Face aux défis de l'alignement des nuages de points dans les scénarios de reconstruction 3D, les méthodes traditionnelles de description des caractéristiques locales échouent souvent en raison d'un nombre insuffisant de points caractéristiques efficaces, d'une faible capacité de description géométrique et d'une faible robustesse de correspondance. Pour résoudre ce problème, un algorithme d'alignement combinant un échantillonnage adaptatif et une fusion des caractéristiques géométriques et spatiales est proposé. Premièrement, grâce à la voxellisation adaptative de la densité et à une méthode de réduction d'échantillons par remplacement des plus proches voisins, le problème de la différence de taille et de la distribution inégale de densité entre deux nuages de points à faible recouvrement est résolu, tout en réalisant un échantillonnage efficace ; ensuite, par une recherche unique dans un arbre KD, les vecteurs normaux sont calculés efficacement, et un mécanisme de filtrage basé sur le nombre de points voisins et une contrainte de linéarité est conçu, permettant de fusionner les descripteurs de caractéristiques géométriques et spatiales des points caractéristiques filtrés, surmontant ainsi les problèmes de lourdeur de calcul et de faible capacité descriptive des méthodes traditionnelles ; enfin, une correspondance bidirectionnelle basée sur la similarité des histogrammes est proposée pour obtenir des correspondances fiables, et combinée à la méthode RANSAC, elle permet d'obtenir un alignement robuste et précis des nuages de points à faible recouvrement. L'algorithme présenté dans cet article est basé sur des jeux de données publics et validé avec des données réelles. Les expériences montrent que l'algorithme proposé réduit en moyenne les erreurs de correspondance de 51,14%, 64,16% et 78% par rapport aux méthodes traditionnelles ISS+3DSC+K4PCS, ISS+FPFH+RANSAC et TOLDI+RANSAC respectivement, tout en offrant la meilleure efficacité de calcul parmi les méthodes réussissant l'alignement, démontrant ainsi de bonnes performances globales.

Alignement des nuages de points;faible recouvrement;fusion des caractéristiques;reconstruction 3D