Angesichts der Herausforderungen bei der Registrierung von Punktwolken in 3D-Rekonstruktionsanwendungen scheitern herkömmliche lokale Merkmalsbeschreibungsverfahren häufig aufgrund eines Mangels an effektiven Merkmalspunkten, einer schwachen geometrischen Beschreibungsfähigkeit und mangelnder Robustheit bei der Zuordnung. Zur Lösung dieses Problems wird ein Registrierungsalgorithmus vorgeschlagen, der adaptive Abtastung und eine Fusion geometrisch-räumlicher Merkmale kombiniert. Zunächst werden durch adaptive Dichtevoxelierung und eine Nachbarersetzungs-Downsampling-Methode Größenunterschiede und ungleichmäßige Dichteverteilungen bei zwei Punktwolken mit geringer Überlappung gelöst, wobei gleichzeitig ein effizientes Downsampling erreicht wird; dann werden durch eine einmalige KD-Baum-Suche Normalenvektoren effizient berechnet und es wird ein Filtermechanismus basierend auf der Anzahl der Nachbarpunkte und linearen Einschränkungen entworfen. Die gefilterten Merkmals-punkte werden mit geometrisch-räumlichen Merkmalbeschreibern fusioniert, um Redundanzen und unzureichende Beschreibungsfähigkeiten traditioneller Methoden zu überwinden; schließlich wird eine bidirektionale Korrespondenz-basierte Matcherkennung auf Histogrammähnlichkeit vorgeschlagen, um zuverlässige Korrespondenzen zu erhalten, die in Verbindung mit der RANSAC-Registrierungsmethode eine hochpräzise und robuste Registrierung von Punktwolken mit geringer Überlappung ermöglichen. Der Algorithmus basiert auf öffentlichen Datensätzen und wurde mit realen Daten validiert. Experimente zeigen, dass der vorgeschlagene Algorithmus den mittleren Zuordnungsfehler im Vergleich zu traditionellen Methoden ISS+3DSC+K4PCS, ISS+FPFH+RANSAC und TOLDI+RANSAC um 51,14 %, 64,16 % bzw. 78 % reduziert und zugleich die höchste Laufzeiteffizienz unter den erfolgreichen Registrierungsverfahren aufweist, was insgesamt eine gute Leistung zeigt.

Punktwolkenregistrierung;geringe Überlappung;Merkmalsfusion;3D-Rekonstruktion