科研之友
微信
新浪微博
Facebook
分享链接
摘要
点云配准是三维重建的关键技术之一。针对点云匹配中迭代最近点算法（ICP）速率低、对初始位置要求高的问题，提出了一种基于自适应局部邻域特征点提取和匹配的点云配准方法。首先根据局部表面变化因子与平均变化因子的大小关系，自适应的提取特征点；其次利用快速点特征直方图（FPFH）综合描述每个特征点的局部信息，结合随机抽样一致性（RANSAC）算法，实现粗配准；最后根据得到的初始变换矩阵和基于特征点的ICP算法，实现精配准。对斯坦福数据集、含噪声的点云以及场景点云进行配准实验，实验结果证明：提出的特征点提取算法能高效的提取点云的特征；相比于其他特征点检测方法，所提方法在粗配准中的配准精度和配准速度更高，且抗噪性能更好；与ICP算法相比，基于本文特征点ICP算法在斯坦福数据集和场景点云中的配准速度提升了约10倍，在含噪声的点云中，能根据所提取的特征点高效的进行配准。本研究为提高三维重建和目标识别的匹配效率提供了一种高效的方法。
- 单位
