融合法向量信息和聚类分析的改进ICP点云配准算法OA

点云配准作为三维模型重构中的核心环节,其配准精度和效率对于构建被测物体的三维模型至关重要。本文提出一种融合点云法向量提取特征点集和聚类分析保留特征描述符的ICP点云配准优化算法来提升点云配准的精度和效率。算法首先利用点云法向量从整体点云形态中筛选出法向量变化显著的特征点集;随后利用K-means算法获取特征点集的聚类中心点与其对应聚类点距离的方差、偏度、峰度信息来构建特征向量。在配准阶段,利用特征向量的相似性度量双向匹配确定配准点对,引入KD-Tree提高匹配点对的搜索效率,通过SVD计算点云刚性变换的旋转矩阵与平移向量,最终通过ICP算法实现点云的精配准。相较于传统的ICP配准算法,本文算法在Bunny和Buddha模型配准时间上分别缩减4.15%和25.23%,误差上分别降低9.57%和22.66%。