三维点云数据配准在机器人环境感知与建模、虚拟现实、人机交互、逆向工程等领域有着广阔的应用前景.针对传统迭代最近点(Iterative Closest Point,ICP)算法中存在的收敛速度慢、鲁棒性差等问题进行研究,提出了一种融合采样一致性和迭代最近点算法的点云配准方法,对点云数据的快速点特征直方图(Fast Point Features Histograms,FPFH)特征进行提取并对这些特征使用采样一致性初始配准算法(Sample Consensus Initial Alignment,SAC-IA)进而得到点云集间的对应关系,计算出点云的初始变换,从而获得一个较好的配准位置,提出了k-d树近邻搜索方法加速搜寻对应点对,并利用点云的方向向量阈值去除迭代最近点算法产生的误点对,实现点云的精确配准.实验结果表明,算法取得了较高的配准精度,加快了收敛速度.
Point cloud registration method based on sample consensus initial alignment and iterative closest point algorithm
NETL
NSTL
万方数据
维普
