實(shí)現(xiàn)激光點(diǎn)云高效配準(zhǔn)的 ICP 優(yōu)化及性能驗(yàn)證

　　摘 要：激光點(diǎn)云常規(guī)匹配算法是迭代最近點(diǎn)(Iterative Closest Point, ICP)算法，但其收斂速度慢、魯棒性差，因此提出一種融合多種優(yōu)化算法的激光點(diǎn)云高效 ICP 配準(zhǔn)方法。首先對(duì)點(diǎn)云體素濾波降采樣，通過 ISS 算子提取關(guān)鍵點(diǎn)，采用快速點(diǎn)特征直方圖(Fast Point Feature Histograms, FPFH)提取關(guān)鍵點(diǎn)特征，嵌入 OpenMP (多核多線程并行處理模式)提高特征提取速度;然后基于提取的 FPFH 特征，使用采樣一致性初始配準(zhǔn)算法(Sample Consensus Initial Alignment, SAC-IA)進(jìn)行相似特征點(diǎn)粗配準(zhǔn)，獲取點(diǎn)云集間的初始旋轉(zhuǎn)平移變換矩陣;最后采用 ICP 算法進(jìn)行精配準(zhǔn)，同時(shí)采用最優(yōu)節(jié)點(diǎn)優(yōu)先(Best Bin First, BBF)優(yōu)化 K-D tree 近鄰搜索法來加速對(duì)應(yīng)關(guān)系點(diǎn)對(duì)的搜索，并設(shè)定動(dòng)態(tài)閾值消除錯(cuò)誤對(duì)應(yīng)點(diǎn)對(duì)，提高配準(zhǔn)快速性和準(zhǔn)確性。對(duì)兩個(gè)實(shí)例的配準(zhǔn)點(diǎn)云進(jìn)行了實(shí)驗(yàn)驗(yàn)證，結(jié)果表明，提出的優(yōu)化配準(zhǔn)算法具有明顯速度優(yōu)勢(shì)和精度優(yōu)勢(shì)。

　　本文源自紅外與激光工程 發(fā)表時(shí)間：2021-03-10《紅外與激光工程》系中國(guó)宇航學(xué)會(huì)光電技術(shù)專業(yè)委員會(huì)會(huì)刊，由中國(guó)航天科工集團(tuán)公司主管，創(chuàng)刊于1972年，是國(guó)家科委和國(guó)家新聞出版署批準(zhǔn)的國(guó)內(nèi)外公開發(fā)行的部級(jí)學(xué)術(shù)刊物。 本刊是中國(guó)航天界光電子技術(shù)領(lǐng)域內(nèi)學(xué)術(shù)性與工程應(yīng)用性集于一體的綜合性刊物，主要刊登國(guó)內(nèi)紅外與激光技術(shù)方面的學(xué)術(shù)論文和工程研究報(bào)告，集中反映了中國(guó)光電技術(shù)在宇航、衛(wèi)星及導(dǎo)彈武器系統(tǒng)中的工程應(yīng)用水平。

　　關(guān)鍵詞 激光點(diǎn)云;快速點(diǎn)特征直方圖;采樣一致性算法;迭代最近點(diǎn)算法;點(diǎn)云配準(zhǔn)

　　1 引言

　　激光掃描三維重建作為一種新興空間數(shù)據(jù)獲取技術(shù)已廣泛應(yīng)用于多種領(lǐng)域[1,2]。采用三維激光掃描儀對(duì)特定目標(biāo)掃描采集點(diǎn)云時(shí)，受到目標(biāo)尺寸、外界環(huán)境等因素干擾，致使點(diǎn)云無法被一次性獲取，需多站點(diǎn)多角度多次掃描才能實(shí)現(xiàn)，多站點(diǎn)云需進(jìn)行配準(zhǔn)，轉(zhuǎn)換到統(tǒng)一坐標(biāo)系中形成完整點(diǎn)云。

　　點(diǎn)云配準(zhǔn)主要采用 Besl[3]提出的傳統(tǒng)迭代最近點(diǎn)(ICP)算法，具有良好配準(zhǔn)精度，但收斂速度慢，且當(dāng)兩組點(diǎn)云存在較大差異時(shí)，算法會(huì)陷入局部最優(yōu)解，魯棒性差[4]。為了提高配準(zhǔn)效率，在進(jìn)行 ICP 配準(zhǔn)之前可以先進(jìn)行粗配準(zhǔn)[5]。粗配準(zhǔn)是根據(jù)局部特征的旋轉(zhuǎn)平移不變性，采用特征匹配實(shí)現(xiàn)[6]。如李宇翔[7]提出基于內(nèi)部形態(tài)描述子結(jié)合 K-D tree 的改進(jìn)迭代最近點(diǎn)配準(zhǔn)算法來提高配準(zhǔn)速度;Rasu[8]使用點(diǎn)特征直方圖對(duì)點(diǎn)的幾何特征描述得到多維特征向量;孫文瀟[9]采用局部表面擬合進(jìn)行法線估計(jì)并計(jì)算其快速點(diǎn)特征直方圖進(jìn)行粗配準(zhǔn)。

　　對(duì)于 ICP 算法優(yōu)化中，盧純青等[10]基于深度信息動(dòng)態(tài)尺度估計(jì)方法提升點(diǎn)云配準(zhǔn)的時(shí)間穩(wěn)定性和配準(zhǔn)精度;Bae[11]計(jì)算點(diǎn)與其鄰域內(nèi)點(diǎn)集組成的協(xié)方差矩陣，使用點(diǎn)的曲率變化率代替表面曲率，減少計(jì)算量;唐志榮[12]使用典型相關(guān)分析法對(duì)兩組轉(zhuǎn)動(dòng)矩陣進(jìn)行求解，實(shí)現(xiàn)點(diǎn)云配準(zhǔn);黃源[13]根據(jù)點(diǎn)云在不同半徑內(nèi)的法向量變化度提取特征點(diǎn)，利用距離約束條件獲取準(zhǔn)確匹配點(diǎn);王帥等[14]使用譜聚類按幾何結(jié)構(gòu)特征對(duì)各視角點(diǎn)云區(qū)域分割，采用改進(jìn) ICP 對(duì)點(diǎn)云精確配準(zhǔn)。

　　現(xiàn)有文獻(xiàn)對(duì)粗配準(zhǔn)、精配準(zhǔn) ICP 算法及其各種變種算法研究集中在優(yōu)化算法本身上，而對(duì)加速搜索算法和錯(cuò)誤對(duì)應(yīng)點(diǎn)對(duì)配準(zhǔn)算法精度和速度的影響研究較少。為進(jìn)一步提高點(diǎn)云配準(zhǔn)算法的速度和精度，本項(xiàng)目融合多種優(yōu)化方法，重點(diǎn)提高搜索速度和特征值提取速度，包括優(yōu)化點(diǎn)特征直方圖提取方法與效率、采樣一致性初始配準(zhǔn)(SAC-IA)和采用最優(yōu)節(jié)點(diǎn)優(yōu)先 K-D tree 近鄰搜索法等，來實(shí)現(xiàn)高效、高精度的 ICP 點(diǎn)云優(yōu)化配準(zhǔn)算法。

　　2 優(yōu)化原理

　　如圖 1 所示為融合了多種優(yōu)化算法實(shí)現(xiàn)點(diǎn)云高效配準(zhǔn)優(yōu)化方案。其中，在點(diǎn)云預(yù)處理中對(duì)點(diǎn)云進(jìn)行體素網(wǎng)格濾波;在關(guān)鍵點(diǎn)選擇中，采用內(nèi)部形態(tài)描述子(Intrinsic Shape Signatures, ISS)算法提取關(guān)鍵點(diǎn);在特征提取優(yōu)化中，嵌入多核多線程 OpenMP 并行處理模式，加速關(guān)鍵點(diǎn)快速特征直方圖提取;在粗配準(zhǔn)中，采用采樣一致性初始配準(zhǔn)優(yōu)化;精配準(zhǔn)中，采用最優(yōu)節(jié)點(diǎn)優(yōu)先法優(yōu)化 K-D Tree 近鄰搜索，加速對(duì)應(yīng)關(guān)系點(diǎn)對(duì)搜索，同時(shí)設(shè)置動(dòng)態(tài)閾值剔除錯(cuò)誤對(duì)應(yīng)關(guān)系點(diǎn)對(duì)，提高精匹配精度。

　　2.1 點(diǎn)云預(yù)處理

　　由于激光雷達(dá)掃描點(diǎn)云中空間點(diǎn)數(shù)目非常大，會(huì)影響點(diǎn)云的配準(zhǔn)效率;另外點(diǎn)密度分布也不均勻，且掃描點(diǎn)存在粗大誤差和測(cè)量誤差，因此有必要進(jìn)行體素柵格濾波。根據(jù)原始點(diǎn)云分布空間創(chuàng)建八叉樹三維體素柵格，細(xì)分深度 8。在每個(gè)小網(wǎng)格體素中，用所有點(diǎn)的重心近似代替體素中所有點(diǎn)，可得降采樣點(diǎn)云的同時(shí)還保持點(diǎn)云基本形狀特征。

　　2.2 關(guān)鍵點(diǎn)選擇

　　采用內(nèi)部形態(tài)描述子(Intrinsic Shape Signatures, ISS)算法進(jìn)行關(guān)鍵點(diǎn)提取：設(shè)點(diǎn)云 W 中含 m 個(gè)點(diǎn)， p x y z i m i i i i = = ( , , , 1,2, , ) ，對(duì)每個(gè)點(diǎn) i p 建立一個(gè)局部坐標(biāo)系，并設(shè)定一搜索半徑 iss r ，確定 i p 為球心、 iss r 為半徑球體內(nèi)的包含點(diǎn)，計(jì)算權(quán)值?ij ： 1 , ij i j iss i j p p r p p ? = − ? − (1)計(jì)算每個(gè)點(diǎn) i p 的協(xié)方差矩陣： ( ) ( )( ) cov i j iss i j iss T ij i j i j p r i ij p p r p p p p p ?? − ? − ? − − = ?? (2)獲得協(xié)方差矩陣的特征值? ? 1 2 3 , , ? ? ? i i i ，從大到小排序;設(shè)置閾值?1 和?2 ，滿足 2 1 1 i i ????和 3 2 2 i i ????的點(diǎn)即為關(guān)鍵點(diǎn)。

　　2.3 特征提取

　　如圖 2 所示，基于中心點(diǎn)與 k 鄰域之間的法向矢量關(guān)系計(jì)算點(diǎn)特征描述向量。

　　圖 2(a)以關(guān)鍵點(diǎn) pq 為中心劃半徑為 r 圓球，包含 k 個(gè)近鄰點(diǎn)。如圖 2(b)所示，將 pq 與 k 個(gè)鄰域點(diǎn)擬合一小平面，其法向量即 q n ，對(duì) q n 定義一個(gè)笛卡爾坐標(biāo)系，三坐標(biāo)軸為: 2 q k q k q x n p p y x p p z x y ? = ?? − ? = ? − ?? = ? ? (3)描述 q n 與某近鄰點(diǎn) pk 法線 k n 之間的相對(duì)空間偏差關(guān)系，用三個(gè)角度特征值： cos( ) ? = ? arc y nk (4) 2 arccos( ) k q k q p p x p p ? − = ? − (5)? = ? ? arctan , (z n x n k k ) (6)

　　計(jì)算出 pq 與半徑 r 鄰域內(nèi)所有點(diǎn)組成的點(diǎn)對(duì)之間的三個(gè)特征值后，用直方圖統(tǒng)計(jì)三個(gè)特征值的區(qū)間分布數(shù)目，記為簡(jiǎn)化點(diǎn)特征直方圖 (Simplified Point Feature Histogram，SPFH)。再依次查詢每個(gè)鄰域點(diǎn) ki p 的 SPFH。綜合關(guān)鍵點(diǎn) pq SPFH 特征和 k 個(gè)近鄰點(diǎn) SPFH 特征，計(jì)算關(guān)鍵點(diǎn) pq 的 FPFH 直方圖特征序列為： ( ) ( ) ( ) 1 1 1 + k q q i i i FPFH p SPFH p SPFH p k d = = ? ? (7)其中， di 為對(duì)應(yīng)點(diǎn)對(duì)的歐氏距離。

　　FPFH 將三個(gè)特征 ( , , ) ? ? ?的參數(shù)范圍均劃分為 11 個(gè)統(tǒng)計(jì)子區(qū)間，統(tǒng)計(jì)每個(gè)子區(qū)間上點(diǎn)數(shù)目，合并得到一個(gè) 33 維特征向量。圖 3(a)所示，取建筑物激光點(diǎn)云中三點(diǎn) A、B、C，分別為平面點(diǎn)、曲面點(diǎn)和角點(diǎn)，三點(diǎn)的 FPFH 序列如圖 3(b)、(c)、(d)。可見，點(diǎn)的幾何位置不同，F(xiàn)PFH 值也各有特點(diǎn)。

　　2.4 基于采樣一致性的粗配準(zhǔn)

　　FPFH 特征向量提取后，通過采樣一致性算法對(duì)目標(biāo)點(diǎn)云和模板點(diǎn)云粗配準(zhǔn)：(1)模板點(diǎn)云中，獲取 m 個(gè)待配準(zhǔn)特征點(diǎn);(2)目標(biāo)點(diǎn)云中，搜索與模板點(diǎn)云中特征點(diǎn) FPFH 值相似的所有點(diǎn)，隨機(jī)選一個(gè)相似點(diǎn)，作為從模板點(diǎn)云到目標(biāo)點(diǎn)云的對(duì)應(yīng)關(guān)系點(diǎn);(3)計(jì)算對(duì)應(yīng)關(guān)系點(diǎn)對(duì)的旋轉(zhuǎn)平移矩陣，并計(jì)算對(duì)應(yīng)關(guān)系點(diǎn)旋轉(zhuǎn)平移轉(zhuǎn)換后的距離誤差總和函數(shù)，即 Huber 損失函數(shù)： ( ) ( ) 1 2 , 2 1 2 , 2 i i h i i i e e r L e r e r e r ?? ?? = ?? − ? ?? (8)其中， r 為距離閾值， i e 為對(duì)應(yīng)點(diǎn)對(duì)間的歐氏距離。Huber 損失函數(shù)最小值對(duì)應(yīng)的旋轉(zhuǎn)平移變換矩陣就是粗配準(zhǔn)所求的最優(yōu)變換矩陣。

　　2.5 優(yōu)化 ICP 精配準(zhǔn)

　　2.5.1 進(jìn)行搜索加速優(yōu)化的 ICP 精配準(zhǔn)

　　采用最優(yōu)節(jié)點(diǎn)優(yōu)先 (Best Bin First, BBF)優(yōu)化 K-D Tree 近鄰搜索，加速對(duì)應(yīng)點(diǎn)對(duì)搜索：

　　(1)分割結(jié)點(diǎn)確定：統(tǒng)計(jì)所有特征點(diǎn)在(x, y, z)各維度方差，方差最大的維度為主維度，將特征點(diǎn)按主維度排序，正中間特征點(diǎn)為分割結(jié)點(diǎn)。

　　(2)搜索對(duì)應(yīng)關(guān)系點(diǎn)對(duì)：待查詢點(diǎn)值與分割結(jié)點(diǎn)值比較，若小于等于，則進(jìn)左子樹，否則進(jìn)右子樹，沿 K-D Tree 搜索，直至葉子結(jié)點(diǎn)，在此子空間內(nèi)查找與待查詢點(diǎn)距離最近點(diǎn)，同時(shí)建立優(yōu)先級(jí)，點(diǎn)的優(yōu)先級(jí) Tpri 定義為： , ( , , ) T s r i x y z pri i i = − ? (9) i s 為待查詢點(diǎn)第 i 維值， i r 為特征點(diǎn)第 i 維值， i 為分割維度。 Tpri 越小，優(yōu)先級(jí)越大。

　　(3)“回環(huán)”搜索：按優(yōu)先級(jí)大小查找是否存在與該點(diǎn)距離更近對(duì)應(yīng)點(diǎn)，若在其他分割子空間中存在，則進(jìn)入此子空間繼續(xù)搜索。

　　2.5.2 動(dòng)態(tài)閾值設(shè)置

　　將每次迭代完的配準(zhǔn)誤差(即歐式適合度評(píng)分)設(shè)置為下次迭代的距離閾值，進(jìn)行自適應(yīng)動(dòng)態(tài)設(shè)置，在第?次配準(zhǔn)誤差為[15]： ( ( )) 2 , , 1 1 1 n MS a i b i i R p R p t n ? ? = = − ? + − ? (10) ( p p a i b i , , − ? ) ? (11) R?和 t?分別為第?次迭代的旋轉(zhuǎn)和平移矩陣，?為迭代的距離閾值。點(diǎn)云偏差一般服從正態(tài)分布，則取? =3RMS ，剔除不滿足式(11)的對(duì)應(yīng)點(diǎn)對(duì)，防止該點(diǎn)對(duì)參與下次迭代。

　　3 實(shí)驗(yàn)過程與結(jié)果分析

　　3.1 實(shí)驗(yàn)過程

　　采用兩組點(diǎn)云進(jìn)行算法驗(yàn)證實(shí)驗(yàn)。第一組采用 PCL 官網(wǎng)下載建筑物點(diǎn)云;第二組為采用激光雷達(dá)掃描建筑物獲得。實(shí)驗(yàn)采用計(jì)算機(jī)硬件環(huán)境：處理器 Intel(R) Core(TM) i5-8300H CPU @ 2.30GHz，內(nèi)存 16.0GB;操作系統(tǒng) ubuntu 16.04，64-bit，編程語言 VC++。

　　3.2 實(shí)驗(yàn)結(jié)果分析

　　3.2.1 實(shí)驗(yàn) 1

　　圖 4(a)建筑物點(diǎn)云，目標(biāo)點(diǎn)云(綠色)共 112586 個(gè)點(diǎn)，模板點(diǎn)云(紅色)共 112624 個(gè)點(diǎn)，兩原始點(diǎn)云經(jīng)體素濾波后如圖 4(b)所示，濾波后分別含 17677、17640 個(gè)點(diǎn)。

　　從目標(biāo)點(diǎn)云和模板點(diǎn)云中分別隨機(jī)選取兩個(gè)關(guān)鍵點(diǎn)進(jìn)行特征提取并顯示點(diǎn)特征直方圖，如圖 5 所示，A、C 是模板點(diǎn)云關(guān)鍵點(diǎn)，B、D 是目標(biāo)點(diǎn)云關(guān)鍵點(diǎn)。其中， A 點(diǎn)和 D 點(diǎn)的 FPFH 特征基本一致，因此作為一組對(duì)應(yīng)關(guān)系點(diǎn)對(duì)。

　　當(dāng) ISS 算子加入后，對(duì)點(diǎn)云的配準(zhǔn)效果進(jìn)行了實(shí)驗(yàn)驗(yàn)證比較。如表 1 所示，其中 SAC-IA 是進(jìn)行傳統(tǒng) FPFH 特征提取進(jìn)行的配準(zhǔn)實(shí)驗(yàn)結(jié)果，SAC-IA+ISS 是先提取 ISS 關(guān)鍵點(diǎn)、然后再進(jìn)行 FPFH 特征提取進(jìn)行的配準(zhǔn)實(shí)驗(yàn)結(jié)果。表 1 的結(jié)果表明，采用 ISS 算子提取關(guān)鍵點(diǎn)后，配準(zhǔn)歐拉評(píng)分近似相同，而配準(zhǔn)時(shí)間卻減少近一半，由 12.061s 降為 6.797s，因此 ISS 算子的引入有效提高了點(diǎn)云的配準(zhǔn)效率。

　　在特征提取過程中，嵌入了 OpenMP 多核多線程并行計(jì)算模式，加快特征提取速度，采用單線程 pcl::FPFH Estimation 特征提取耗時(shí) 13.522s，而采用 OpenMP 模式耗時(shí) 3.058s，僅為單線程的 22.6%。基于提取的 FPFH 特征值進(jìn)行粗配準(zhǔn)，共耗時(shí) 6.091s，粗配準(zhǔn)的點(diǎn)云效果如圖 6(a)所示，同時(shí)獲得了兩組點(diǎn)云的粗配準(zhǔn)變換矩陣。兩組點(diǎn)云基本重合，但仍有較明顯錯(cuò)位，需進(jìn)一步精配準(zhǔn)。

　　完成粗配準(zhǔn)后，再進(jìn)行優(yōu)化 ICP 配準(zhǔn)，耗時(shí) 0.895s，共迭代 5 次，歐式適合度評(píng)分為 0.0040。其中，歐式適合度評(píng)分是目標(biāo)點(diǎn)云到模板點(diǎn)云對(duì)應(yīng)關(guān)系點(diǎn)對(duì)的距離平方和。ICP 精配準(zhǔn)效果如圖 6(b)所示，同時(shí)獲得了兩組點(diǎn)云的精配準(zhǔn)變換矩陣。

　　為比較，對(duì)兩組點(diǎn)云進(jìn)行常規(guī) ICP 配準(zhǔn)，共耗時(shí) 8.297s，迭代 45 次，歐式適合度評(píng) 0.0041。

　　3.2.2 實(shí)驗(yàn) 2

　　將激光雷達(dá)固定在三角支架上，獲得不同站點(diǎn)實(shí)驗(yàn)室走廊的掃描點(diǎn)云。取兩站點(diǎn)掃描的激光點(diǎn)云進(jìn)行配準(zhǔn)，第一組為紅色點(diǎn)云，含 290545 點(diǎn);第二組為綠色點(diǎn)，含 290608 點(diǎn)，如圖 7(a)所示。對(duì)兩個(gè)原始點(diǎn)云進(jìn)行體素網(wǎng)格濾波后分別含 5938、5942 個(gè)點(diǎn)，如圖 7(b)所示。

　　對(duì)走廊點(diǎn)云篩選關(guān)鍵點(diǎn)，提取 FPFH 特征，并進(jìn)行 SAC-IA 粗配準(zhǔn)，求取兩組點(diǎn)云的變換矩陣，粗配準(zhǔn)效果如圖 7(c)所示，耗時(shí) 1.080s，同時(shí)獲得了兩組點(diǎn)云的粗配準(zhǔn)變換矩陣。

　　對(duì)粗配準(zhǔn)獲得的兩組點(diǎn)云，再進(jìn)行優(yōu)化 ICP 配準(zhǔn)，耗時(shí) 0.416s，迭代 7 次，歐式適合度評(píng)分 0.0057，如圖 7(d)所示，同時(shí)獲得了兩組點(diǎn)云的精配準(zhǔn)變換矩陣。

　　為比較，對(duì)走廊點(diǎn)云進(jìn)行常規(guī) ICP 配準(zhǔn)，共耗時(shí) 2.042s，迭代 33 次，歐式適合度評(píng)分 0.0058。

　　3.2.3 實(shí)驗(yàn)結(jié)果分析

　　點(diǎn)云配準(zhǔn)結(jié)果的主要評(píng)估標(biāo)準(zhǔn)是迭代次數(shù)、歐式適合度評(píng)分和配準(zhǔn)耗時(shí)。上述兩個(gè)配準(zhǔn)驗(yàn)證實(shí)驗(yàn)中，常規(guī) ICP 算法和優(yōu)化算法的評(píng)估參數(shù)如表 2 所示。另外，為了進(jìn)一步說明所提出的優(yōu)化組合方式的優(yōu)越性，與文獻(xiàn)[8]所采用的點(diǎn)云配準(zhǔn)方法進(jìn)行了實(shí)驗(yàn)比較，此方法記作 SAC-IA+ICP，即采用采樣一致性的粗配準(zhǔn)和精配準(zhǔn)的組合，實(shí)驗(yàn)結(jié)果也列入表 2 中。由表 2 可見，在歐拉評(píng)分近似相同的配準(zhǔn)精度效果下，組合優(yōu)化方法 Optimized SAC-IA+ICP，在迭代次數(shù)和配準(zhǔn)時(shí)間上均有顯著改善。

　　表 2 可見，優(yōu)化 SAC-IA+ICP 在兩組實(shí)驗(yàn)中的迭代次數(shù)均遠(yuǎn)少于常規(guī) ICP，僅為其 1/9~1/4。另外，優(yōu)化 SAC-IA+ICP 在兩組實(shí)驗(yàn)中計(jì)算速度均快于常規(guī) ICP，在第一組實(shí)驗(yàn)中，優(yōu)化 SAC-IA+ICP 為 6.986s，約占常規(guī) ICP 的 84.19%;在第二組實(shí)驗(yàn)中，優(yōu)化 SAC-IA+ICP 為 1.496s，約占常規(guī) ICP 的 73.26%。優(yōu)化 SAC-IA+ICP 在兩組實(shí)驗(yàn)中得歐式適合度評(píng)分均略優(yōu)于常規(guī) ICP。

　　4 結(jié)論

　　提出了一種融合多種優(yōu)化算法的激光點(diǎn)云高效 ICP 配準(zhǔn)方法，采用多核多線程 OpenMP 模式加快 FPFH 特征提取，根據(jù)提取的點(diǎn)云 FPFH 特征采用 SAC-IA 粗配準(zhǔn)計(jì)算初始旋轉(zhuǎn)平移變換矩陣，采用最優(yōu)節(jié)點(diǎn)優(yōu)先法優(yōu)化 K-D tree 近鄰搜索法加速搜索，及設(shè)置動(dòng)態(tài)閾值消除錯(cuò)誤點(diǎn)對(duì)等優(yōu)化措施。通過對(duì)建筑物點(diǎn)云和走廊點(diǎn)云進(jìn)行算法驗(yàn)證，比較了優(yōu)化 SAC-IA+ICP 算法和常規(guī) ICP 配準(zhǔn)算法的性能，結(jié)果可知，優(yōu)化 SAC-IA+ICP 算法的迭代次數(shù)減小為 1/9~1/4，耗時(shí)減小為 73.26%~84.19%，歐式適合度評(píng)分有所降低，因此具有高效和高精度的優(yōu)勢(shì)。