第一节
引言

根据采用的配准基元，点云配准算法分为基于特征的点云配准算法和基于无特征的点云配准算法两类。 基于特征的点云配准算法利用物体表面的角点、轮廓线或特征区域等几何特征来计算变换参数，不需要变换参数的初值即可实现点云配准。比如，基于二维高度图的点云配准算法，采用多尺度小波关键点检测技术，实现点云特征配准（Persad，2017）；基于特征点的快速点云配准算法，可以实现散乱点云的鲁棒配准（张哲，2017）；基于局部特征的点云配准算法，可以解决计算机视觉领域的配准问题（Quan，2018）；基于关键点特征的点云配准算法，可以实现低重叠点云的精确配准（黄源，2018）。但是，基于特征的点云配准算法在特征提取和组织上耗时较长，并且难以完成表面特征缺失点云的精确配准。

基于无特征的点云配准算法无须提取点云特征，直接利用原始数据即可实现配准，其中经典的代表算法是ICP算法（Besl，1992）。此外，基于正交因子模型的ICP算法，可以提高点云配准的精度和稳定性（唐志荣，2019）；基于最大可行子系统框架的点云配准算法，可以提高点云配准的精度和鲁棒性（Chanki，2018）；基于典型相关分析的ICP算法，对存在遮挡、缺损、缩放和噪声的无序点云具有良好的配准效果（Tang，2019）。

针对扫描得到的兵马俑碎块的点云数据模型，本章提出一种由粗到精的碎块配准方法。该配准方法主要包含五个基本步骤，即计算点云的法矢和曲率、检测配准点对、相似性度量、剔除错配点对实现粗配准、采用基于k-D树的改进ICP算法实现精配准。接下来，对该配准方法的几个步骤进行具体介绍。 7Ox8tPzZ3KuDDkhdN6lMX19LIFZ2ZyaACX8DNwS44KOMqEfcfcPS/14O53Az6A35