点集配准对于多台摄像机的校准，3D重建和识别等非常重要。迭代最近点（ICP）算法对于相同比例的点集配准来说是准确且快速的，但是不能处理不同比例的情况。 取而代之的是，本文介绍一种称为缩放迭代最近点（SICP）算法的新颖方法，该算法将带有边界的缩放矩阵集成到用于缩放配准的原始ICP算法中。 在此算法的每个迭代步骤中，我们都建立了两个mD点集之间的对应关系，然后使用简单快速的迭代算法以及奇异值分解（SVD）方法，并结合了抛物线的性质来计算比例，旋转和平移转换。 已经证明，SICP算法可以从任何给定参数单调收敛到局部最小值。 因此，要达到所需的全局最小值，就需要良好的初始参数，本文通过分析点集的协方差矩阵成功估算了这些参数。 SICP算法与形状表示和特征提取无关，因此通常用于缩放mD点集的配准。 实验结果表明，与标准ICP算法相比，该算法具有较高的效率和准确性。

对强噪声且密度不均匀的点云进行高效、高精度配准是一个难题。针对此难题,提出一种基于关键点提取与优化迭代最近点(ICP)的点云配准算法。在粗配准中,将体素格滤波与法向距离关键点的提取相结合,计算关键点的快速点特征直方图以进行特征匹配,然后采用对应关系估计优化随机采样一致性(RANSAC)算法以进行误匹配剔除。在精配准中,采用最优节点优先(BBF)算法搜索k-d tree最近点,设定动态阈值消除误配对,最后利用基于“点到三角面”模型的加速ICP算法计算配准向量。通过对模型点云和建筑物点云进行配准,将所提算法与其他常用的算法进行比较分析。实验表明,所提算法具有良好的稳健性和抗噪性,能显著提升配准速度和配准精度。

读取两幅RGBD图像，转换至点云类型利用迭代最近点ICP算法执行点云配准与匹配