Ante los desafíos del registro de nubes de puntos en escenarios de reconstrucción 3D, los métodos tradicionales de descripción de características locales a menudo fallan debido a la insuficiencia de puntos característicos efectivos, la débil capacidad de descripción geométrica y la baja robustez del emparejamiento. Para abordar este problema, se propone un algoritmo de registro que combina muestreo adaptativo y fusión de características geométricas-espaciales. Primero, mediante voxelización adaptativa de densidad y un método de reducción de muestreo por reemplazo de vecinos más cercanos, se resuelven las diferencias de tamaño y la distribución desigual de densidad entre dos nubes de puntos con bajo solapamiento, logrando una reducción de muestreo eficiente; luego, mediante una búsqueda única en un árbol KD, se calculan eficazmente los vectores normales, y se diseña un mecanismo de filtrado basado en el número de puntos vecinos y restricciones de linealidad, fusionando los descriptores de características geométricas-espaciales de los puntos filtrados, superando los problemas de redundancia computacional y capacidad descriptiva insuficiente de los métodos tradicionales; finalmente, se propone un emparejamiento bidireccional basado en la similitud de histogramas para obtener correspondencias fiables, combinando este método con RANSAC para lograr un registro robusto y de alta precisión en nubes de puntos con bajo solapamiento. El algoritmo de este trabajo se basa en conjuntos de datos públicos y se valida con datos reales. Los experimentos muestran que el algoritmo propuesto reduce el error de emparejamiento en un promedio del 51,14%, 64,16% y 78% en comparación con los métodos tradicionales ISS+3DSC+K4PCS, ISS+FPFH+RANSAC y TOLDI+RANSAC, respectivamente, y presenta la mayor eficiencia operativa entre los métodos que logran el registro exitoso, mostrando un buen desempeño general.

Registro de nubes de puntos;bajo solapamiento;fusión de características;reconstrucción 3D