欢乐颂小说结局是什么,最好看的小说排行,旷世神医

基于特征點提取和PCA的改進ICP點云配準方法

電子技術應用

馬然

廣州南方測繪科技股份有限公司

摘要： 傳統迭代最近點（Iterative Closest Point， ICP）方法進行點云配準時存在實時性差、易陷入局部極值且配準精度低等問題。提出一種基于特征點提取、主成分分析（Principal Component Analysis， PCA）粗配準和ICP精配準的三步點云配準方法。首先定義點云數據局部密度概念，并自動選擇局部密度較大的點作為特征點，然后利用PCA對提取的特征點進行分析，根據PCA主分量方向計算配準所需平移和旋轉參數。最后利用ICP對數據進行精配準。試驗結果表明，所提方法相對于對比方法的配準精度提升超過13.4%，實時性提升超過38.2%，并且在低信噪比條件下表現出了更高的適應性，具有較高的應用前景。

關鍵詞： 三維激光點云配準迭代最近點局部密度主成分分析

中圖分類號：P209 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.245473
中文引用格式： 馬然. 基于特征點提取和PCA的改進ICP點云配準方法[J]. 電子技術應用，2025，51(4)：110-115.
英文引用格式： Ma Ran. Improved ICP point cloud registration method based on feature point extraction and PCA[J]. Application of Electronic Technique，2025，51(4)：110-115.

Improved ICP point cloud registration method based on feature point extraction and PCA

Ma Ran

Guangzhou Southern Surveying and Mapping Technology Co.， Ltd.

Abstract： The traditional Iterative Closest Point (ICP) method for point cloud registration has problems such as poor real-time performance, susceptibility to local extremum, and low registration accuracy. This paper proposes a three-step point cloud registration method based on feature point extraction, Principal Component Analysis (PCA) coarse registration, and ICP fine registration. Firstly, it defines the concept of local density in point cloud data and automatically selects points with higher local density as feature points. Then, it uses PCA to analyze the extracted feature points and calculates the required translation and rotation parameters for registration based on the principal component direction of PCA. Finally, it uses ICP to perform precise data registration. The experimental results show that the proposed method improves registration accuracy by more than 13.4% compared to the comparison methods, improves real-time performance by more than 38.2%, and exhibits higher adaptability under low signal-to-noise ratio conditions, with high application prospects.

Key words : 3D laser；point cloud registration；iteration closest point；local density；principal component analysis

引言

三維激光掃描技術具有高精度、高分辨率和非接觸等優點，近年來在醫療、測繪、軍事、交通等眾多領域得到廣泛應用。由于掃描對象尺寸大或掃描角度限制等原因，三維激光掃描得到的點云數據難以一次性實現對掃描對象的完整描述，通常需要進行多次多角度點云數據采集，再通過點云配準算法對獲得的多次多角度數據進行配準才能獲得完整的對象描述[1-2]。這一過程中，高精度、高實時性的點云配準算法是關鍵。

迭代最近點(Iterative Closest Point, ICP)算法是Besl等于1992年提出的一種經典點云配準算法[3]，也是目前應用最為廣泛的一種方法。ICP在多次多角度點云數據初始位置相差不大的情況下能夠獲得較高的配準精度，但是當初始位姿差異較大或點云重疊度較低時算法易陷入局部最優，實時性和配準精度均會出現較大程度下降[4-6]。文獻[7]將全局分界支定(Branch-and-bound, BNB)方法引入ICP，提出一種具備全局優化能力的BNB-ICP點云配準算法，能夠提升ICP算法對初始位置的適應性，但是算法運算效率較低；文獻[8]提出一種結合快速點特征直方圖(Fast Point Features Histograms, FPFH)和ICP結合的點云配準算法，利用FPFH得到點云特征點，并根據特征點實現點云粗配準，之后利用ICP進行精配準，雖然改善了配準精度，但是不適合初始位姿較差的情況；文獻[9]將八叉樹算法引入點云配準領域，利用八叉樹建立不同姿態點云數據之間的拓撲關系，進而利用ICP完成配準，該算法運算效率較高且對結構簡單對象的配準效果較好，但是不適合結果復雜對象配準；文獻[10]首先計算點云數據的主方向和曲率，并根據主方向和曲率選擇特征點進行粗配準，最后利用ICP進行精配準，該方法運算效率高，實時性好，但是當對象表面結構較為平滑時，即曲率特征不明顯時該方法的魯棒性較差；文獻[11]將Procrustes正交分解與ICP結合，利用Procrustes對點云數據進行正交分析獲得平移和旋轉轉換參數，進而利用ICP完成點云配準，該方法精度較高且具有較好的魯棒性，但是對噪聲敏感，不適合低信噪比情況應用。

在上述研究的基礎上，本文提出一種基于點云數據局部密度提取特征點，然后利用PCA對特征點進行投影計算平移和旋轉參數從而實現粗配準，最后利用ICP進行精配準的三步配準方法。利用斯坦福大學標準數據集驗證了所提方法的有效性和優越性。

本文詳細內容請下載：

http://m.viuna.cn/resource/share/2000006405

作者信息：

馬然

（廣州南方測繪科技股份有限公司，廣東廣州 510000）

Magazine.Subscription.jpg

原創聲明：此內容為AET網站原創，未經授權禁止轉載。

相關內容