В существующих алгоритмах регистрации облаков точек вычисление признаков точек обычно выполняется с использованием фиксированной окрестности, что затрудняет применение для вычисления признаков сложных облаков точек, приводит к плохим результатам извлечения ключевых точек и наличию большого количества выбросов в соответствующих точках, что, в свою очередь, влияет на точность регистрации. В связи с этим в статье предложен метод регистрации облаков точек, основанный на извлечении ключевых точек с множественными признаками и оптимизации пар точек с использованием подобных треугольников. Основная идея заключается в извлечении ключевых точек с помощью адаптивной стратегии окрестности и оптимизации модели сходства сопоставления. Сначала данные предварительно обрабатываются с помощью воксельной подвыборки и смешанного фильтрования, оптимальная окрестность для облака точек определяется на основе функции энтропии признаков, и ключевые точки извлекаются с учетом стандартного отклонения угла нормалей внутри окрестности, анизотропии и кривизны; затем для вычисления признаков ключевых точек используется гистограмма направлений (SHOT); далее первоначальные пары сопоставленных точек строятся с использованием отношения двунаправленного расстояния ближайших соседей (BNNDR), и предлагается вычислительная модель, основанная на подобных треугольниках, для оптимизации пар точек и выполнения грубой регистрации. В завершение точная регистрация достигается с помощью алгоритма ICP типа точка-плоскость с добавленным ограничением на угол нормалей. Метод проверен на наборе данных Stanford, результаты показывают, что по ошибке он превосходит классический ICP, основанный на 4-точечной согласованности (K-4PCS) и SAC-IA, интегрируемые с ICP. Кроме того, метод демонстрирует значительные преимущества при регистрации реальных измеренных данных.

адаптивная окрестность;регистрация облаков точек;подобные треугольники;точка-плоскость ICP