基于組合特征點提取與匹配的點云配準研究

摘要：針對點云配準受初始位姿以及冗余數據影響，存在易產生誤匹配、配準效率低等問題，文章提出一種基于組合特征點提取與匹配的點云配準方法。首先通過局部協方差矩陣計算特征值偏離比提取的特征點以及超體素質心點組合作為特征點，利用SHOT進行特征描述。然后結合雙向最鄰近以及改進的隨機采樣一致性算法篩選匹配關系，實現點云的粗配準。最后使用迭代最近點算法進行優化。實驗結果表明，粗配準點云獲得了較好位姿，縮短了精配準時間，提高了配準效率，具有較好的配準效果。

關鍵詞：點云配準；特征值偏離比；超體素

中圖分類號：TP391 文獻標志碼：A

0 引言

隨著激光掃描、條紋投影等三維測量技術快速發展，點云在文物修復［1］、醫學、自動駕駛［2］和工程測繪［3］等多個領域得到了廣泛應用。然而，在實際應用中，由于環境、設備、視角以及物體遮擋等因素影響，采集到的點云數據通常不完整。因此，對點云進行配準處理成為關鍵環節。

點云配準通常分為2個關鍵步驟：粗配準和精配準。粗配準用于在源點云與目標點云的初始相對位置未知的情況下，完成初步對齊，其主要目標是為后續的精配準提供更為理想的初始變換矩陣［4］。精配準則依托已有的初始變換矩陣，通過迭代優化方法尋找全局最優解，從而實現高精度點云配準［5］。近年來，許多研究致力于提升點云配準的精度與效率。陸軍等［6］根據不同鄰域尺度空間特征的差異性，計算局部曲面變化指數，提取具有代表性的特征點，設計一種基于歐氏距離的二重篩選法優化對應點集，提高了對較低重疊率的配準能力，但是配準時間相對較長。王明等［7］則利用鄰近點到中心點切平面的加權距離均值選取關鍵點，提出一種基于鄰近匹配對歐氏距離相對一致性的對應關系查找策略優化對應關系，提高了初始配準精度，配準時間也有所降低。王一等［8］在采樣后的點云上通過ISS算法提取關鍵點，采用3DSC描述符進行描述，再將4PCS算法中的隨機點替換為ISS-3DSC特征點進行粗配準，配準精度較好，但在噪聲較多或幾何特征不顯著的情況下，可能會影響配準的穩健性。

本文提出了一種基于組合特征點提取與匹配的點云配準方法。首先，該方法將基于特征值偏離比提取的特征點和超體素的質心點相結合，形成更具代表性的組合特征點選取方法，利用SHOT對特征點進行特征描述，然后根據點特征描述子尋找雙向最近鄰的匹配關系，利用融合幾何距離不變性改進隨機采樣一致性算法，優化匹配關系，降低誤匹配點對的數量，利用奇異值分解完成點云的粗配準，最后使用迭代最近點算法進一步優化配準結果。本文方法能夠獲取較好的初始位姿，縮短精配準時間。

1 點云的粗配準

1.1 組合特征點提取

1.1.1 基于特征值偏離比的特征點

1.1.2 基于超體素的特征點

基于特征值偏離比提取的特征點，通常集中于幾何特征突出的區域，如角點或局部結構變化顯著的位置。然而，對于點云中的平滑區域，幾何變化不明顯，特征值偏離比難以有效區分其特性，導致特征點提取能力不足。為解決此問題，本文引入超體素質心點，與特征值偏離比提取的特征點相結合。

超體素方法通過對點云進行空間劃分，將點云分割為多個小體素。每個體素中的點根據幾何位置、法向量等屬性進行聚合，形成局部相似區域，提取每個區域的質心點作為特征點。超體素質心點在點云中的分布均勻，能夠有效表達全局幾何特征，同時具有較強的抗噪能力和魯棒性。

將基于特征值偏離比提取的特征點與超體素提取質心點相結合，既可以精確捕捉具有顯著幾何特性的局部關鍵點，又可以有效保留全局結構信息。這種組合特征點提取方法，提高了特征點分布的均勻性，從而為后續點云配準提供更加穩健的特征點支持。

1.2 SHOT特征描述

局部三維特征描述符可劃分為2類，一類是基于簽名的描述符，強調特征的描述性，另一類是基于直方圖的描述符，強調特征的魯棒性。Salti等［11］提出了一種SHOT特征描述符，該方法巧妙地結合了幾何分布的魯棒性和直方圖統計信息的獨特性。具體實現步驟如下。

（1）以特征點為中心，設定鄰域半徑r2，計算鄰域協方差矩陣的特征值以及對應的特征向量，將特征值從大到小排列，其對應的特征向量作為x、y、z 3個坐標軸，建立局部參考坐標系，根據鄰域點對參考坐標系的二義性進行消除。

（2）將特征點的球形鄰域劃分為多個子區域，具體是按照徑向、方位角和高度方向分別進行劃分。徑向方向劃分為2個部分，方位角劃分為8個區域，高度方向劃分為2層，總共細分為32個子區域。

（3）統計每個子空間中鄰域點與查詢點的法向量夾角余弦值分布，利用公式（3）計算每個子空間內的鄰域點法向量nq與局部坐標系z軸方向向量zk的夾角余弦值。將計算結果劃分為11維直方圖，對32個子空間的直方圖依次進行組合，構成352維特征直方圖。

（4）為了減少直方圖構建過程中可能出現的邊界效應，當將點的屬性累加到直方圖的某個區間時，同時對其鄰近區間以及相鄰子塊的直方圖對應區間進行四線性插值處理。以高度方向為例的插值過程如圖2所示，其余方向的插值方法類似。

1.3 匹配關系篩選

2 點云的精配準

3 實驗與結果分析

為驗證本文配準方法的可行性與有效性，選用斯坦福Bunny 2個角度的點云數據，利用圖漾科技公司型號為FS820-E1的雙目相機，采集玩具小熊2個不同角度的點云數據進行實驗。

實驗硬件條件為Windows10 64位操作系統，Intel（R） Core（TM） i7-8750H CPU，16G內存，在Visual Studio 2022開發平臺結合PCL 1.13.0開源點云庫運行。將2個不同角度的點云數據bun00與bun45以及Xiong00與Xiong45分別作為源點云和目標點云進行實驗。

3.1 特征點提取結果

特征點提取如圖4所示，展示了bun00點云的特征點提取結果。如圖4（a）所示，基于特征值偏離比提取的特征點，其鄰域具有顯著的幾何形狀特征，通常集中在表面起伏較大的區域，例如兔子的耳朵、尾巴和腿部等位置。這些區域由于幾何特性變化劇烈，特征值偏離比方法能夠有效捕捉關鍵點，反映局部區域的顯著特性。然而，這種方法對表面平滑區域的特征點提取能力有限。

相較之下，如圖4（b）所示，基于超體素提取的特征點則更加均勻地分布，能夠覆蓋整個點云的全局區域。通過對點云進行空間劃分，超體素提取方法能夠在點云的平滑區域、密集區域以及稀疏區域都能均勻生成特征點。

將基于特征值偏離比提取的局部關鍵點與基于超體素提取的全局特征點相結合，形成的組合特征點集具有顯著優勢，如圖4（c）所示。一方面，保留了局部幾何特性顯著區域的高密度特征點，能夠精確表達模型的細節變化；另一方面，覆蓋了點云的全局信息，彌補了單一方法在平滑區域特征點提取上的不足。這種結合使特征點的分布更加均勻和全面，能夠更有效地反映點云模型的特性。

3.2 匹配關系篩選結果

本文采用雙向最近鄰策略，結合融合幾何距離不變性的改進隨機采樣一致性算法，對匹配關系進行了多層次篩選，顯著減少了單一篩選方式可能導致的誤匹配問題。圖5為兔子和小熊2組實驗點云中特征點的匹配結果。從圖5（a）初次匹配中可以看出，初始匹配中存在大量錯誤匹配點對，這些誤匹配可能對后續配準產生較大干擾。而經過本文方法的篩選后，如圖5（b）篩選后的匹配圖所示，匹配關系明顯優化，誤匹配點對大幅減少，匹配結果更加準確且穩健，未出現明顯的錯誤匹配點對。這表明本文方法能夠有效提升匹配點對的質量，為后續點云配準提供可靠保障。

3.3 點云配準對比實驗

為驗證本文所提的點云配準方法在具體點云模型上的配準效果，將ISS+FPFH+SAC- IA+ICP配準方法，記為方法A，基于SIFT特征點提取的ICP配準算法［12］，記為方法B，方法A、方法B與本文方法進行實驗對比，配準效果通過計算對應點之間距離平方和的均值來衡量配準誤差。

從圖6（a）和圖6（b）可以看出，使用方法A和方法B進行粗配準時，結果存在較多未重合區域，局部偏差明顯且整體誤差較大。而采用本文方法進行粗配準后，如圖6 （c）所示，整體結果趨于重疊，無明顯錯誤，為精配準提供了更加可靠的初始位姿。點云的精配準實驗結果如圖7所示。

在較好的初始位姿基礎上進行精配準，本文方法在精度和運行時間上均優于方法A和方法B。具體表現如圖7、表1以及表2所示，在兔子和小熊點云模型上，本文方法的精配準誤差分別為4.265×10-6和3.276 ×10-6，均低于方法A的和方法B。同時，精配準時間顯著縮短，分別為0.286 s和 1.563 s。在算法總運行時間上，本文方法分別為1.767 s和4.433 s，也優于其他方法，相比于方法A，總運行時間平均減少了40.92%，相比于方法B，總運行時間平均減少了31.37%。

4 結語

點云配準過程中會受到初始位姿以及冗余數據影響，導致配準效率低以及單一特征點存在描述點云特征能力不足，本文提出了將基于特征值偏離比提取的特征點以及超體素的質心點組合作為特征點，簡化點云數據，利用SHOT進行特征描述，然后結合雙向最鄰近策略以及融合幾何距離不變性改進的隨機采樣一致性算法對匹配關系進行篩選，保留較為準確的對應關系，使得點云的粗配準為后續精配準提供了一個較好的初始位姿，縮短了精配準時間，提高了配準效率以及配準精度。

參考文獻

［1］董力， 江文松， 羅哉， 等.多角度弱紋理文物三維掃描測量方法［J］.計量學報， 2024（6）：769-776.

［2］王翊成， 李明磊， 魏大洲， 等.基于點密度調整的激光雷達點云配準改進方法［J］.計算機與數字工程， 2024（1）：227-232.

［3］李陽， 葛紀坤， 李海峰.隧道工程測量中三維激光掃描點云配準方案的優化設計［J］.北京測繪， 2020（11）：1525-1529.

［4］侯彬， 金尚忠， 王赟， 等.點云配準方法在粗配準中的比較［J］.激光與光電子學進展， 2020（8）：294-301.

［5］李為民， 劉超.基于PCA的ICP點云配準算法的改進研究［J］.工業控制計算機，2020（6）：11-13.

［6］陸軍， 邵紅旭， 王偉， 等.基于關鍵點特征匹配的點云配準方法［J］.北京理工大學學報， 2020（4）：409-415.

［7］王明， 嚴飛.局部距離優化的點云配準算法［J］.激光雜志， 2023（2）：57-62.

［8］王一， 張鑫淼， 王瑩， 等. 基于ISS-3DSC特征的點云配準方法［J］.中國測試，2025（2）：62-67，80.

［9］王明軍， 易芳， 李樂， 等.自適應局部鄰域特征點提取和匹配的點云配準［J］.紅外與激光工程， 2022（5）：431-440.

［10］趙東， 江浩， 王青， 等.基于特征值偏離比的點云配準［J］.應用激光， 2024（6）：177-183.

［11］SALTI S， TOMBARI F， STEFANO D L. SHOT： unique signatures of histograms for surface and texture description［J］. Computer Vision and Image Understanding， 2014（5）; 251-264.

［12］錢博， 宋璽鈺.基于SIFT特征點提取的ICP配準算法［J］.沈陽理工大學學報， 2024（3）：48-54.

（編輯 王雪芬編輯）

Research on point cloud registration based on combined feature point extraction and matching

ZHENG "Qilin， LUO "Yinsheng SONG "Wei

（Jiangsu University of Technology， Changzhou 213001， China）

Abstract： "To address the issues of mismatches and low registration efficiency caused by the influence of initial poses and redundant data in point cloud registration， the article proposes a point cloud registration method based on the extraction and matching of combined feature points. Feature points are selected by combining the feature points extracted using the eigenvalue deviation ratio computed from the local covariance matrix and the supervoxel centroid points. SHOT is used for feature description， and the matching relationships are refined using a combination of the bidirectional nearest neighbor strategy and an improved random sample consensus algorithm. This process achieves coarse registration of point clouds， followed by optimization using the iterative closest point algorithm. Experimental results show that this method provides an accurate initial pose for coarse-registered point clouds， reduces the time required for fine registration， improves registration efficiency， and achieves favorable registration results.

Key words： point cloud registration; eigenvalue deviation ratio; supervoxel