Angesichts der Herausforderungen bei der Registrierung von Punktwolken in 3D-Rekonstruktionsanwendungen führen traditionelle lokale Merkmalsbeschreibungsmethoden oft zu Fehlschlägen aufgrund mangelnder effektiver Merkmalspunkte, schwacher geometrischer Beschreibungsfähigkeit und geringer Robustheit beim Matching. Zur Lösung dieses Problems wird ein Registrierungsalgorithmus vorgeschlagen, der adaptive Abtastung und die Fusion geometrisch-räumlicher Merkmale kombiniert. Zunächst werden durch adaptive Dichte-Voxtelisierung und Nachbar-Austausch-basiertes Downsampling die Größenunterschiede und ungleichmäßige Dichteverteilung zweier Punktwolken mit niedrigem Überlappungsgrad gelöst, wobei gleichzeitig eine effiziente Reduzierung der Punktzahl erreicht wird; dann werden mittels einmaliger KD-Baumsuche Normalenvektoren effizient berechnet, und ein Filtermechanismus basierend auf der Nachbaranzahl und Linearitätsbeschränkungen entworfen, wobei die gefilterten Merkmals-punkte mit geometrisch-räumlichen Merkmalsdeskriptoren fusioniert werden, um die Probleme redundanter Berechnung und unzureichender Beschreibungskraft traditioneller Methoden zu überwinden; schließlich wird eine bidirektionale Korrespondenzsuche basierend auf Histogrammähnlichkeit vorgeschlagen, um zuverlässige Korrespondenzen zu erhalten, die in Kombination mit der RANSAC-Registrierungsmethode eine hochpräzise und robuste Registrierung von Punktwolken mit niedrigem Überlappungsgrad ermöglichen. Der hier vorgestellte Algorithmus basiert auf öffentlichen Datensätzen und wurde mit realen Daten validiert. Experimente zeigen, dass der vorgeschlagene Algorithmus die mittlere Matching-Fehlerquote im Vergleich zu ISS+3DSC+K4PCS, ISS+FPFH+RANSAC und TOLDI+RANSAC um 51,14 %, 64,16 % bzw. 78 % reduziert und die höchste Laufzeiteffizienz unter den erfolgreichen Vergleichsalgorithmen aufweist, was insgesamt eine gute Leistung demonstriert.

Punktwolkenregistrierung;niedriger Überlappungsgrad;Merkmalsfusion;3D-Rekonstruktion