基于人工辅助信息的点云配准文献综述

文献综述（或调研报告）：

20世纪80年代，开始有部分研究者将目光从二维图像的配准转向到三维图像的配准当中来，最初的三维配准采用了松弛迭代法^[5]和模糊松弛迭代法^[6]。

1992 年，Besl 和 Mckay 提出最近点迭代（Iterative Closest Point，简称ICP）算法，奠定了图像配准的理论基础。文章采用四元数加上一个偏移向量来表达旋转平移变换，在已经拥有一个可靠初值的情况下，得到变换后点集与目标点集中欧式距离最小的点对作为对应点对，并得到新的旋转与平移参数，反复迭代，直到达到预设的迭代次数或达到迭代终止条件。但此算法需要一个已知可靠的旋转平移初值，因此在采用此算法前，需要进行初步配准。同时，由于源点集与目标点集的点的数目往往很大，采用原始的ICP算法的耗费极大。

3.1初始配准的研究现状

点云的初始配准意义在于于缩小点云间平移误差和旋转误差，提供给精确配准良好的初值， 以提高配准效率和趋势。初始配准的方法很多，可以大致分为基于高精度仪器配准法、基于人工标志物的配准法、基于主元分析法和基于图像特征的配准法，它们最终目的都是粗略获得两个点云的旋转和平移矩阵。

1. 基于高精度仪器配准法

Varady^[7]等人通过预设好速度的旋转平台获取不同角度的点云数据，通过得到的旋转角度进行初始配准，这种方法需要对相机的位置进行标定。龙玺^[8]等人利用旋转工作台对不同视场的数据点云进数据缝合 ,以提供完整的零件表面三维信息。该方法不仅提高了系统精度和灵敏度 ,而且降低了对摄像机精度的要求。周朗明^[9]等人在此基础上利用圆柱体标定块的表面点云均位于柱面上的这一数学约束，对旋转平台进行标定，获取旋转平台在扫描仪坐标系中的精确位置，并根据旋转角度构建旋转矩阵，然后对置于旋转平台上的扫描物体的点云进行旋转变换，实现多片点云的自动配准。但此类方法造价高昂，且无法对物体顶部与底部的表面进行配准。

1. 基于人工标志物的配准法

罗先波^[10][11]等人通过在物体表面人为添加标志点，通过对不同视角下标志点的提取，首先得到一组匹配点对，采用SVD奇异值矩阵分解算法求解得到一组旋转与平移参数，作为ICP算法的初始值。耿云^[12]等人采用人为添加编码标志点和非编码标志点的方法，利用编码标志点获得物体的位置，再结合非编码标志点与编码标志点距离、角度、方向等特征，获得全局坐标系与局部坐标系之间的初始转换关系，求解匹配点集，该方法在效率与精确度上都有较好的表现。此类方法在物体表面形状或颜色特征不明显时，有较好的效果，且具有成本低操作简单的优势。但对于一些无法人为添加标志物的物体，无法采用该方法。

1. 基于主元分析法

戴静兰^[13]等人采用主元分析法（Principle Component Analysis，PCA），对源点云和目标点云协方差矩阵进行对角化，获得其主轴方向并建立坐标系，获得旋转矩阵，并根据两个点集合的中心点坐标的偏移直接计算平移向量。该方法在速度和精度上都表现优秀，但需要源点云与目标点云有足够的重合区域。

1. 基于图像特征配准法

Stamos和Leordeaunu^[14]提出一种通过提取直线段进行配准的方法。方法首先在待配准点云数据中直接提取直线段特征，然后通过匹配直线段来完成点云数据的配准。随后，Chen和Stamos^[15]对此方法做了改进。这两种方法对于建筑物等存在明显直线特征的模型数据的配准具有良好效果，但不适用于自由曲面形状物体。郑德华^[16]等人，根据点云数据中平面与平面重合关系，推导点在平面上和平面法线平行的2种线性不等约束条件，在6独立参数模型中增加几何特征约束的不等约束条件组成了附有约束条件的配准模型，该方法同样只适用于建筑物等具有明显直线特征的物体。

Wyngaerd^[17]提出一种基于双切曲线的配准方法，该方法在每片点云数据中提取双切曲线，并相匹配双切曲线。由每对匹配的双切曲线提取四个匹配点对，求解相应的刚体变换，将误差最小的变换作为配准参数。该方法在匹配点对之前就将点云数据转换到对偶空间中，节省了计算时间同时增加了鲁棒性，但双切曲线的提取依赖于待配准模型的形状。