Angesichts der Herausforderungen bei der Registrierung von Punktwolken in 3D-Rekonstruktionsanwendungen scheitern traditionelle Methoden der lokalen Merkmalsbeschreibung oft aufgrund unzureichender effektiver Merkmalspunkte, schwacher geometrischer Beschreibungsfähigkeiten und mangelnder Robustheit bei der Zuordnung. Zur Lösung dieses Problems wird ein Registrierungsalgorithmus vorgeschlagen, der adaptive Abtastung und Integration geometrisch-räumlicher Merkmale kombiniert. Zunächst wird durch adaptive Dichte-Voxelisierung und Nachbarschaftsersatz-Downsampling das Problem der Größenunterschiede und ungleichmäßigen Dichteverteilung zweier Punktwolken mit geringer Überlappung gelöst, wobei gleichzeitig ein effizientes Downsampling durchgeführt wird; anschließend werden durch eine einmalige KD-Baumsuche Normalenvektoren effizient berechnet und ein Filtermechanismus basierend auf der Anzahl benachbarter Punkte und Linearitätsbeschränkungen entwickelt, wobei die gefilterten Merkmals-punkte mit geometrisch-räumlichen Deskriptoren fusioniert werden, um die Probleme der Rechenredundanz und der unzureichenden Beschreibungsfähigkeit traditioneller Methoden zu überwinden; schließlich wird eine bidirektionale Korrespondenz-matching-Methode basierend auf Histogrammähnlichkeit vorgeschlagen, um zuverlässige Entsprechungen zu erhalten, die zusammen mit der RANSAC-Registrierungsmethode eine hochpräzise und robuste Registrierung von Punktwolken mit geringer Überlappung ermöglichen. Der Algorithmus dieser Arbeit basiert auf öffentlichen Datensätzen und wurde mit realen Daten validiert. Experimente zeigen, dass der vorgeschlagene Algorithmus die Matching-Fehler im Vergleich zu den traditionellen Methoden ISS+3DSC+K4PCS, ISS+FPFH+RANSAC und TOLDI+RANSAC durchschnittlich um 51,14%, 64,16% bzw. 78% reduziert und dabei die höchste Rechen-effizienz unter den erfolgreich registrierenden Methoden aufweist, was insgesamt eine gute Leistung belegt.

Punktwolkenregistrierung;geringe Überlappung;Merkmalsfusion;3D-Rekonstruktion