点云模型的匹配点对优化配准

针对传统迭代最近点（ICP）算法在点云存在重叠或部分重叠时，配准误差大且适应性差的问题，提出一种基于匹配点对加权优化的改进配准算法。首先，提出一种改进体素降采样算法对点云进行采样，减少数据量的同时提高算法对噪声的鲁棒性；然后，采用改进Sigmoid函数赋予参与配准的匹配点对不同的权重，克服传统算法忽视距离较小的匹配点对中仍具有错误点对的缺点，同时提高了配准精度和收敛速度；最后，提出一种采用奇异值分解法（SVD）求解配准参数的方法，进一步提高配准精度。设计了不同重叠度的配准实验和噪声实验，并结合曲轴三维点云重建对本文算法进行验证。实验结果表明：本文算法误差较Tr-ICP算法减少了约34.1%，较AA-ICP算法减少了约29%，配准时间较TrICP算法缩短了约16.1%。最终表明本文算法具有更高配准精度的同时，具有更好的适用性和鲁棒性。