《表2 本文配准算法与传统ICP算法的对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《融合采样一致性和迭代最近点算法的点云配准方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

由于传统ICP算法要求待配准两组点云集须为包含关系，在点云集中能够找到相应数据点的对应点，且传统ICP算法在对应点对的寻找过程中耗费很大的计算代价，最差情况下时间复杂度达到O（NpNq），理想情况下时间复杂度也达到O（Nplog Nq）。寻找对应点对时，传统ICP算法对对应点对的认定条件是两者之间的欧氏距离最小，这将有可能导致产生一些误点对，进而使整个算法迭代朝向局部最优。本文针对传统ICP算法中出现的上述问题进行改进，通过对提取出的点云FPFH特征使用采样一致性算法进行待配准点云集的初始变换估计，以此获得较优的初始配准位置，有效解决两组点云集位置相差较大时使用传统ICP算法配准易陷入局部最优解的问题，在搜寻对应点对时通过k-d树进行加速，与此同时使用方向向量阈值法及时剔除掉误点对，防止了误点对在迭代中产生影响，最后使用ICP算法进一步提高算法的配准准确度，经过实验证明，与传统ICP算法的配准效果相比，本文算法具有更高的配准精度和效率，在配准结果能够保证具有可靠性和鲁棒性的同时，控制误差在允许的范围之内，有效降低重复迭代的次数并且大幅加快变换过程的收敛速度。