Para resolver el problema de que el algoritmo de alineación gruesa basado en características de nube de puntos tradicionales sufre de cálculos de características de nube de puntos de alta dimensión complejos y de una velocidad lenta en la alineación gruesa de nube de puntos, se propone un método rápido de alineación de nube de puntos tridimensional. En primer lugar, se definen tres características geométricas profundas del vecindario de puntos, se propone una descripción de distribución de vecindario de baja dimensión y a múltiples escalas para reducir significativamente la complejidad del cálculo de las características, al mismo tiempo que mejora la discriminación de la descripción de las características, para lograr una representación eficaz de la característica local de la nube de puntos. Luego, se propone un método rápido de alineación gruesa basado en la descripción de la distribución del vecindario, extracción de puntos característicos según la altura general de la nube de puntos y la dirección de la distribución del vecindario, establece condiciones de emparejamiento preliminar de puntos característicos según la descripción de la distribución del vecindario, y mejora las condiciones de restricción de la distancia euclidiana entre pares de puntos para excluir pares erróneos y lograr una alineación gruesa precisa y eficaz. Finalmente, para resolver el problema de la lenta velocidad de alineación de nube de puntos densas, se propone un método mejorado de iteración de los puntos más cercanos (ICP) usando un árbol k y un método de malla de voxelización y utiliza una estrategia de alineación precisa secundaria para corregir los errores de alineación causados por el muestreo más bajo para mejorar aún más la precisión y eficiencia de la alineación precisa. Los experimentos en el modelo de Stanford y los experimentos reales de alineación de nube de puntos de piezas de la industria muestran que el método presentado en este artículo mejora la precisión de la alineación en más del 22% en comparación con el método de alineación actual basado en descripción de características tradicionales, reduciendo el tiempo en más del 43%, demostrando que este método puede alinear rápidamente y eficazmente nubes de puntos de superficie de objetos desde diferentes ángulos de vista, con buena estabilidad y aplicabilidad, en comparación con los métodos de alineación tradicionales existentes basados en descripciones de características sustanciales.

Alineación de nube de puntos; descripción de la distribución del vecindario; optimización de pares de puntos; algoritmo iterativo de búsqueda de vecinos más cercanos; método de voxelización de malla