포인트 클라우드 정합은 역공학, 머신 비전 등 현대 제조업 기술의 중요한 부분으로, 그 효율성과 정확성은 획득된 제품 데이터 모델에 중요한 영향을 미친다. 3D 객체 포인트 클라우드 정합의 정확도와 효율성을 향상시키기 위해 인접점 정보 설명 및 매칭(Neighborhood point information Description and Matching, NDM)을 적용한 포인트 클라우드 정합 방법을 제안한다. 먼저, 세 가지 반경 비율 아래에서 점의 곡률 변화, 측정 각도 및 특성 값 특성에 따라 특징점을 추출한다; 다음으로 개선된 법선 벡터 각도, 점 밀도 및 곡률 값을 계산하여 다중 스케일 행렬 디스크립터를 얻는다; 그런 다음 디스크립터를 위한 k차원 트리를 구축하여 매칭 관계를 확보하고, 기하학적 특징 제약과 강체 거리 제약 조합을 제안하여 오탐 점 쌍을 제거하고 대략적인 정합을 실현한다; 마지막으로 k차원 트리를 통해 개선된 반복 최근점(Iterative Closest Point, ICP) 알고리즘으로 정확한 정합을 완료한다. 본 논문에서는 실제 객체 포인트 클라우드 정합과 스탠포드 모델을 통한 실제 객체 시뮬레이션 두 가지 실험을 설계하였다. 결과는 본 알고리즘이 고전 ICP의 한계를 해결하였으며, 정합 정확도를 2~5단계 향상시켰음을 보여준다; 다른 알고리즘과 비교할 때 실제 객체 포인트 클라우드 정합에서 본 알고리즘의 정합 정확도가 최소 29% 향상되었고, 효율성은 54% 향상되었다; 스탠포드 시뮬레이션 실험에서는 정합 정확도가 1%~99% 향상되고, 정합 소요 시간이 3%~94% 단축되어, 본 알고리즘이 물체 표면 포인트 클라우드 정합 방법으로서 정확도와 효율성을 높이며 견고성이 우수함을 입증한다.

역공학;머신 비전;포인트 클라우드 정합;인접점 정보;반복 최근점