点云配准是计算机视觉的关键技术，涉及ICP、Kernel Correlation (KC)、Robust Point Matching (RPM)等算法。ICP因其简单和低计算复杂度而广泛使用，但易受初始位置和噪声影响。KC利用概率密度估计减少距离，但算法复杂度高。RPM通过退货算法减少搜索时间，适用于刚性和非刚性配准。形状描述符方法在初始位置不佳时仍能较好配准，但对点云密度有特定要求。滤波方法如UPF和UKF提供精确配准，但计算复杂度和适用场景有限。
几种点云配准算法的优劣
在逆向工程中通过测量仪器得到的产品外观表面的点数据集合也称之为点云，通常使用三维坐标测量机所得到的点数量比较少，点与点的间距也比较大，叫稀疏点云；而使用三维激光扫描仪或照相式扫描仪得到的点云，点数量比较大并且比较密集，叫密集点云。
点云配准是计算机视觉的热门研究方向，目前对于刚性点云配准的研究比较全面，对于非刚性点云配准算法的研究相对较弱，总体上来说，ICP、卡尔曼滤波等见到的比较多，这篇博客也只是对一些点云配准算法的简单摘抄以做记录。
ICP
首先就是大名鼎鼎的 迭代最近点算法(Iterative Closest Point，简称ICP算法)， 其 Paul J.Bed 和 Neil D. Mckay 提出。由于它简单且计算复杂度度低，使它成为最受欢迎的刚性点云配准方法。ICP算法以最近距离标准为基础迭代地分配对应关系，并且获得关于两个点云的刚性变换最小二乘。然后重新决定对应关系并继续迭代知道到达最小值。目前有很多点云配追算法都是基于ICP的改进或者变形，主要改进了点云选择、配准到最小控制策略算法的各个阶段。
ICP算法虽然因为简单而被广泛应用。但是它易于陷入局部最大值。ICP算法严重依赖初始配准位置，它要求两个点云的初始位置必须足够近ÿ
最低0.47元/天 解锁文章
185
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
