针对点云配准中匹配精度低和算法收敛速度慢等问题,提出一种基于二维图像特征和奇异值分解(SVD)的点云配准算法。先将三维点云转换成二维方位角(BA)图像,利用基于内部距离的形状上下文(IDSC)算法对BA图像进行配准;再根据三维点和二维像素的一对一映像关系计算三维点云的刚体变换,从而实现两个点云的初始粗配准;最后采用基于SVD的迭代最近点(ICP)算法对点云进行进一步精配准,从而实现点云的最终精确配准。实验采用公共点云、颅骨点云和文物点云数据验证所提配准算法的配准性能,结果表明所提算法是一种快速和高精度的点云配准算法。

为了降低多光谱人脸图像中出现的非刚性形变、噪声和离群点等因素对配准结果的准确性和稳健性的影响,提出一种综合考虑特征点的空间几何结构和局部形状特征两方面信息的多光谱人脸图像配准方法。所提方法首先通过基于内部距离的形状上下文描述子来表述点集的局部特征信息,建立可见光和红外图像相似性测度函数。然后利用Student's-T分布混合模型来表示图像特征点集配准过程中变换模型估计问题,并采用期望最大化算法对模型进行求解。仿真数据表明在点集存在非刚性形变、噪声和离群点的情况下,所提方法仍可以实现点集间的精确配准。可见光和红外人脸真实图像数据表明所提方法的平均匹配误差和运算效率都优于对比算法,配准融合后的多光谱人脸图像可以提高后续的人脸检测和识别性能。