点云配准是现代制造业中逆向工程、机器视觉等技术的重要组成部分,其效率和精度对获取的产品数据模型有重要影响。为提高3D物体点云配准的精度和效率,提出一种应用邻域点信息描述与匹配(Neighborhood point information Description and Matching,NDM)的点云配准方法。首先,在三个半径比例下根据点的曲率变化、测量角度和特征值性质提取特征点;其次,计算改进的法向量夹角、点密度和曲率值,获取多尺度矩阵描述符;然后,为描述符建立k维树获取匹配关系,并提出几何特征约束和刚性距离约束组合,剔除错误点对,实现粗配准;最后,通过k维树改进迭代最近点(Iterative Closest Point,ICP)算法完成精确配准。本文设计了实际物体点云配准和斯坦福模型模拟真实物体配准两组实验。结果表明,本文算法解决了经典ICP的局限性,配准精度提高2~5个量级;相较于其他算法,实物点云配准中本文算法的配准精度至少提高29%,效率可提高54%;斯坦福模拟实验中,本文算法的配准精度提高1%~99%,配准耗时降低3%~94%,表明本文算法是一种有效的物体表面点云的配准方法,可以提高配准精度和效率,有较好的鲁棒性。
展开▼
