无人机与LiDAR地面协同观测：点云精配准

点云精配准是在粗配准的基础上优化转换参数（k、R、T）提高配准精度的过程。其中，贡献最突出的是Besl和McKay（1992）提出的迭代最近点算法，通过迭代最小化两个点集中同名匹配点的距离，优化坐标转换参数。此外，为提高匹配效率，本研究在迭代匹配过程增加了法向量的方向约束（Pulli，1999）。

顾及法向量的方向约束的点云精配准算法具体过程：

（1）算法描述：

该算法在点云粗配准的基础上实现了异源点云的精配准，采用法向量的约束条件提高匹配效率。

（2）算法步骤：

步骤1：建立重叠区内的待匹配面。首先将点云分割成大小相等的区域（立方体），并分别拟合成面。

步骤2：阈值判断。若区域内的所有点到拟合面的距离方差小于某阈值t1，则保留该平面，同时计算其法向量，记为n；反之，则将该区域等分成8块子区域，分别拟合成子平面。

步骤3：重复步骤2。当图块包含的点数少于某阈值T2时，停止判断。(www.xing528.com)

步骤4：寻找同名匹配点。设基准点集为pb={x0，y0，z0，n0}，在待匹配点集中搜索邻域d范围内的匹配点pc={x，y，z，n}，据文献（许志华等，2016）则有：

式中，n0和n分别为点pb和pc所在拟合面的法向量，a为法向量约束阈值，ANN（d）为邻域范围，且（x y z）与（x0y0z0）满足式（4-2）。

步骤5：计算转换参数。通过迭代最小化匹配点间的距离差G，计算参考转换参数：

其中，t为步骤4中确定的匹配点数目。

步骤6：当某次迭代的距离差与上一次迭代结果的差值小于阈值ε时，停止迭代，得到最终的转换参数，用于全局点云配准：

式中，j为迭代次数。

上述方法可直接应用于范围广、地物单一的灾场区域，如滑坡、泥石流等固体灾场。针对受灾城区，由于低空无人机测量和地面LiDAR扫描的角度不同，可能导致两者获取的地物点云存在空间分布差异，对全局点云配准可能导致局部最优，影响配准精度。对此，本研究采用基于形态不变区的点云配准方法（许志华等，2016），主要思路为：首先，选取两套点云中未发生明显形态变化的区域（如地面），采用上述顾及法向量的方向约束的点云精配准算法估算全局最优的转换参数k、R、T；然后，利用上述转换参数对全局点云进行刚性转换，完成点云精配准。