Ante los desafíos del registro de nubes de puntos en escenarios de reconstrucción 3D, los métodos tradicionales de descripción de características locales suelen fallar debido a la escasez de puntos característicos efectivos, la débil capacidad descriptiva geométrica y la baja robustez en la correspondencia. Para abordar este problema, se propone un algoritmo de registro que fusiona muestreo adaptativo y características geométrico-espaciales. Primero, mediante la voxelización adaptativa de densidad y un método de reducción de muestreo basado en reemplazo del vecino más cercano, se resuelven las diferencias de tamaño y la distribución desigual de densidad entre dos nubes de puntos con baja superposición, logrando una reducción de muestreo eficiente; luego, mediante una búsqueda única en el árbol KD, se calculan eficientemente los vectores normales, y se diseña un mecanismo de selección basado en el número de puntos vecinos y una restricción de linealidad, fusionando los puntos característicos seleccionados con descriptores de características geométrico-espaciales para superar la redundancia computacional y la insuficiente capacidad descriptiva de los métodos tradicionales; finalmente, se propone una correspondencia bidireccional basada en la similitud de histogramas para obtener relaciones de correspondencia confiables, y junto con el método de registro RANSAC, se logra un registro robusto y de alta precisión para nubes de puntos con baja superposición. El algoritmo presentado se basa en conjuntos de datos públicos y se valida con datos reales. Los experimentos demuestran que el algoritmo reduce el error medio de correspondencia en un 51.14%, 64.16% y 78% respectivamente en comparación con los métodos tradicionales ISS+3DSC+K4PCS, ISS+FPFH+RANSAC y TOLDI+RANSAC, además de presentar la mayor eficiencia operativa entre los métodos con registro exitoso, mostrando un buen desempeño general.

registro de nubes de puntos;baja superposición;fusión de características;reconstrucción 3D