配準(zhǔn)算法在粗配準(zhǔn)的基礎(chǔ)上進(jìn)一步進(jìn)行配準(zhǔn),同時(shí)改進(jìn)了采樣比例,使其配準(zhǔn)精度在本文各種算法中更高、配準(zhǔn)穩(wěn)定性更好.

5 結(jié) 論

提出一種改進(jìn)的多分辨率點(diǎn)云自動(dòng)配準(zhǔn)算法,該算法針對(duì)ICP算法對(duì)點(diǎn)云初始位姿的要求,結(jié)合文獻(xiàn)[8]中的粗配準(zhǔn)算法進(jìn)行快速配準(zhǔn),然后對(duì)位姿較好的點(diǎn)云進(jìn)行精確配準(zhǔn),進(jìn)一步提高算法的精度.

為了盡可能的提高配準(zhǔn)精度、增強(qiáng)算法的抗噪性,本文算法在粗配準(zhǔn)部分采用歐式距離約束和RANSAC算法進(jìn)行外點(diǎn)剔除,提高了粗配準(zhǔn)的精度,確保其對(duì)于含噪聲的和部分重疊度的點(diǎn)云都能為精配準(zhǔn)提供較好的初始位姿.在精確配準(zhǔn)部分,首先改進(jìn)了分辨率的設(shè)置問(wèn)題,分辨率可通過(guò)點(diǎn)云特征點(diǎn)的稠密度自適應(yīng)的取值,避免了分辨率設(shè)置過(guò)大而導(dǎo)致的配準(zhǔn)速度較慢的問(wèn)題和分辨率設(shè)置過(guò)小而導(dǎo)致的精度不高的問(wèn)題.其次改進(jìn)了算法的采樣比例,提高了其對(duì)于特征信息不明顯的點(diǎn)云的配準(zhǔn)精度,增強(qiáng)了算法的適用性.本文通過(guò)實(shí)驗(yàn)證明了算法的可行性和有效性,無(wú)論對(duì)哪種規(guī)模的點(diǎn)云進(jìn)行配準(zhǔn),本文算法精度都比較高,同時(shí)速度較快.