In der Registrierung von 3D-Punktwolken gibt es zwischen den Laserscandaten der einzelnen Ansichten überlappende Bereiche. Um das Problem der ungleichmäßigen Punktwolkendichte aufgrund unterschiedlicher Überlappungsbereiche zu adressieren, welche die Genauigkeit der Multi-Stationen-Registrierung direkt beeinflussen, wird in dieser Arbeit eine Methode zur Registrierung von 3D-Punktwolken mit ungleichmäßiger Dichte basierend auf manifoldbasiertem Untersampling vorgeschlagen. Zunächst wird die geodätische Entfernung als Ähnlichkeitsmaß verwendet, um die unausgewogenen Punktwolkendaten zu clustern und zu partitionieren, um die Punktwolken zu vereinfachen; danach wird die K-Nachbarschaftssuche eingesetzt, um die Anzahl der Punkte im Radius jedes Punktes zu berechnen und die Punktwolke in Dichtebereiche zu unterteilen; anschließend werden die dichte Bereiche geclustert und für jeden Cluster eine Flächenanpassung durchgeführt, dabei wird die Krümmung aller Punkte auf der Fläche berechnet; anschließend werden Punkte mit höherer Krümmung extrahiert, um das Verhältnis der Punktezahlen zwischen dichteren und weniger dichten Bereichen auszugleichen, wodurch eine ausgewogenere Dichte der Punktwolkendaten erreicht wird. Abschließend wird die manifoldbasierte Untersampling-Punktwolke mit K-Means geclustert und Clusterzentren sowie starre Transformationsmatrizen aktualisiert, um die ungleichmäßige Multi-Stationen-Registrierung zu realisieren. Im Vergleich zu zufälliger und gleichmäßiger Abtastung weist die vorgeschlagene Methode eine geringere Fasenauflösung auf und bewahrt lokale Merkmale der Punktwolke. Experimente am Bunny-Datensatz des öffentlichen Stanford-Datensatzes zeigen, dass die vorgeschlagene Methode die Effizienz der Registrierung um mehr als 60% bei gleichbleibender Genauigkeit verbessert.

Punktwolkenregistrierung; Multi-Stationen-Punktwolke; Manifold-Clustering; Punktwolkenvereinfachung;k-Means