随着三维重建技术在逆向工程、生物医疗和虚拟现实等领域的广泛应用，重建过程中的三维物体数字化处理成为当前研究的热点。在三维物体数字化过程中，点云对齐十分重要，其一般可分为粗对齐和精细对齐两个步骤。粗对齐利用算法提高两片分离较大的点云间重叠率，为后续精细对齐的成功提供基础。受点云内部的复杂特性以及噪声等因素的影响，传统粗对齐算法的对齐效果和鲁棒性存在较大的改进空间。 近年来，深度学习的广泛流行为点云对齐引入了新的思路。本文结合脊谷特征和深度特征描述对点云对齐问题开展研究，改进了当前特征描述、特征过滤和特征对齐方法，具体如下： (1)提出了一种针对脊谷特征线的特征描述符构建方法：针对特征描述符区分性和鲁棒性不足的问题，算法采用重复性和特征信息更高的脊谷特征线构建特征描述符。通过对特征线上每一点构建FPFH描述符得到一组描述符，并对描述符组进行最大池化处理从而为整条特征线构建描述符。实验表明，相较于基于特征点构建特征描述符的对齐算法，本文算法的精度更高。 (2)提出了一种基于Spin Image描述符的点云粗对齐方法：针对Super4PCS算法存在的误匹配的问题，算法使用了基于Spin Image描述符过滤的Super4PCS点云对齐策略。通过为共面四点基计算Spin Image描述符，进而对比描述符之间的差异性，设置阈值滤除错误的匹配对，提高了算法的对齐精度。 (3)提出了一种基于脊谷特征与深度特征描述的点云单点对齐算法：①针对3DMatch算法中随机采样带来的关键点重复性低的问题，采用脊谷特征采样策略替代随机采样选取待匹配点，提高关键点的重复性，保证了点云对齐精度；②根据脊谷特征点同时具备特征走向和法向信息的特性，为每一个特征点构建了局部坐标系，进而使得点云对齐可以通过一组匹配关键点之间的局部坐标系映射实现；③提出了一种基于局部-整体ICP策略的错误解滤除方法，提高了对齐成功率。
NETL
