基于ISS-3DSC特征的點云配準方法

關鍵詞： 點云配準; 三維形狀上下文特征; 關鍵點的四點一致集; 迭代最近點

中圖分類號： TB9; TN249 文獻標志碼： A 文章編號： 1674–5124（2025）02–0062–06

0 引言

三維激光設備的普及使得目標物體的空間點云信息采集變得極其便利，由于受到設備精度、被測物形狀等各方面的限制，要對不同角度獲得的點云數據進行配準。近年來，點云配準在眾多領域都發揮著重要作用，因此研究高精度且耗時短的點云配準方法具有重要意義。

目前，點云配準[1] 分為粗配準和精配準兩部分。粗配準分為特征點匹配和隨機采樣一致性算法。特征點匹配通過描述特征點，找到源點云與目標點云中對應點。傅靜雅等 [2] 提出一種融合曲率信息提取特征點的算法，但該種算法配準時間略長。基于隨機采樣一致性的配準算法，Nicolas Mellado等 [3]提出Super-4PCS 算法，對4PCS 進行了改進，降低了4PCS算法的時間復雜度，提高了配準效率，但其在全局中尋找共面四點集的計算復雜度依然較高。精配準采用迭代最近點算法，由于該算法容易出現局部最優情況，同時該算法對點云的初始位置要求也較高，李仁忠等[4] 在此基礎上進行改進。曾俊飛等[5] 提出一種自適應的列文伯格-馬夸爾特的點云配準算法，將點云配準轉化成非線性最優化，引入列文伯格-馬夸爾特模型求解最優解來改進ICP算法，該算法提高了配準精度但其耗時相對較長。XUG X[6] 提出一種將三維形狀上下文特征去描述特征點和隨機樣本一致性等算法改進ICP 的算法，該算法在不同的點云樣本上都有較好的配準精度且配準誤差也有所降低。但上述方法由于關鍵點的提取缺少特征性等其他問題使得配準性能較低。

本文針對點云配準過程中計算復雜度較高和用時較長問題，提出一種基于ISS-3DSC 特征改進的點云配準方法。利用ISS 算法對采樣后的點云提取關鍵點，并由3DSC 描述符進行描述，將4PCS 算法中的隨機點替換為ISS-3DSC 特征點進行粗配準，最后采用基于中值距離改進的ICP 算法去除粗配準中的錯誤點對完成精配準。

1基本原理

本文利用改進的體素濾波法對點云進行下采樣，該方法使用原始數據中距離體素重心坐標最近的點代表該柵格內的若干點。提出ISS-3DSC算法檢測關鍵點特征， 根據檢測到的關鍵點特征采用K4PCS算法完成待配準的兩個點云集的粗配準。精配準環節針對ICP 算法容易出現局部最優的問題，對利用中值距離法去除錯誤點對，計算對應點集中所有點到點距離的中值，去除錯誤點對后，根據正確點對的對應關系，通過奇異值分解法計算兩個點云中的變換矩陣。具體方法流程如圖1所示。

1.1體素濾波預處理

由于三維激光掃描方法[7] 獲取的點云數據存在大量冗余數據，使得配準時間較長，因此選擇體素濾波法[8] 進行濾波。由于濾波過程中需要盡量保留點云數據原有特征，而體素濾波法應用重心點可能會使原始點位置發生移動，因此為保留原始點云的細小特征，應用距離體素重心點最近的點代替體素重心點。

2實驗結果與分析

本文的實驗數據來自斯坦福大學的Bunny 數據集、Armadillo 數據集和Dragon 數據集。實驗平臺為 Intel（R）Core （TM）i5-7200U@2.50 GHz 2.70 GHz處理器，16G 運行內存，操作系統為Windows10，64 位操作系統，在VS2019 開發環境下結合PCL1.10.1點云資源庫完成實驗。

為了驗證本文算法的合理性和有效性，將本文算法與相同環境下的基于方向向量約束的改進的ICP算法、傳統K4PCS 算法、ISS-3DSC+RANSAC+ICP 算法進行對比（以下簡寫為RANSAC+ICP）。配準精度衡量標準采用配準時間和配準效果以及旋轉誤差、平移誤差和總誤差來評價。

2.1配準效果對比

為了驗證本文算法，設置待配準的兩片點云點數相同和不同為對比實驗。選取源點云點數為29 885，目標點云點數為32385的Armadillo數據集進行配準；再選取源點云和目標點云點數都為35947的Bunny數據集作為對比實驗，不同算法的配準結果如圖4所示。

圖4中，圖（a）綠色點云是源點云，藍色點云是目標點云；圖4（b）、圖4（c）、圖4（d）紅色點云為經過旋轉矩陣、平移矩陣變換后的點云。點云重合越多，配準效果越好。圖4 中第一行圖是兩個點數相同數據集之間的配準效果，圖4 中第二行圖是兩個點數不相同的數據集之間的配準效果。可以看出，無論待配準的兩個數據集的點數是否相同，本文算法都具有較高的重合率。

由于真實場景中待配準的兩個數據集之間點云數量未必相同，待配準的點云中的點也未必完全對應。為了驗證本文所提方法通用性，選取點云點數較多的Dragon數據集進行配準，源點云數量為437645，目標點云數量為437 645。Dragon數據集配準結果如圖5所示。

由圖5（b）～（c）得，在點云點數較多的情況下，本文算法全局和局部配準效果都較為良好。可以應用在工業場景點云數據量較大的情況下，具有一定實用性。

2.2實驗結果對比

為了更加直觀對比三個算法配準效果，不同數據集在三個算法中配準結果的量化結果如表1、表2所示，其中本文算法總時長包括下采樣、提取關鍵點、粗配、精配等步驟。

由表1可知，在Bunny數據集上，相較于傳統K4PCS 算法， 本文算法粗配準所用時間縮短約83.37%，總時長縮短約21.37%；相較于改進的ICP算法本文算法精配準所用時間縮短約99.77%，總時長縮短76.54%；相較于RANSAC+ICP算法本文算法配準總時間縮短約15.45%，在Armadillo數據集上的粗配、精配時間都明顯縮短。由表2可知，本文算法在點云數據量較大的情況下，配準用時依然較短，故本文算法可應用在工業工程中點云數據量較大的情況下，驗證了本文算法的實用性。

2.3誤差對比

源點云經過指定變換關系后得到目標點云。本文算法與傳統的K4PCS算法、改進的ICP算法完成配準后將會生成變換矩陣，將生成的變換矩陣通過相應的函數計算出旋轉角度和平移距離作為測量值。計算各個算法的測量值與真實值之間的旋轉誤差和平移誤差（旋轉、平移誤差取X、Y、Z 三個方向的誤差），對應點之間的均方根誤差。

RMSE 越小，配準誤差越小，精度越高。Bunny數據集和Armadillo 數據集在不同算法下的旋轉誤差、平移誤差、均方根誤差如表3、表4所示。

通過上述實驗，對旋轉誤差、平移誤差以及總誤差的確定，比較四種算法在不同數據集上的誤差大小。從實驗結果中可以看出本文算法在Bunny數據集上的各項誤差值都相對傳統的K4PCS算法相對較小；而在Armadillo數據集下平移誤差和旋轉誤差都相對較小。整體來說，本文算法在誤差方面表現較為良好。

由表5可知，在點云點數較多的Dragon數據集上，本文算法各項誤差值也較為良好，可見本算法有較好的配準精度。

3結束語

本文針對傳統K4PCS算法粗配準過程中計算復雜度較高、配準用時較長等問題進行研究和實驗，提出一種基于ISS-3DSC特征的點云配準方法。該方法選用點云中距離體素重心點最近的點代替體素重心點對進行下采樣，能夠最大程度保留點云的微小特征；利用ISS提取關鍵點并由3DSC進行描述，為粗配準階段的K4PCS算法提供特征更明顯的對應點，最后采用基于中值距離改進的ICP算法完成精配準，距離大于中值乘系數的點對被視為錯誤點對剔除。通過實驗對比得出，本文算法配準重合效果較好、配準時間總時長縮短、誤差各項表現相當。