Bestehende Punktwolken-Registrierungsalgorithmen weisen bei der Registrierung von Punktwolken in verschiedenen Szenarien Probleme mit geringer Anwendbarkeit, schlechter Robustheit und niedriger Registrierungseffizienz auf. Dieser Artikel schlägt einen effizienten Registrierungsalgorithmus für Modelle und Innen- sowie Außen-Punktwolken vor. Zunächst wird eine Voxelgitter-Filterung zur Unterabtastung der Punktwolken verwendet, und interne Strukturmerkmale (ISS) extrahieren die Punktwolkenmerkmale. Anschließend werden die Merkmale der Schlüsselstellen durch den schnellen Punktmerkmals-Histogrammalgorithmus (FPFH) beschrieben, und die grobe Registrierung erfolgt mit dem Random Sample Consensus (RANSAC)-Algorithmus. Schließlich wird die Feineinstellung der Registrierung durch den voxelisierten generalisierten iterativen nächsten Punkt (VGICP)-Algorithmus realisiert, der parallel durch die Grafikkarte (GPU) beschleunigt wird. Die experimentellen Ergebnisse zeigen, dass der Algorithmus bei 3D-Modellen mit Rauschpunkten sowie bei Innen- und Außenpunktwolken mit geringer Überlappung eine hohe Registrierungsgenauigkeit erreicht und dabei nur 0,118 s, 0,306 s bzw. 0,648 s benötigt. Im Vergleich zu bestehenden Registrierungsalgorithmen wurde die Registrierungseffizienz um 79,12 %, 82,41 % und 88,28 % verbessert. Der Algorithmus weist in verschiedenen Anwendungsszenarien eine hohe Registrierungsgenauigkeit und -effizienz sowie eine bessere Anwendbarkeit und Robustheit auf.

Punktwolkenregistrierung; Random Sample Consensus; Grafikprozessor; voxelisierter generalisierter iterativer nächster Punkt