基于多维混合柯西分布的点云配准

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。     

高维正交子空间映射的尺度点云配准算法

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。