文献类型：期刊文章

作　　者：李新春[1] 闫振宇[1] 林森[1,2,3] 贾迪[1]

LI Xin-chun;YAN Zhen-yu;LIN Sen;JIA Di(School of Electronics and Information Engineering,Liaoning Technical University,Huludao,Liaoning 125100,China;State Key Laboratory of Robotics,Shenyang Institute of Automation,Chinese Academy of Sciences,Shenyang 110016,China;Institutes for Robotics and Intelligent Manufacturing,Chinese Academy of Sciences,Shenyang 110016,China)

机构地区：[1]辽宁工程技术大学电子与信息工程学院,辽宁葫芦岛125100 [2]中国科学院沈阳自动化研究所机器人学国家重点实验室,沈阳110016 [3]中国科学院机器人与智能制造创新研究院,沈阳110016

出　　处：《光子学报》

基　　金：国家自然科学基金(No.61601213);辽宁省教育厅科学研究一般项目(No.L2014132);辽宁省自然科学基金面上项目(No.2015020100)。

年　　份：2020

卷　　号：49

期　　号：4

起止页码：250-260

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、RCCSE、RSC、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：为解决噪声干扰、数据丢失情况下迭代最近点算法的鲁棒性差、配准精度低等问题,提出一种基于邻域特征点提取和匹配的点云配准方法.首先定义一个由点的k邻域曲率、点与邻近点的法向量内积均值以及邻近点与邻域拟合平面的欧氏距离方差等三部分组成的邻域特征参数,结合在移动最小二乘表面构造的曲率特征参数对点云进行两次特征点提取;其次依据直方图特征定义三个匹配条件,并用双重约束获得正确的匹配点对;最后在配准阶段,采用双向构建k维树的迭代最近点算法实现精确配准.实验结果表明,该算法的配准精度较迭代最近点算法提高了90%以上,并且能够在噪声环境下有效地完成缺失点云的配准,在鲁棒性和精确配准方面有明显优势.

关 键 词：机器视觉 点云配准 邻域特征  曲率 迭代最近点

分 类 号：TP391.9]