基于點到面度量的多視角點云配準方法

點云配準是計算機視覺

、圖像識別

、機器人

等領域的一個基本問題。點掃描設備的發展使得重建三維物體模型或場景模型成為可能,但由于物體自遮擋或視角的限制,通常不能一次性獲取到物體或場景的全部信息,需要使用點云配準方法將多個視角采集到的點云數據統一到一個參考系中,從而實現三維物體或場景模型的重構。根據所涉及點云的數量,可將配準問題分為雙視角配準和多視角配準兩個子問題。

目前,已經有多種用于解決雙視角配準問題的方法,其中最為經典的是Besl等

提出的迭代最近點(ICP)算法,它可以實現成對點云的高效配準。但是,該方法不能處理非重疊點云,且當迭代次數增加時,會產生局部收斂問題。為此,Chetverikov等

提出了裁剪迭代最近點方法以解決不重疊點云之間的配準問題,該方法引入重疊百分比,自動裁剪點云非重疊區域,減少非重疊區域對配準精度的影響。對于含有噪聲的點集,Magnusson等

提出了3D-NDT方法,將目標點集所占據的三維空間細分為正則化單元,用正態分布模擬數據點的概率,具有一定的魯棒性。除此之外,Bouaziz等

提出了稀疏最近點迭代方法,該方法使用

范數代替傳統的

范數,以減少離群值對配準的影響。為解決局部收斂問題,Shi等

將點云濾波方法與裁剪ICP方法相結合來進行點云之間的配準。與此同時,許多基于點特征的方法

也被提出為配準提供良好的初值。但是,ICP方法還存在收斂速度慢的缺點,為此Pavlov等