Point Cloud Registration Based on Neighborhood Surface Deformation Information Weighting

为提高点云的配准精度,解决单一特征导致迭代最近点(ICP)算法在噪声干扰、数据缺失情况下鲁棒性差的问题,提出一种基于邻域表面形变信息加权的点云配准方法。首先为简化点的邻域信息提出以邻近点数量为约束的邻域构建方法,并考虑邻近点对采样点的影响引入加权方法提高内部形态描述子(ISS)特征点提取算法的提取效率;其次计算邻域的法向量内积均值对点云进行第二次特征点提取;然后以快速点特征直方图(FPFH)进行特征描述,并运用双重约束确定匹配点对关系;最后在配准阶段,采用双向k维树ICP(DTICP)算法来实现精确配准。实验表明,本文算法相比ICP算法在配准精度上提高了90%以上,并且能够在噪声环境下有效地配准缺失点云,具有较好的鲁棒性和抗干扰性。