Frente a 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 insuficiencia de puntos de características efectivos, la débil capacidad de descripción geométrica y la baja robustez de la correspondencia. Para abordar este problema, se propone un algoritmo de registro que fusiona muestreo adaptable y características geométrico-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 distribución de densidad desigual entre dos nubes de puntos con bajo solapamiento, completando una reducción de muestreo eficiente; luego, mediante una sola búsqueda en árbol KD, se calculan eficazmente los vectores normales, y se diseña un mecanismo de filtrado basado en el número de puntos del vecindario y restricciones de linealidad, fusionando los puntos característicos filtrados con descriptores de características geométrico-espaciales, superando los problemas de cálculo redundante y capacidad descriptiva insuficiente de los métodos tradicionales; finalmente, se propone un emparejamiento bidireccional basado en la similitud de histogramas para obtener correspondencias fiables, que combinado con el método de registro RANSAC, logra un registro robusto y de alta precisión para nubes de puntos con bajo solapamiento. El algoritmo aquí presentado está basado en conjuntos de datos públicos y validado con datos reales. Los experimentos muestran que el algoritmo propuesto reduce el error medio de correspondencia en un 51,14%, 64,16% y 78% en comparación con los métodos ISS+3DSC+K4PCS, ISS+FPFH+RANSAC y TOLDI+RANSAC respectivamente, y que tiene la mayor eficiencia de ejecución entre los algoritmos comparados exitosamente, demostrando un buen rendimiento en general.

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