为了提高三维点云数据配准的效率, 提出一种基于法向量分布特征的关键点初始匹配与迭代最近点(ICP)的精确配准的两步点云配准算法。首先, 定义点云的邻接区域和法向量分布特征计算模型, 提出基于该模型的关键点选择算法; 其次, 为每个关键点建立局部坐标系, 计算关键点的快速点特征直方图, 使用采样一致性配准算法匹配关键点的特征, 去除错误匹配点, 求解出变换矩阵, 完成初始配准; 最后, 使用ICP算法, 对多视点云的初始配准结果进行精确配准。实验结果表明, 在散乱点云数据和自获取的深度点云数据配准中, 该算法能够在确保配准精度的同时有效提升配准效率。

针对当前机器视觉热点研究的配准问题，提出了一种全新的快速点特征直方图(FPFH)特征描述与Delaunay三角剖分相结合的三维点云配准方法。首先采用FPFH综合描述特征信息，通过Delaunay三角网建立特征信息的局部关联性；再根据特征点对的对应关系进行采样一致性初始变换，实现初始配准；最后，根据得到的初值采用迭代最近点法进行精确配准，获得精确转换关系。分别对简单目标物体及复杂目标物体进行配准实验。实验结果表明，将FPFH特征描述与Delaunay三角剖分结合引入传统点云配准，简化了特征提取复杂度，缩小了特征点对匹配的搜索范围，提升了配准精度及速度，实现对目标物体高效配准，对提高机器视觉特征点匹配效率具有一定指导作用。