本文概述了点云配准的研究历史，从1992年的ICP算法开始，介绍了一系列改进方法，包括提高鲁棒性、精度和速度的策略。讨论了如基于Point Signature的方法、最小二乘法、遗传算法、4点全等集合(4-PCS)算法等，并提及了深度学习在点云配准中的应用。文章强调了不同方法的优缺点，如配准速度、精度和适用场景。
国内外学者对点云配准方面作出了不少研究。
关于点云配准
1992年，Besl 和 McKay[1]提出了ICP算法，该算法的核心技术是寻求两幅图像的相关点集的最优变换矩阵，但是该方法容易陷入局部最优解无法收敛。自从ICP算法被提出，学者们提出的改进方法层出不穷，文献[2][3][4][5]提高了算法鲁棒性，文献[6][7]提高了算法精度，文献[8][9][10][11]提高了算法速度。
1997年，C.S.CHus[12]等人提出基于Point Signature的配准方法，该方法表征形状的能力很强，以致于不同对象同一位置的signature差别很大，另外球体与表面的交点不易获取，尤其是当表面被转化为点云或三角形面片时，可能产生误配准。
1998年，J. Tarel[13]利用最小二乘法的原理，采用3L拟合法对两个多边形曲面进行配准，由于该配准方法不需要进行逐点配准，因此运行速度较快，但是想要获得良好的配准结果，必须保证两个模型的初始位置重叠度大于85%。
2002年，Ip C Y[14]根据实体模型的形状分布对
最低0.47元/天 解锁文章
扫一扫
6002
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
