改进的EPFH特征点云匹配算法：高精度与速度提升

本文主要探讨了一种创新的基于扩展点特征直方图（EPFH）的点云匹配算法，针对传统点云匹配方法在精度和速度方面的局限性。EPFH特征是一种用于描述点云局部几何结构的有效手段，它通过对点云中的特征点进行采样，构建一个包含周围点分布信息的直方图，从而捕捉到点云的局部形状特性。 首先，算法采用了ISS（Intrinsic Shape Signature）特征检测技术来识别点云中的显著特征点，这些特征点对于匹配过程至关重要。ISS算法能够捕获点云的内在形状特征，有助于区分不同的物体形态，提高匹配的准确性。 接下来，算法采用先粗配后细配的策略，即首先通过采样一致性算法估计待匹配点云和目标点云之间的刚体变换矩阵，这是一个初步的粗略匹配阶段。采样一致性方法通过对多个样本点进行一致性检验，寻找最佳的坐标变换，以最小化点对之间的距离偏差，确保初始匹配的精度。 然后，文章引入了基于k-d树的迭代最近点算法进行精细匹配。k-d树是一种高效的数据结构，用于快速检索近邻点，这在点云匹配中尤为关键。通过迭代搜索k-d树，算法能够找到两个点云之间最相似的局部区域，进一步提升匹配的精确度。 最后，作者将这种新型算法应用于公共数据集和兵马俑特殊数据集进行实验证明。实验结果显示，与传统方法相比，基于EPFH特征的点云匹配算法在匹配精度和速度上都有显著提升。这表明该算法不仅在一般场景下表现出色，而且对于具有复杂结构和细节的特定数据集也能有效应对，具有较好的鲁棒性和实用性。 本文提出了一种新颖的点云匹配方法，结合了ISS特征检测、EPFH特征描述和采样一致性、k-d树等技术，有效提高了点云匹配的精度和效率，对于机器视觉领域中的点云处理具有重要的研究价值和实际应用潜力。