En los algoritmos existentes de registro de nubes de puntos, el cálculo de características de puntos suele emplear un vecindario fijo, lo que dificulta el cálculo de características para nubes de puntos complejas, causando resultados pobres en la extracción de puntos clave y la presencia de numerosos puntos externos en las correspondencias, lo que afecta la precisión del registro. Por ello, este artículo propone un método de registro de nubes de puntos basado en la extracción de puntos clave con múltiples características y la optimización de pares de puntos mediante triángulos similares. El núcleo del método es extraer puntos clave mediante una estrategia de vecindario adaptativo y optimizar el modelo de similitud de correspondencia. Primero se preprocusan los datos usando submuestreo por vóxeles y filtrado mixto, se determina el vecindario óptimo del punto de nube con una función de entropía de características, y se extraen los puntos clave combinando la desviación estándar del ángulo de los vectores normales en el vecindario, anisotropía y curvatura; después, se calculan las características de los puntos clave usando un histograma direccional (SHOT); luego se construyen pares iniciales de puntos coincidentes usando la relación de distancia de vecinos más cercanos bidireccional (BNNDR), y se propone un modelo de cálculo basado en triángulos similares para optimizar los pares y completar un registro grueso. Finalmente, se emplea un algoritmo ICP punto a plano con restricción del ángulo de vectores normales para lograr el registro fino. Se realizaron experimentos con el conjunto de datos Stanford, y los resultados muestran que este método tiene el menor error en comparación con los algoritmos ICP clásicos, K-4PCS basado en puntos clave y SAC-IA combinados con ICP. Además, el método demostró ventajas significativas en aplicaciones de registro con datos reales.

vecindario adaptativo;registro de nubes de puntos;triángulos similares;ICP punto a plano