机器视觉

为了解决三维点云在无序、数据存在遮挡以及噪声干扰情况下的配准问题，提出一种高维正交子空间映射的尺度点云配准算法（OrthS）。本文首先分别对目标点云与待配准点云中心化；然后，将中心化后两点云的正交化过程转化为对协方差矩阵的对角化表示过程，并根据矩阵正交化不改变特征值的特性，分别求出两组对角转化矩阵；最后，根据两组对角转化矩阵求解出两点云间的旋转矩阵和平移向量，从而实现点云配准。根据能量功率的比值，对待配准点云进行等比例放大，完成仿射配准。在仿真实验中，当点云无序、数据存在遮挡、缺失不完整、放缩以及有噪声干扰时，本文算法与经典ICP算法的配准精度相当。与经典ICP算法相比，本文算法对Bunny点云数据的配准效率提高了98%；对Dragon点云数据的配准速度至少提高了20倍。且在对大尺度Dragon点云数据的配准中，本文算法配准效率比经典ICP算法少了6210.4秒，配准精度也高于其他算法。本文算法不会陷入局部最小值，在快速精确配准和稳定性方面有明显的改进和提高。

蒋悦, 黄宏光, 舒勤, 宋昭, 唐志荣. 高维正交子空间映射的尺度点云配准算法[J]. 光学学报, 2019, 39(03): 7.  复制并引用该论文