点云配准是三维重建过程的核心问题之一。针对点云散乱、数据存在缺失及噪声干扰情况下配准效率差、精度低的问题,提出了一种基于相关系数平方和最大(MCC)的点云配准算法。分别对目标点云与待配准点云去均值化后进行旋转,使旋转后的两组点云各自满足行向量间相关系数平方和最大;再利用粒子群优化算法分别求解出两组中间态旋转矩阵;最后根据两组中间态旋转矩阵求解出两点云之间的旋转矩阵和平移向量,进而实现点云配准。仿真结果表明,在点云散乱、数据存在缺失以及噪声干扰的情况下,本文算法比现有其他算法的配准速度更快、精度更高,且稳健性良好。

针对数据排列无序、随机缺失及伴随白噪声等问题,提出一种基于因子分析法的三维点云配准方法。将点云数学模型扩展为正交因子模型,从而将点云的配准问题转换为对模型参数的求解问题;采用高斯混合模型对点云进行拟合,并通过最大期望算法(EMA)求解出正交因子模型的因子载荷矩阵;利用因子载荷矩阵完成对点云的配准。在仿真实验中,因子分析算法对随机丢失和带噪声的点云的配准情况,与经典迭代最近点(ICP)算法的配准精度相当,配准效率相比于ICP算法提升了70%以上。因子分析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。

为了解决三维点云在无序、数据被遮挡以及噪声干扰情况下的配准问题,提出了一种高维正交子空间映射的尺度点云配准算法。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。在点云无序、数据被遮挡、尺寸放缩以及噪声干扰的情况下,所提算法与经典ICP(Iterative Closest Point)算法的配准精度相当。与经典ICP算法相比,所提算法对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,所提算法的配准时间比经典ICP算法短6210.4 s,配准精度也高于其他算法。所提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优势。

为提高三维点云在数据随机缺失和噪声干扰等复杂情况下的配准精度,提出一种基于多维混合柯西分布(MMC)的点云配准方法。将点云数学模型扩展为MMC模型,求解模型各参数,并构造出特征四面体,以优化旋转矩阵与平移向量;通过最大期望算法分别求出目标点云和待配准点云在MMC模型下的数据中心、协方差矩阵和权重的值。仿真与实验数据表明:与几种常用的算法相比,MMC算法即使在点云数据存在遮挡、缺失,大小不一致,含随机噪声,且具有无序性的条件下,也能精确配准,且具有良好的稳健性。

提出了一种基于典型相关分析的点云配准算法。对目标点云和待配准点云进行中心化处理,将其绕坐标原点进行转动,两组点云满足各维度间相关系数平方值最大;采用典型相关分析法,对两组转动矩阵进行求解;使用转动矩阵,求解两点云间刚性变换的旋转矩阵和平移向量,实现了点云的配准。利用协方差矩阵特征值的比例开方值,对待配准点云进行等比例放大,完成了仿射配准。当点云无序、数据存在遮挡、缺失不完整、放缩及有噪声干扰时,仿真结果表明,相比于其他几种算法,所提算法能快速精确配准,且稳定性良好。