基于加权运动平均的多视角点云鲁棒配准方法

本文提出一种基于加权运动平均的多视角点云配准方法,有效提高了多视角点云配准的效率和精度.首先,通过双视角点云配准算法得到点集的相对运动集;提出一种分层渐进式点云配准初值确定方法,该方法计算运动关系图中三视匹配元一致性度量,逐步挑选最为可靠的匹配元进行顶点初值化与顶点扩展,有效避免了因所选初值与真值偏差较大导致加权运动平均效果不佳的问题;依据上述方法确定配准初值,并根据该初值判断双视角匹配结果的可靠性,以剔除相对运动集内包含的外点,最后将剔除外点后的原始相对运动集的内点子集作为加权运动平均算法输入的相对运动集.以斯坦福公开数据集为对象开展了对比实验,基于双视角配准算法分别获得了4个测试点集在30%、25%和20%双视角点云重叠率阈值下的双视角配准结果,共形成12组相对运动集.其中,相对运动集误差随重叠率阈值的下降逐渐增加.所提方法在12组运动集上均获得了最佳的配准结果,证明了本文所提出方法在提高加权运动平均方法计算精度与效率方面的有效性.此外,当运动集包含大量外点时,采用本文所提方法仍能获得较为准确的配准结果,证明了本文所提方法的强鲁棒性.