O registro de nuvens de pontos é uma parte importante das tecnologias modernas, como engenharia reversa e visão computacional na manufatura, cujo desempenho e precisão impactam significativamente o modelo de dados do produto obtido. Para melhorar a precisão e eficiência do registro de nuvens de pontos de objetos 3D, propõe-se um método baseado na descrição e correspondência das informações dos pontos vizinhos (Neighborhood point information Description and Matching, NDM). Primeiro, pontos característicos são extraídos com base nas mudanças de curvatura, ângulo de medição e propriedades dos valores característicos em três proporções de raio; em seguida, calcula-se o ângulo aprimorado dos vetores normais, a densidade de pontos e os valores de curvatura para obter descritores matriciais multiescala; depois, uma árvore k-d é construída para os descritores para obter correspondências, e propõe-se uma combinação de restrições geométricas e restrições rígidas de distância para eliminar pares de pontos incorretos e realizar um registro bruto; finalmente, a árvore k-d é usada para melhorar o algoritmo Iterative Closest Point (ICP) para completar o registro preciso. Este artigo projetou dois conjuntos de experimentos: registro de nuvens de pontos de objetos reais e simulações com modelo Stanford para objetos reais. Os resultados mostram que o algoritmo resolve as limitações do ICP clássico, aumentando a precisão do registro em 2 a 5 ordens de magnitude; em comparação com outros algoritmos, a precisão do registro em nuvens de pontos reais aumentou pelo menos 29% e a eficiência melhorou em 54%; no experimento de simulação Stanford, a precisão do registro melhorou de 1% a 99%, e o tempo de registro foi reduzido de 3% a 94%, indicando que este algoritmo é um método eficaz para o registro de nuvens de pontos da superfície de objetos que pode melhorar a precisão e eficiência com boa robustez.

engenharia reversa;visão computacional;registro de nuvens de pontos;informações dos pontos vizinhos;ponto mais próximo iterativo