Les algorithmes actuels de recalage des nuages de points présentent des problèmes d'adaptabilité faible, de robustesse insuffisante et d'efficacité de recalage réduite lors du traitement de différents scénarios. Cet article propose un algorithme efficace de recalage visant les modèles et les nuages de points intérieurs et extérieurs. Tout d'abord, le filtrage par grille voxel est utilisé pour sous-échantillonner le nuage de points et le descripteur de forme interne (ISS) extrait les caractéristiques du nuage. Ensuite, l'histogramme rapide des caractéristiques de points (FPFH) décrit les points caractéristiques, et l'algorithme de consensus aléatoire par échantillonnage (RANSAC) réalise un recalage grossier du nuage de points. Enfin, le recalage précis est obtenu par l'algorithme VGICP itératif généralisé voxelisé, accéléré parallèlement par GPU. Les résultats expérimentaux montrent que, pour les modèles 3D avec points bruités, les nuages intérieurs et extérieurs à faible recouvrement, l'algorithme atteint une haute précision de recalage en seulement 0,118 s, 0,306 s et 0,648 s respectivement. Par rapport aux algorithmes existants, l'efficacité du recalage est améliorée de 79,12%, 82,41% et 88,28%. Cet algorithme offre une haute précision et efficacité de recalage dans divers scénarios d'application, avec une meilleure adaptabilité et robustesse.

recalage de nuages de points; consensus aléatoire par échantillonnage; processeur graphique; VGICP voxelisé itératif généralisé