基于统计局部特征描述与匹配的点云配准算法.pdf

第 39 卷 第 1 期2024 年 1 月Vol.39 No.1Jan.2024液晶与显示Chinese Journal of Liquid Crystals and Displays基于统计局部特征描述与匹配的点云配准算法王鑫淼，李新春*，陶志勇（辽宁工程技术大学 电子与信息工程学院，辽宁 葫芦岛 125100）摘要：针对 ICP 算法在初始位姿差、部分数据丢失和噪声干扰情况下鲁棒性差、配准精度低的问题，提出一种基于统计局部特征描述与匹配的点云配准算法。首先，用点云局部密度、点云拟合平面距离方差、高斯曲率和平均曲率构建一个四维的统计局部特征描述符，准确地描述查询点的局部特征；然后，通过点对间的特征差异进行对应点匹配，剔除错误点对，解决点云部分数据缺失和噪声干扰的问题；最后，使用平均匹配距离作为度量改进 ICP 算法，对点云进行配准，解决初始位姿较差时配准精度低的问题。实验结果表明，该算法在初始位姿差、部分数据丢失和噪声干扰情况下的配准精度提高至少 1个量级，配准速率也有较大提升，在鲁棒性和配准精度方面均表现出明显优势。关键词：点云配准；特征描述；特征匹配；平均匹配距离；迭代最近点中图分类号：TP391.4 文献标识码：A doi：10.37188/CJLCD.2023-0053Point cloud registration algorithm based on statistical local feature description and matchingWANG Xinmiao，LI Xinchun*，TAO Zhiyong（School of Electronic and Information Engineering，Liaoning Technical University，Huludao 125100，China）Abstract：A point cloud alignment algorithm based on statistical local feature description and matching is proposed to address the problems of poor robustness and low alignment accuracy of the ICP algorithm in the presence of poor initial positional，partial data loss，and noise interference.Firstly，a 4-dimensional statistical local feature descriptor is constructed using point cloud local density，point cloud fitting plane distance variance，Gaussian curvature，and mean curvature to accurately describe the local features of the query points.Then，the corresponding points are matched by the feature difference between point pairs to eliminate the wrong point pairs and solve the problems of missing data and noise interference in part of the point cloud.Finally，the mean matching distance（MMD）is used as a metric to improve the alignment accuracy.MMD is a metric to improve the ICP algorithm to align the point clouds and solve the problem of low alignment accuracy when the initial poses are poor.The experimental results show that the algorithm improves the alignment accuracy by at least one order of magnitude and saves the alignment time in the case of poor initial poses，partial data loss，and noise interference，showing significant advantages in 文章编号：1007-2780（2024）01-0089-11收稿日期：2023-02-12；修订日期：2023-03-23.基金项目：2022年辽宁省应用基础研究计划（No.2022JH2/101300274）Supported by Liaoning Province Applied Basic Research Program 2022 of China（No.2022JH2/101300274）*通信联系人，E-mail：第 39 卷液晶与显示terms of robustness and alignment accuracy.Key words：point cloud registration；feature description；feature matching；mean match distance；ICP1 引言随着 LiDAR、Kinect等高精度三维扫描设备的飞速发展，获取自扫描设备的点云1数据已经成为三维模型的重要表现形式。然而，受限于扫描仪的自身性能以及扫描场景的复杂条件，所扫描的点云数据存在部分点重叠、缺失和噪声干扰等问题，对其后续应用有很大影响。因此，用于改善扫描点云质量的点云预处理技术2-3十分重要。点云配准4作为一项重要的点云预处理技术，在点云后续的处理过程中起关键作用。点云配准的目的在于在给定的度量空间下，找到变化矩阵以建立某一点云到另外一个点云的对应关系。点云配准的相关技术已经广泛应用到三维重建、文物修复、地图绘制和自动驾驶等领域。现有的点云配准算法分为迭代最近点（Iterative Closest Point，ICP）5及其变种算法和基于传统几何特征的配准算法。点云配准中应用最广泛的 ICP 算法是由 Besl P J 等提出的，该算法通过点云之间的最近点距离建立优化模型以建立配准关系。原始 ICP 算法在初始姿态6-8良好对应时可以得到精确的配准结果，否则容易陷入局部最优解。除此之外，该算法还有鲁棒性差和迭代速度慢等缺点。王宾等提出的应用改进迭代最近点算法9在精确配准阶段提出基于双向距离比例的 ICP 算法，提高了配准精度。Zhang J 等提出的快速鲁棒 ICP 算法（Fast and Robust Iterative Closest Point，Fast ICP）10利用优化最小化（Majorization-minimization，MM）11算 法 对 其 进行最小化，在鲁棒性及配准速率上均有提高。ICP 及其变种算法是基于点距离建立配准关系，这类方法在初始位姿较差时容易陷入局部最优解，对部分数据缺失点云的配准存在较大缺陷，算法的鲁棒性与全局优化能力仍然存在一定限制。基于传统几何特征的配准算法通过点对间相同的几何特征建立对应关系进行配准。Salti S 等提出的方向直方图描述子12（Signature of Histogram of Orientation，SHOT）在查询点处建立局部坐标系，将邻近点的空间位置信息和几何特征统计信息相结合用作特征描述。Yang J 等提出的局部特征统计直方图（Local Feature Statistics Histogram，LFSH）13是最近提出的一种基于几何特征的方法，该方法将局部深度、点密度和法线夹角特征进行统计加权，更加全面地描述局部形状几何特征。基于传统几何特征的配准算法鲁棒性更强，但是受几何特征稳定性影响较大，点云特征的求取与对应计算使该类方法配准速率较差。李新春等提出的基于邻域特征点提取和匹配的点云配准算法14、刘玉珍等提出的改进的基于快速点特征直方图的 ICP 点云配准算法15和李宇翔等提出的基于改进三维形状上下文的点云配准算法16通过提取特征点进行配准。特征点提取能够提高配准速率，但对配准精度有较大影响。综合来看，可以将 ICP 及其变种算法与基于传统几何特征的配准算法有机地结合在一起，从而有效提高点云的鲁棒性和配准精度。特征描述符的选取以及对应点匹配是这类方法的研究重点，为进一步配准提供了坚实的基础。本文提出一种基于统计局部特征描述与匹配的点云配准算法，着重选取高效精确的特征描述符、提高对应点匹配的精度和对 ICP 算法进行改进。在特征描述阶段，用点云局部密度、点云拟合平面距离方差、高斯曲率和平均曲率构建一个四维的统计局部特征描述符（Statistics of Local Feature Descriptor，SLFD）；在特征匹配阶段，计算点对之间的特征差异，剔除错误点对，提高配准精度；在点云配准阶段，使用平均匹配距离（MMD）对 ICP 算法进行改进，降低初始位姿对点云配准的影响，进一步提高配准精度。2 特征描述特征描述符用来描述点云的局部特征，描述子的选取将直接影响配准质量。为提高配准精度，描述子应充分反映采样点的邻域信息且具有旋转不变性和平移不变性。点云特征描述符有90第 1 期王鑫淼，等：基于统计局部特征描述与匹配的点云配准算法很多表现形式，其中包括法向量、曲率、欧式距离等一维特征，也包含几个一维特征相结合的多维特征。单一的特征不能够完整且准确地描述点云特征。因此，本文选取点云局部密度、点云拟合平面距离方差对点云局部分布进行描述，选取高斯曲率和平均曲率对局部范围弯曲程度进行描述，构建一个四维的统计局部特征描述符（Statistics of Local Feature Descriptor，SLFD）实现对点云局部特征的准确描述。2.1特征描述子2.1.1点云局部密度点云是随机分布的不规则数据，不同邻域范围内的局部点云密度不同，因此可以通过局部点云密度对该范围内的点云疏密程度进行描述。点云局部密度通过点云各点的距离平均值进行估算，点之间的距离由点云中某一点与其邻域范围内距离该点最近的点的距离表示。平均距离越小，点云分布越密集；平均距离越大，点云分布越分散。如图 1 所示，在平坦区域，分布较为分散；在弯曲程度较大的区域，分布较为密集。假设查询点pi邻域范围内有k个点，采用 K-D 树方法选取查询点pi的邻近点。与最近欧氏距离法相比，K-D 树算法具有更高的效率。用dis(p)表示邻域范围内点p与其他点之间的距离，d(p)表示邻域范围内点p与其他点之间的最小距离，则有：d(p)=min(dis(p)，（1）其邻域范围内k个点到pi的点云局部密度可以表示为：-d=1k+1(d(pi)+j=1kd()pij).（2）2.1.2点云拟合平面距离方差点云分布不止需要考虑疏密程度，还要考虑点云的不规则分布，然而怎样描述点云的不规则分布是点云特征描述符的一大难点。本文通过邻近点到邻域范围的拟合平面距离的方差对该邻域范围内的点云分布进行有效描述。首先，通过邻域内的点得出邻域范围内点云的拟合平面L；然后，计算邻域内各点与 L 之间的距离l；最后，通过邻域范围内拟合平面距离l的方差描述该邻域范围内点云分布情况。由图 2 可以看出，拟合平面距离方差较小时，拟合平面符合点云分布情况，点云分布较为平坦；拟合平面距离方差较大时，拟合平面偏离点云分布情况，点云弯曲程度较大。通过邻域半径中的k个点，利用最小二乘法拟合二次曲面。根据最小二乘原理可得：Q2=i()axi2+bxiyi+cyi2-zi2，i(0，k)，（3）将式（3）系数求导并使其为 0，解出二次曲面系数。将曲面方程写成曲面 L 参数方程的形式：r(x，y)=X()x，y=xY()x，y=yZ()x，y=ax2+bxy+cy2，（4）此时，拟合平面距离方差为：V(pi)=1kj=1k()lij-l，（5）其中：lij为邻近点pij到拟合平面的距离；-l为拟合平面距离的平均值。2.1.3高斯曲率和平均曲率在点云特征描述的过程中，常用的点云特征为法向量和曲率。与法向量相比，曲率具有旋转图 1点云局部密度示意图Fig.1Schematic diagram of local density of point cloud图 2拟合平面示意图。（a）弯曲部分；（b）平坦部分。Fig.2Schematic diagram of the fitting plane.（a）Curved part；（b）Flat part.91第 39 卷液晶与显示不变性，并且能够更加直观地对点云邻域范围的弯曲程度进行描述。曲率分为主曲率、高斯曲率和平均曲率。主曲率又分为最大主曲率和最小主曲率，分别表示垂直于最小曲率面和最大曲率面的曲率值。高斯曲率K为两个主曲率的乘积，其数值大小与曲面上的距离有关，与曲面嵌入到空间的方式无关，因此高斯曲率表示点云的内部几何特征。曲面的平均曲率H描述一个曲面嵌入周围空间的曲率，用来表示该曲面的外在弯曲程度。因此，高斯曲率和平均曲率相结合可以全面地描绘出该点的局部弯曲程度。曲面的第一基本公式可表示为：I=E()dx2+2Fdxdy+G()dy2E=rxrxn，F=rxryn，G=ryryn，（6）曲面的第二基本公式可表示为：II=L()dx2+2Mdxdy+N()dy2L=rxxn，M=rxyn，N=ryyn，（7）高斯曲率为：K=LN-M2EG-F2，（8）平均曲率为：H=EN-2FM+GL2()EG-F2.（9）2.2统计局部特征描述符单一的特征描述符在表达查询点局部特征时具有局限性，在特征匹配的过程中存在误差。多维特征描述符在特征描述时更加准确全面，用点云局部密度、点云拟合平面距离方差、高斯曲率和平均曲率构建一个四维的特征描述符，称为局部特征描述符（Local Feature Descriptor，LFD）。将局部特征中的 4 个描述子分别定义，点云局部密度为参数f1、局部分布特征为参数f2、高斯曲率为参数f3、平均曲率为参数f4，LFD 表示形式为(f1，f2，f3，f4)。在获取三维点云数据时，由于扫描设备的局限性和噪声因素的影响，所扫描的点云数据存在数据偏差和噪声干扰的问题。异常值和噪声会对平面拟合造成影响，从而导致查询点的邻域特征产生偏差。因此，噪声与异常值的存在是点云特征描述的难点。将查询点与其邻近点的特征描述子进行统计加权17可以降低邻域范围内异常值和噪声的影响，查询点与邻近点之间距离的倒数作为权值可削弱距离较远的点对查询点邻域特征的影响。通过统计加权可以得到该查询点 的 统 计 局 部 特 征 描 述 符（Statistics of Local Feature Descriptor，SLFD）。SLFD的计算步骤如下：步骤 1：采用 K-D 树方法选取查询点pi的邻近点。步骤 2：计算查询点pi的点云局部密度、点云拟合平面距离方差、高斯曲率和平均曲率，得到该点的局部特征描述符 LFD。步骤 3：将邻近点pij的 LFD 与查询点pi的LFD进行统计加权，得到该查询点的 SLFD：SLFD(pi)=LFD(pi)+1kj=1k1pi-pij LFD(pij).（10）3 点云配准点云配准是通过两点云之间相应的点对建立对应关系，从而建立变换模型的过程。基于传统几何特征的配准算法将两个点云中特征一致的点对相对应，然后建立变换模型，以达到点云配准的目的。本文通过计算点对间的特征差异确定对应关系，并使用平均匹配距离18（Mean Match Distance，MMD）替换均方根误差（Root Mean Squared Error，RMSE）作为度量，计算两个点云之间的偏差，该算法称为特征一致 ICP 算法（Feature Consistency Iterative Closest Point，FC-ICP）。3.1特征差异在点云局部特性描述之后，如何找出相应的匹配点对是点云配准过程中的一个难点。通过两点之间的特征差异（Feature Difference，FD）确图 3SLFD的邻域范围Fig.3Neighborhood range of SLFD92第 1 期王鑫淼，等：基于统计局部特征描述与匹配的点云配准算法定对应关系，两个不同点云间的 FD19如式（11）所示：FD(pi，qi)=a=14()fa()pi-fa()qi2fa()pi+fa()qi，（11）其中：pi为源点云中的点，qi为目标点云中的对应点，fa为第a项参数。FD 越小，两个点之间的特征越相近。当 FD为 0 时，两点之间特征相同。为进一步提高相同特征点对匹配的正确率，选取阈值为 0.002。当FD超过阈值时，两个点的特征差别较大。3.2FC-ICP算法配准算法的具体流程图如图 4所示。点云配准具体实现步骤如下：步骤 1：计算源点云与目标点云的 SLFD。步骤 2：使用最远点采样（FPS）20的方法从目标点云 T 中选取m个样本点，将这些点定义为样本点集 Q。步骤 3：在源点云 P 的 SLFD 中找到与样本点集 Q 的 SLFD 相同的点。从点集 Q 中随机选择一个点作为点云 T 中样本点的对应，使其 FD最小。若 FD 大于阈值，说明该点不存在对应点，则说明该点邻域内存在噪声和异常值的影响，此时，将点集 Q中的该点去除。步骤 4：通过奇异值分解（Singular Value Decomposition，SVD）计算两个点云对应点之间的关系求取源点云到目标点云的变换模型：S=Rb S+Tb，（12）其中，b为变换次数。步骤 5：通过计算平均匹配距离MMD度量两个点云之间的匹配程度：MMD=i=1upi-qi2u，（13）其中：pi为目标点云中的样本点，qi为源点云中SLFH 特 征 与pi相 对 应 的 点，u为 采 样 匹 配 点对数。步骤 6：对上述步骤进行迭代，更新源点云与目标点云之间的变换关系，当MMD达到最小值时，停止迭代。4 实验与结果为了验证算法的适用性和可行性，本文在Intel core i5-6200 2.4GHz（CPU）2G RAM 计算机上，通过 Visual Studio 2019 环境下的 C+语言，使用 PCL 1.11.0 点云公共库进行验证。本 文 以 斯 坦 福 大 学 点 云 数 据 集21中 的 Bunny（35 947 个点）、China Dragon（437 645 个点）点云模型和 Creaform Handy SCAN 700 高精度工业级手持式三维激光扫描仪获得的沐浴露瓶（Bottle）点云22（21 469 个点）作为实验对象，设置了 4 组实验。第一组实验考虑不同初始位姿对点云配准的影响，分别使用初始位姿不同的 Bunny模型作为源点云进行配准。第二组实验考虑不同程度数据丢失情况的点云配准，分别选取随机旋转平移变换后点云数据的 10%数据缺失情况（32 865 个点）、30%数据缺失情况（26 127 个点）和 50%数据缺失情况（17 325个点）的 Bunny模型作为源点云进行配准。第三组实验考虑不同噪声条件的点云配准，使用 China Dragon模型，在原始点云旋转后的数据上分别加入标准差为 1 mm、2 mm 和3 mm 的高斯噪声干扰作为源点云进行配准。最后，将实际物品Bottle点云数据进行随机的旋转平移变换、部分数据截取以及加入标准差为 2 mm的高斯噪声干扰作为源点云（17 837个点）验证本文图 4点云配准流程图Fig.4Flowchart of point cloud registration93第 39 卷液晶与显示算法在实际应用中的效果。将 FC-ICP 与 ICP 算法、基于双向距离比例的 ICP 算法、改进的基于快速点特征直方图的ICP 点云配准算法和一种基于改进三维形状上下文的点云配准算法进行对比，验证算法优势。配准时间均由读取点云数据开始，直至配准完成进行计算。将配准后的点云与目标点云之间距离的均方根误差作为点云配准精度评价指标，RMSE定义为：RMSE=1Ni=1NR pi+T-qi2，（14）其中，R pi+T-qi2表示配准后对应点对之间的欧氏距离。因此均方根误差数值越大，两点 云 对 应 点 间 的 距 离 越 大，即 点 云 配 准 精 度越低。4.1不同变换状态的点云配准在三维扫描仪扫描数据的过程中，扫描物品 会 在 不 同 的 环 境 下 产 生 旋 转 与 位 移 变 化。ICP 及其变种算法在初始位姿较差时，容易陷入局部最优解。为分析算法在非理想状况下的配准精度，通过实验对点云进行随机的旋转和平移。将基于双向距离比例的 ICP 算法简写为双向 ICP，改进的基于快速点特征直方图的 ICP 点云配准算法记为 Paper1，基于改进三维形状上下文的点云配准记为 Paper2。配准情况如图 5所示。表 1 为不同变换状态下 Bunny 模型的配准数据。由表 1 可知，ICP 和双向 ICP 算法通过点对间的最小距离进行配准，对初始位姿较差的点云配准精度较差。与两种算法相比，FC-ICP 算法精度提高 2个量级。与 ICP 算法相比，FC-ICP算法速率提高 25%，与双向 ICP 算法相比，提升更多。Paper1和 Paper2算法通过提取特征点，再通过特征点的局部特征进行对应的方式进行点云配准。特征点提取具有局限性，因此虽然两个算法在初始位姿较差时仍有较好结果，但整体配准精度较差。与 Paper1 算法相比，FC-ICP 算法的配准精度提高 93.45%以上，节省 24.29%以上的时间。与 Paper2 算法相比，FC-ICP 的配准时间节省 24.7%以上，配准精度提高 95.29%以图 5不同变换状态下 Bunny模型配准情况Fig.5Bunny model registration under different transformation states表 1不同变换状态下 Bunny模型配准数据Tab.1Registration data of Bunny model under different transformation states参数RMSE/10-5Registration time/s初始位姿初始位姿良好初始位姿较差初始位姿良好初始位姿较差算 法ICP8.850 489.593 5636.08736.985双向 ICP2.740 077.425 7346.92148.179Paper10.205 700.291 1235.74637.955Paper20.272 710.538 7135.93136.377FC-ICP1.285 06 e-021.849 79 e-0227.06526.83394第 1 期王鑫淼，等：基于统计局部特征描述与匹配的点云配准算法上。FC-ICP 对整体点云进行特征描述并查找对应点对，由此可见，FC-ICP 算法对任意变换状态下的点云均有较好的配准结果。4.2不同程度数据丢失状态的点云配准在三维扫描仪扫描数据的过程中，遮挡、缺失等环境因素会造成点云数据的不完整。为分析算法在非理想情况下的配准精度，对原始点云数据进行旋转平移变换，再分别选取随机旋转平移变换后点云数据的 10%数据缺失情况、30%数据缺失情况和 50%数据缺失情况的 Bunny 模型作为源点云进行配准，对算法进行验证，部分点云配准情况如图 6所示。表 2为不同程度数据丢失状态下 Bunny模型的配准数据。从表 2 可以看出，部分数据缺失的点云对于 ICP 及其变种算法有较大影响，ICP 算法和双向 ICP 算法对于部分点云配准精度较差。FC-ICP 配准精度比 ICP 算法精度提高 99.7%以上，节省 21.41%以上的时间，比双向 ICP 算法配准精度提高 99.25%，节省更多的时间。部分数据缺失的点云对 Paper1 和 Paper2 这类基于传统几何特征的点云配准算法影响较小。与Paper1 算法相比，FC-ICP 的点云配准精度提高67.33%，速率提高 26.1%。与 Paper1算法相比，FC-ICP 的点云配准精度提高 89.11%，速率提高16.3%。FC-ICP 算法查找相同的 SLFD 建立正确的匹配点对，将无法对应的采样点剔除，因此该算法能在点云部分数据缺失的情况下得到更好的配准结果，配准精度有效提高。图 6不同程度数据丢失状态下 Bunny模型配准情况Fig.6Bunny model registration under different degrees of data loss表 2不同程度数据丢失状态下 Bunny模型配准数据Tab.2Registration data of Bunny model under different degrees of data loss参数RMSE/10-5Registration time/s数据丢失/%数据丢失 10数据丢失 30数据丢失 50数据丢失 10数据丢失 30数据丢失 50算 法ICP10.330 809.836 447.759 7836.32530.53623.261双向 ICP7.915 488.714 295.986 0747.25539.15027.965Paper10.134 070.188 350.139 2434.30437.91829.337Paper20.402 470.548 400.989 0130.28427.73424.130FC-ICP4.384 41 e-023.625 08 e-024.498 22 e-0225.34822.49818.28095第 39 卷液晶与显示4.3不同程度噪声状态的点云配准在三维扫描仪扫描数据的过程中，噪声干扰会导致点云数据产生异常。使用 China Dragon作为目标点云，对原始点云数据进行随机旋转变换后，分别加入标准差为 1 mm、2 mm 和 3 mm 的随机高斯噪声，对比算法在噪声环境中的配准精度和配准时间，从而验证算法的鲁棒性。从开始读取点云计算时间衡量速率，使用配准前后的均方根误差作为衡量指标。由于 China Dragon 模型数据量较大，这部分实验时间较长。不同噪声条件下 China Dragon模型配准情况如图 7所示。表 3为不同噪声条件下 China Dragon模型配准数据。根据表 3可知，FC-ICP在较大噪声情况下，SLFD 受噪声影响，点对匹配不准确，点云模型变换迭代次数增多，配准时间增加。ICP 算法与双向 ICP 算法陷入最优解，配准精度较小。由于 Paper1 和 Paper2 算法都是通过点云局部特征进行特征点提取，噪声对特征点提取存在较大影响。与 Paper1 算法相比，FC-ICP 的配准精度提高 48.95%，速率提高 5.24%。Paper2 算法受噪声影响较大，鲁棒性较差，FC-ICP 的配准精度提高 22.75%，配准时间节省 6.89%。由此可见，FC-ICP 算法在噪声较小时，能够有效完成配准；在噪声较大时，估算点云曲率需对邻域范围进行平面拟合，拟合平面存在偏差，估算曲率误差较大，FC-ICP鲁棒性仍需提高。4.4实际物品的点云配准为了验证 FC-ICP 在实际应用中的效果，以Creaform Handy SCAN 700 高精度工业级手持式三维激光扫描仪获得的沐浴露瓶（Bottle）点云作为实验数据。为了模拟点云在实际情况下的配准过程，对原始数据进行随机的旋转平移变表 3不同噪声条件下 China Dragon模型配准数据Tab.3Registration data of China Dragon model under different noise conditions参数RMSE/10-5Registration time/s噪声/mm123123算 法ICP23.005 828.529 737.996 5585.605644.375689.756双向 ICP13.485 215.812 319.358 3719.847837.688896.683Paper11.348 521.581 231.935 83747.709631.137676.642Paper22.497 721.042 6542.486 6628.165639.264735.510FC-ICP0.170 6060.807 2630.209 657450.598595.188641.174图 7不同噪声条件下 China Dragon模型配准情况Fig.7China Dragon model registration under different noise conditions96第 1 期王鑫淼，等：基于统计局部特征描述与匹配的点云配准算法换，切割部分数据，并且加入均方差为 2 mm 的高斯噪声。图 8为 Bottle实物的配准情况，表 4为配准误差和配准时间。结合表 4可以看出，在实物配准过程中，ICP算法和双向 ICP 算法陷入局部最优解。Paper1和 Paper2算法受噪声影响，精度较低。与其他算法相比，FC-ICP 算法精确度提高 70.52%以上，配准速率提高 9.92%以上。5 结论针对点云配准在初始位姿差、数据缺失和噪声干扰情况下的问题，本文提出一种基于统计局部特征描述与匹配的点云配准算法。通过点云局部密度、点云拟合平面距离方差、高斯曲率和平均曲率构建了一个四维的统计局部特征描 述 符（Statistics of Local Feature Descriptor，SLFD），更加准确全面地描述点云局部特征。通过点对间的特征差异查找对应点，确定对应关系，使用改进的 FC-ICP 算法对点云模型进行配准。由斯坦福大学点云数据集和实物数据集的点云配准实验结果可以看出，不存在噪声时，配准精度提高 67.33%以上；存在噪声时，配准精度提高 22.75%以上。当点云数据较少时，配准速率提高较大，节省 16.3%的时间；当点云数据较多时，速率提升 5.24%。由此可见，在不同的环境下，本文算法与 ICP 算法、双向 ICP 算法、改进的基于快速点特征直方图的 ICP 点云配准算法和基于改进三维形状上下文的点云配准相比较，具有较高的配准精度和配准速率，鲁棒性更强。由于本文算法需要计算大量局部特征，因此该算法配准速率较慢，时效性差，对大场景点云配准适用性较差。后续需要加快配准速率，使其时效性增强，增加大场景点云配准的适用性。参考文献：1 李勇，佟国峰，杨景超，等.三维点云场景数据获取及其场景理解关键技术综述 J.激光与光电子学进展，2019，56（4）：040002.LI Y，TONG G F，YANG J C，et al.3D point cloud scene data acquisition and its key technologies for scene understanding J.Laser&Optoelectronics Progress，2019，56（4）：040002.（in Chinese）2 戴静兰.海量点云预处理算法研究 D.杭州：浙江大学，2006.DAI J L.A research on preprocessing algorithms of mass point cloud D.Hangzhou：Zhejiang University，2006.（in Chinese）图 8实际物品 Bottle配准情况Fig.8Actual registration of Bottle model表 4Bottle实物的配准数据Tab.4Registration data of Bottle参数RMSE/10-5Registration time/s算 法ICP2.511 7327.227双向 ICP2.321 2230.518Paper11.579 2029.028Paper21.505 1328.482FC-ICP0.440 6224.52797第 39 卷液晶与显示3 李建微，占家旺.三维点云配准方法研究进展 J.中国图象图形学报，2022，27（2）：349-367.LI J W，ZHAN J W.Review on 3D point cloud registration method J.Journal of Image and Graphics，2022，27（2）：349-367.（in Chinese）4 杨佳琪，张世坤，范世超，等.多视图点云配准算法综述 J.华中科技大学学报（自然科学版），2022，50（11）：16-34，43.YANG J Q，ZHANG S K，FAN S C，et al.Survey on multi-view point cloud registration algorithm J.Journal of Huazhong University of Science and Technology（Natural Science Edition），2022，50（11）：16-34，43.（in Chinese）.5 BESL P J，MCKAY N D.A method for registration of 3-D shapes J.IEEE Transactions on Pattern Analysis and Machine Intelligence，1992，14（2）：239-256.6 魏亮，薛牧遥，霍炬，等.基于 ICP 算法的非合作目标特征点云配准优化 J.系统仿真学报，2020，32（12）：2383-2387.WEI L，XUE M Y，HUO J，et al.Non-cooperative target feature point cloud registration optimization based on ICP algorithm J.Journal of System Simulation，2020，32（12）：2383-2387.（in Chinese）7 张旭春，周洪军，郑津津，等.基于多尺度特征及点距离约束的点云配准 J.激光与光电子学进展，2021，58（24）：2415004.ZHANG X C，ZHOU H J，ZHENG J J，et al.Point cloud registration based on multi-scale feature and point distance constraint J.Laser&Optoelectronics Progress，2021，58（24）：2415004.（in Chinese）8 孙水发，李准，夏坤，等.变尺度点云配准算法 J.系统仿真学报，2018，30（7）：2465-2474.SUN S F，LI Z，XIA K，et al.Variable scale point cloud registration algorithm J.Journal of System Simulation，2018，30（7）：2465-2474.（in Chinese）9 王宾，刘林，侯榆青，等.应用改进迭代最近点方法的三维心脏点云配准 J.光学 精密工程，2020，28（2）：474-484.WANG B，LIU L，HOU Y Q，et al.Three-dimensional cardiac point cloud registration by improved iterative closest point method J.Optics and Pre