Nos algoritmos existentes de registro de nuvem de pontos, o cálculo de características dos pontos geralmente utiliza vizinhança fixa, dificultando a aplicação ao cálculo de características de nuvens de pontos complexas, o que resulta em extração de pontos-chave de baixa qualidade e presença de muitos pontos externos nos pontos correspondentes, afetando a precisão do registro. Para isso, este artigo propõe um método de registro de nuvem de pontos baseado na extração de pontos-chave multifuncionais e na otimização de pares de pontos por triângulos semelhantes. O cerne do método é extrair pontos-chave por meio de uma estratégia adaptativa de vizinhança e otimizar o modelo de similaridade de correspondência. Primeiro, utiliza-se a amostragem descendente por voxels e filtragem mista para pré-processar os dados, determina-se a vizinhança ótima da nuvem de pontos com base na função de entropia de características, e os pontos-chave são extraídos combinando o desvio padrão do ângulo dos vetores normais no vizinho, anisotropia e curvatura; em seguida, as características dos pontos-chave são calculadas usando o histograma direcional (SHOT); depois, pares iniciais de pontos correspondentes são construídos usando a razão da distância dos vizinhos mais próximos bidirecionais (BNNDR), e um modelo computacional baseado em triângulos semelhantes é proposto para otimizar os pares e realizar o registro bruto. Por fim, o algoritmo ICP ponto a plano com restrição do ângulo dos vetores normais é usado para realizar o registro fino. O método foi testado com o conjunto de dados Stanford, e os resultados mostram que apresenta o menor erro em comparação com os algoritmos clássicos ICP, K-4PCS baseado em pontos-chave e SAC-IA combinados com ICP. Além disso, o método também demonstrou vantagens significativas em aplicações de registro com dados reais.

vizinhança adaptativa;registro de nuvem de pontos;triângulos semelhantes;ICP ponto a plano