基于对应选择的点云配准算法研究.pdf

摘要

随着三维数据采集设备的不断进步和发展，获取点云数据的成本不断降低，

点云配准有着广阔的应用前景。然而点云特征匹配面临噪声、部分重叠、部分点

云缺失和重复结构等诸多问题，匹配结果中不可避免地包含了大量错误匹配。随

机抽样一致（RANSAC）方法被广泛用于剔除点云配准中的错误匹配，但在离群

值比率较高情况下，随机采样很容易选到离群值，迭代次数、阈值等参数选择困

难，导致RANSAC方法配准结果不理想。3DRegNet、PointDSC和DGR方法利用

深度学习构建误匹配剔除方法实现点云配准。但是上述配准方法只强调了离群值

滤波的重要性，配准精度受初始匹配结果限制。因此，本文从空间一致性对应选

择的角度对点云配准算法展开研究，帮助进一步提高点云配准算法精准度。本文

的主要研究内容概述如下：

考虑点云的数据特性，本文提出基于马氏距离空间一致性对应选择的点云配

准算法。该方法包括基于马氏距离的一致性矩阵构建、可靠种子点选择、两阶段

一致性集合采样、局部谱匹配等步骤。马氏距离可以看作是欧氏距离的一种修正，

它考虑了各个维度的尺度不一致以及可能存在的相关性，从而更准确地度量数据

点之间的距离。使用马氏距离计算一致性矩阵可以更好地剔除离群点，进而提高

配准精度。空间一致性矩阵不受点云位移和旋转的影响，较好地描述了三维点间

的一致性关系。

为充分利用点云几何信息优化配准精度，本文提出基于邻域均值特征对应选

择的点云配准算法。所提方法通过k-d树算法分别获取源点云和目标点云中所选点

的最近邻，计算该点与最近邻点连线的中心，使用所有计算出的中点构建一致性

矩阵，进而进行后续的点云配准操作。

通过实验表明，本文提出的算法在3DMatch、3DLoMatch、KITTI、ETH等数

据集上都取得了较好的配准结果，不易受噪声、低重叠度、部分点云缺失和重复

结构等问题的影响。使用FPFH描述符生成对应关系时，基于马氏距离空间一致性

对应选择的点云配准算法在3DMatch数据集上的配准召回比最接近的竞争对手

PointDSC高5.41%。

关键词：三维点云；点云配准；空间一致性；对应选择；马氏距离

Abstract

Withthecontinuousprogressanddevelopmentofthree-dimensionaldata

acquisitionequipment,thecostofobtainingpointclouddataisconstantlydecreasing,

andpointcloudregistrationhasbroadapplicationprospects.However,pointcloud

featurematchingfacesmanyproblemssuchasnoise,partialoverlap,partialpointcloud

missingandrepeatedstructure,andthematchingresultsinevitablycontainalarge

numberoffalsematches.TheRandomSampleConsensus(RANSAC)methodiswidely

usedtoeliminatefalsematchesinpointcloudregistration,butwhentheoutlierratiois

high,randomsamplingcaneasilyselectoutliers,anditisdifficulttoselectparameters

suchasthenumberofiterationsandthresholds,resultinginunsatisfactoryregistration

resultsoftheRANSACmethod.3DRegNet,PointDSCandDGR