点云配准新算法：带方差补偿的多向仿射变换

"王畅、舒勤、杨赟秀和邓世杰在《光学学报》2019年第2期发表的论文‘带方差补偿的多向仿射变换点云配准算法’中，提出了一种新颖的点云配准方法。该算法结合了点云的统计特性和形状特征，特别适用于处理带有噪声和随机丢失数据的点云配准问题。” 文章的核心是带方差补偿的多向仿射变换点云配准算法。在传统的点云配准过程中，求解放缩因子通常涉及解决一个非线性方程组的问题。该算法创新性地将这一问题转化为求解带有方差的超定非线性方程组，这有助于更好地处理点云中的噪声。通过采用二次曲面拟合的方法，算法能对噪声方差进行最小二乘无偏估计，从而提高配准的精度。 同时，算法引入了点云全局向量特征相似度的概念，通过最大化相似度来寻求最优配准解。这一点尤其关键，因为它能有效利用点云的全局信息，提高配准的稳定性和准确性。此外，通过将多向仿射变换转化为刚性配准，并利用主方向法，算法简化了配准过程，进一步减少了计算复杂性。 仿真实验结果显示，在面对随机丢失点云和含噪点云的配准挑战时，提出的算法相比于现有的配准技术，不仅具有更高的配准精度，而且在执行速度上也更具优势。这表明该算法在实际应用中具有很好的性能和效率，特别是在机器视觉领域，对于点云数据的处理和分析有着重要的价值。 关键词涵盖的领域包括机器视觉、点云配准、Newton迭代法、相似度、最小二乘法以及二次曲面，这些是理解本文核心内容的关键点。论文的中图分类号为TP391.9，文献标识码为A，doi为10.3788/AOS201939.0215002，提供了学术检索的途径。 这篇论文提出的带方差补偿的多向仿射变换点云配准算法，是点云处理领域的一个重要进展，它在提高配准精度和效率方面具有显著优势，为点云处理和分析提供了新的思路和工具。