ICP算法及改进方法在点云配准中的应用

方法②主要以ICP算法为代表，它不需要野外设立人工标靶，在一些无法设置人工标靶的测量场合应用广泛。ICP算法的基本原理是给定目标点集A（需要进行坐标变换的对象）和参考点集B，为了将A和B配准对齐，需要建立A、B点集之间的对应关系，即在A中的每一个点都要在B中找出一个与之距离最近的点，以点对间距离平方和最小为目标，通过最小二乘法解算出一个最优坐标变换矩阵M。将这一过程进行反复迭代，直到满足精度要求为止。由于每次迭代都需要计算目标点集中每个点在参考点集中的对应点，因此计算速度较慢，时间较长。ICP算法对点云之间的相对初始位置要求较高，在点云初始位置相差过大的情况下，往往无法确定其收敛方向（朱延娟等，2006），一般适用于精度要求较高的扫描任务以及存在明确对应关系的点集之间的配准。实际应用中涉及到多站点云数据配准时，可以采用两两配准的方式将多站点云数据配准到同一坐标系下，但这种方法会累积配准误差，最终导致配准误差超限，在一些特定应用中，如工业场景，可以通过先拟合场景中的规则几何形体，再通过这些几何形体的对应关系来达到多站数据配准的目的（Rabbanni et al，2007）。

此外，ICP的改进算法大多依靠从点云数据中提取的特征点（Fan et al，2001）或轮廓曲线（Yang et al，1998）为引入特征标签，但是特征点的提取往往存在误差，这种方法在逆向工程中一般只用来求取点云集之间的初始位置（罗先波等，2004）。这种基于特征点的改进算法还存在鲁棒性不够稳定（王欣等，2012）、速度较慢（Chen et al，1992）等问题。以基于平面模型的改进方法为例，如果平面的面积较大，其对应关系将会很容易确定，因为每一个平面都是对大量扫描点作拟合得到的，鲁棒性较好，但是必须以所建模对象中包含大量的平面特征为前提；而基于曲面模型的改进方法在曲面逼近时需要进行点云分割与曲面模型辨识，不能适应点云的任意拓扑外形（任同群等，2013）；基于主成分分析变换（PCA）的方法以数据的统计信息为基础进行主成分分析变换，要求空间数据具有较大的相似性，对于对称目标可能会出现混淆的情况，需要在数据变换后进一步判断（Inamdar et al，2012），大量的研究利用PCA方法寻找点云数据中显著的特征信息，但此方法对点云数据中的边缘孤立离群值及噪点较为敏感，当数据中含有较多噪点时，往往得不到准确、稳健的配准结果（Hoppe et al，1992；Pauly et al，2002，2003；Oehler et al，2011）。(www.xing528.com)

所以，基于特征的配准可以选择一个或者多个特征进行匹配，但也不是随意选取，应充分考虑约束的有效性，防止出现虚约束，必须保证所选取的特征的几何信息足以构成一个局部的三维坐标系。