基于局部泊松曲面重建的点云刚性配准方法

摘要

本文提供一种基于局部样本重建泊松曲面寻找对应点的点云刚性配准方法，属于数字化设计与制造领域，其特征在于：初配准在浮动点云和固定点云中交互选取特征点对，基于固定点云特征点的邻域点集构建泊松曲面；建立曲面的KD树，查询浮动点云样本点在KD树中的最近点作为参考点，以样本点至参考点环域面片的最近点作为对应点，基于对应点对建立测度函数并利用SVD法求解变换参数；在初配准的基础上，精配准基于公共域自适应获取特征点对，利用点到泊松曲面的最近距离建立误差测度，从而计算变换参数，进一步提高配准精度。本发明初配准可取得较高的配准精度，精配准可快速收敛于全局最优并且具有较高的鲁棒性。

权利要求

1.一种基于局部泊松曲面重建的点云刚性配准方法，其特征在于步骤依次为：一、设待配准的两个不同视角下的实物表面采样点集P与Q，将P作为浮动点云，Q作为固定点云，通过人工交互的方式分别从P与Q中选取子集CP与CQ；二、设FP为空集，在CP内交互选取部分特征点，并将所选特征点依次加入FP；三、设FQ为空集，对于FP内的每个样点，在CQ内交互选取与之相匹配的样点，并将所选样点依次加入FQ；四、基于FQ内的样点在Q中的邻域点集，为FQ内的每个样点构建泊松曲面，具体步骤为：(1)对每个样点的邻域点集添加辅助点构建封闭点集；(2)对封闭点集进行法向估计；(3)基于法向估计后的封闭点集进行完整泊松曲面重建；

(4)将邻域点集所对应的局部泊松曲面从完整的泊松曲面分离出来，以局部泊松曲面作为样点的泊松曲面；五、以FP内的样点至与之相对应的泊松曲面的距离作为测度，求解使得点集配准函数最小化的刚性变换矩阵，从而完成P与Q的初步配准，即使得CP与FQ在同一坐标系下充分重叠；六、将FP重置为空集，在Cp内选取部分样点作为新的特征点，选取规则是保证所选样点在Cp具有完备的邻域点集，即该样点在CQ内的邻域点集能够均匀分布于该样点的周围邻近区域，将所选样点加入Fp；七、将FQ重置为空集，对于FP内的每个样点，CQ内选取与之最近的样点，并将所选样点依次加入FQ；八、应用步骤四中所述方法为FP内的每个样点构建泊松曲面；九、以FP内的样点至与之相对应的泊松曲面的距离作为测度，求解使得点集配准函数最小化的刚性变换矩阵，从而完成P与Q的精确配准，结果输出刚性变换后的P与配准误差。

2.根据权利要求1所述的基于局部泊松曲面重建的点云刚性配准方法，其特征在于：在步骤四中，对样点的邻域点集添加辅助点构造封闭点集，具体步骤为：(1)设样点为qi∈FQ，qi的邻域点集为N(qi)，将N(qi)投影至平面，记为M(qi)；(2)通过边界特征识别算法识别出M(qi)的边界点集合BM；(3)根据投影的对应关系，获取N(qi)的边界点集合BN；(4)基于BM,BN在对应的边界点之间插入离散点，即可构建封闭点集。

3.根据权利要求1所述的基于局部泊松曲面重建的点云刚性配准方法，其特征在于：在步骤四中，通过构建动态空间索引将邻域点集所对应的泊松曲面进行分离，具体步骤为：

(1)设所构建的完整闭合泊松曲面为Λ，建立基于泊松曲面Λ的空间索引—KD树与半边结构相结合的索引结构；(2)查询邻域点集内的样点在索引中的最近邻；(3)设分离后的网格曲面为Λ′，基于半边结构的拓扑信息，将最近邻的一环域及其面片信息存入Λ′；(4)输出局部泊松曲面Λ′，保证Λ′保持原来数据点面信息的拓扑完整性。

4.根据权利要求1所述的基于局部泊松曲面重建的点云刚性配准方法，其特征在于：在步骤五中，以FP内的样点到泊松曲面的最近距离作为测度，具体步骤为：(1)基于局部泊松曲面Λ′建立网格索引结构—KD树；(2)对pi∈Fp，通过KD树的最近邻查询算法查找pi至Λ′的最近网格顶点a；(3)基于索引叶结点存储的拓扑邻域信息获取a的一环域三角面片；(4)利用点面距离公式计算pi到环域三角面片的最近点b，将b作为pi的对应点；(5)计算pi与b的距离，以该距离作为测度值。

5.根据权利要求1所述的基于局部泊松曲面重建的点云刚性配准方法，其特征在于：在步骤六中，在Cp内选取部分样点作为新的特征点，选取规则的具体步骤为：(1)计算点集P的跨度ζ；(2)基于pi∈Cp的邻域点集N(pi)，计算N(pi)的跨度ζpd；(2)设τ为选择参数，如果ζpd＜τ·ζ，则N(pi)存在孔洞缺陷，剔除pi，反之，将pi作为特征点。

6.根据权利要求5所述的基于局部泊松曲面重建的点云刚性配准方法，其特征在于：在步骤(1)中计算点集P的跨度ζ，具体步骤为：a)从实物表面采样点集P中随机获取m个样点，形成点集Pm；b)设D为空集，对于Pm中的每个样点，计算它到P中距其最近的k个样点的距离均值并将其加入集合D中；c)将D中所有元素的均值作为跨度ζ。

7.根据权利要求1所述的基于局部泊松曲面重建的点云刚性配准方法，其特征在于，在步骤九中，采用基于样点—泊松曲面的最小距离进行误差估计，以pi∈Fp到局部泊松曲面Λ′的最小距离作为误差ξ，具体步骤为：(1)i←1,ξ←0，其中i＝1，2，...，n；(2)计算pi到Λ′的最近点qi；(3)计算pi，qi的欧氏距离di；(4) (5)i←i+1，重复步骤(2)-(4)直至i＞n；(6) (8)返回误差

说明书

基于局部泊松曲面重建的点云刚性配准方法

技术领域

[0001] 本发明提供基于局部泊松曲面重建的点云刚性配准方法，可用于对实物表面采样数据多视角点云数据的配准，属于数字化设计与制造领域。

背景技术

[0002] 在逆向工程、计算机图形学、质量检测等领域，需要从实物表面获取三维点云数据。由于物体的表面的遮挡以及扫描设备的测量范围限制，目前主流的激光测量设备与光栅投影式测量设备必须对被测量物体从多个角度、分区域扫描才能获取物体表面全部的点云数据。但在变换角度扫描过程中，每次扫描获取的点云数据所在的坐标系不同，因此需要将不同坐标系下的点云数据变换至同一坐标系内并输出为一个完整的表面三维点云数据，即三维点云配准。三维点云配准的精度决定了对采样数据后续各种处理的精度，特别是对逆向工程中的点云分割、特征识别、曲率估计、法向估计、曲面重建等后处理的精度有重要影响。

[0003] 三维点云配准过程通常分为初配准和精配准两个阶段。初配准阶段，固定一个视角的点云数据(固定点云)，浮动其它视角点云数据(浮动点云)，通过匹配固定点云与浮动点云公共区域的对应几何特征计算刚性变换参数，最终将浮动点云与固定点云点云拼合为一个完整的点云数据；精配准在初配准的基础上迭代配准过程，直至误差收敛，从而进一步提高初配准精度，使误差达到最小。

[0004] 初配准中常用的对应几何特征有对应点、对应线和对应面。Chua等在《3D human face recognition using point signature》(IEEE International Conference on Automatic Face and Gesture Recognition,2000.Proceedings.IEEE,2000:233-238)为每个点定义特征描述子，通过计算浮动点云中每个点的特征描述子寻找固定点云内与其对应的特征描述子，该方法计算量大并且对噪点敏感。Papazov等在《An efficient ransac for 3d object recognition in noisy and occluded scenes》(Computer Vision–ACCV 2010.Springer Berlin Heidelberg,2011:135-148.)采用RANSAC的方法，在两组点云中寻找三个点对，如果每个点对中任两个点之间距离近似相等则认为这三个点对是对应点对，基于点对信息计算变换参数，该方法仅适合于小数据量的点云配准。Bucksch等在《Localized registration of point clouds of botanic trees》(Geoscience and Remote Sensing Letters,IEEE,2013,10(3):631-635.)采用点—线对应的方式进行配准，通过寻找浮动点云中任意点在固定点云距离最近的特征线段计算刚性变换参数，该方法对点云轮廓形状要求较高并且无法解决局部收敛的问题。以上方法基于整个点云数据匹配对应的几何特征，进而计算变换参数，此类方法计算量非常大，并且不同方法对点云原始数据有平坦性、均匀性、无噪点等不同要求。另外还有学者采用代数曲面模型法、主曲率估计法等计算对应几何特征信息。除此之外可采用一种相对简单、有效的初配准方法——人机交互法——手动选取对应点对，通过最小二乘法即可快速、高效地计算变换参数，但该方法的最大问题在于对应点对选取的精度不高，导致初配准精度较低，甚至收敛于局部最优。

[0005] 当前精配准的主流方法大多集中在对最近点迭代(Iterative Closet Point，ICP)方法的改进，该方法由Besl等在《Method for registration of 3-D shapes》(Robotics-DL tentative.International Society for Optics and Photonics,1992:586-606.)提出，ICP阐述了精配准的基本理论框架：对具有良好初始相对位置信息的两组点云数据，可采用所有的几何图元(点、线、面、体等)进行迭代配准并求全局最优解。在ICP中，作者采用点作为配准的几何图元，通过迭代最近点计算对应点对并基于四元数法计算刚性变换参数，但该方法无法解决因初始位置偏差大导致的局部收敛的问题，并且迭代次数较多。Chen等在《Object modeling by registration of multiple range images》(Robotics and Automation,1991.Proceedings.,1991IEEE International Conference on.IEEE,1991:2724-2729.)提出一种基于给定点法向到目标点切平面的误差估计准则，加快了收敛速度，但该方法对曲率变化大的模型配准不适用，并且要求两个模型有足够多的重叠区域。Rusu等《Semantic 3d object maps for everyday manipulation in human living environments》(KI-Künstliche Intelligenz,2010,24(4):345-348.)提出基于FPFH的特征描述子进行特征点匹配，并加入特征点判别条件，对于识别的候选特征点进一步通过曲率、法向等几何信息进行排除，对于不符合的特征点予以剔除，整个过程采用KD树进行加速寻找，该方法取得了非常好的配准效果，因此该方法被开源点云算法库PCL所采用，但该方法仍然没有解决过度依赖初始相对位置的弊端，只要两个点云模型的初始相对位置不理想，就会导致配准失效。各种改进方法通过寻找更加精确的几何图元提高配准精度以及建立更加高效的误差估计法则提高收敛的速度，但带来的问题是计算复杂化，时间代价高，并且各方法处理的点云数据往往存在特殊性，不具备普适性。

发明内容

[0006] 本发明的目的在于提高配准过程中对应点在公共域匹配的精确性，使初配准快速收敛并提高初配准的精度，精配准可进一步降低配准误差并提高精配准的鲁棒性，技术方案实现如下：

[0007] 一种基于局部泊松曲面重建的点云刚性配准方法，其特征在于步骤依次为：一、设待配准的两个不同视角下的实物表面采样点集P与Q，将P作为浮动点云，Q作为固定点云，通过人工交互的方式分别从P与Q中选取子集CP与CQ；二、设Fp为空集，在Cp内交互选取部分特征点，并将所选特征点依次加入Fp；三、设FQ为空集，对于Fp内的每个样点，在CQ内交互选取与之相匹配的样点，并将所选样点依次加入FQ；四、基于FQ内的样点在Q中的邻域点集，为FQ内的每个样点构建泊松曲面，具体步骤为：(1)对每个样点的邻域点集添加辅助点构建封闭点集；(2)对封闭点集进行法向估计；(3)基于法向估计后的封闭点集进行完整泊松曲面重建；(4)将邻域点集所对应的局部泊松曲面从完整的泊松曲面分离出来，以局部泊松曲面作为样点的泊松曲面；五、以FP内的样点至与之相对应的泊松曲面的距离作为测度，求解使得点集配准函数最小化的刚性变换矩阵，从而完成P与Q的初步配准，即使得CP与CQ在同一坐标系下充分重叠；六、将Fp重置为空集，在CP内选取部分样点作为新的特征点，选取规则是保证所选样点在CP具有完备的邻域点集，即该样点在Cg内的邻域点集能够均匀分布于该样点的周围邻近区域，将所选样点加入Fp；七、将FQ重置为空集，对于Fp内的每个样点，CQ内选取与之最近的样点，并将所选样点依次加入FQ；八、应用步骤四中所述方法为Fp内的每个样点构建泊松曲面；九、以Fp内的样点至与之相对应的泊松曲面的距离作为测度，求解使得点集配准函数最小化的刚性变换矩阵，从而完成P与Q的精确配准，结果输出刚性变换后的P与配准误差。

[0008] 为实现发明目的，所述的基于局部泊松曲面重建的点云刚性配准方法，其特征在于：在步骤四中，对样点的邻域点集添加辅助点构造封闭点集，具体步骤为：(1)设样点为qi∈FQ，qi的邻域点集为N(qi)，将N(qi)投影至平面，记为M(qi)；(2)通过边界特征识别方法识别出M(qi)的边界点集合BM；(3)根据投影的对应关系，获取N(qi)的边界点集合BN；(4)基于BM，BN在对应的边界点之间插入离散点，即可构建封闭点集。

[0009] 为实现发明目的，所述的基于局部泊松曲面重建的点云刚性配准方法，其特征在于：在步骤四中，通过构建动态空间索引将邻域点集所对应的泊松曲面进行分离，具体步骤为：(1)设所构建的完整闭合泊松曲面为Λ，建立基于泊松曲面Λ的空间索引-KD树与半边结构相结合的索引结构；(2)查询邻域点集内的样点在索引中的最近邻；(3)设分离后的网格曲面为Λ′，基于半边结构的拓扑信息，将最近邻的一环域及其面片信息存入Λ′；(4)输出局部泊松曲面Λ′，保证Λ′保持原来数据点面信息的拓扑完整性。

[0010] 为实现发明目的，所述的基于局部泊松曲面重建的点云刚性配准方法，其特征在于：在步骤五中，以Fp内的样点到泊松曲面的最近距离作为测度，具体步骤为：(1)基于局部泊松曲面Λ′建立网格索引结构-KD树；(2)对pi∈Fp，通过KD树的最近邻查询查找pi至Λ′的最近网格顶点a；(3)基于索引叶结点存储的拓扑邻域信息获取a的一环域三角面片；(4)利用点面距离公式计算pi到环域三角面片的最近点b，将b作为pi的对应点；(5)计算pi与b的距离，以该距离作为测度值。

[0011] 为实现发明目的，所述的基于局部泊松曲面重建的点云刚性配准方法，其特征在于：在步骤六中，在CP内选取部分样点作为新的特征点，选取规则的具体步骤为：(1)计算点集P的跨度ζ；(2)基于pi∈Cp的邻域点集N(pi)，计算N(pi)的跨度 (2)设τ为选择参数，如果 则N(pi)存在孔洞缺陷，剔除pi，反之，将pi作为特征点。

[0012] 为实现发明目的，所述的基于局部泊松曲面重建的点云刚性配准方法，其特征在于：在步骤六选取特征点规则的步骤(1)中，计算点集P的跨度ζ，具体步骤为：a)从实物表面采样点集P中随机获取m个样点，形成点集Pm；b)设D为空集，对于Pm中的每个样点，计算它到P中距其最近的k个样点的距离均值并将其加入集合D中；c)将D中所有元素的均值作为跨度ζ。

[0013] 为实现发明目的，所述的基于局部泊松曲面重建的点云刚性配准方法，其特征在于，在步骤九中，采用基于样点一泊松曲面的最小距离进行误差估计，以pi∈Fp到局部泊松曲面Λ′的最小距离作为误差ξ，具体步骤为：(1)i←1，ξ←0，其中i＝1，2，...，n；(2)计算pi到Λ′的最近点qi；(3)计算pi，qi的欧氏距离di；(4)ξ←ξ+di；(5)i←i+1，重复步骤(2)-(4)直至i＞n；(6)ξ←ξ/n；(8)返回误差ξ。

[0014] 本发明与现有技术相比，具有以下优点：

[0015] (1)基于局部样本数据进行边界特征识别并构建封闭点集，提高了泊松重建过程中最小化尺度指示函数的鲁棒性；

[0016] (2)初配准通过手动选取特征点，采用点到泊松曲面的对应点的寻找策略，提高了初配准精度；

[0017] (3)精配准可以解决因初配准位置偏差大而导致配准失效的问题，提高了配准的鲁棒性，避免配准在迭代过程中陷入局部最优；

[0018] (4)基于点-泊松曲面的径向误差估计准则，可以显著提高配准的精度，减少了配准迭代收敛的次数。

附图说明

[0019] 图1是本发明基于局部泊松曲面重建的点云刚性配准方法的流程图；

[0020] 图2是局部样本跨度估计的示意图；

[0021] 图3是封闭点集的构造示意图；

[0022] 图4是泊松曲面重建及其分离的示意图；

[0023] 图5是基于点—泊松曲面最近点匹配的示意图；

[0024] 图6是配准误差分析示意图；

[0025] 图7是实施实例中的数字模型图；

[0026] 图8是采用本发明与Geomagic Studio进行初配准效果对比图；

[0027] 图9是采用本发明与Geomagic Studio进行初配准精度对比图；

[0028] 图10是特征点个数对精配准精度的影响示意图；

[0029] 图11是采用本发明与ICP方法(Besl P J,McKay N D.Method for registration of 3-D shapes[C].Robotics-DL tentative.International Society for Optics and Photonics,1992:586-606.)、改进ICP方法(Rusu R B.Semantic 3d object maps for everyday manipulation in human living environments[J].KI-Künstliche Intelligenz,2010,24(4):345-348.)进行精配准对比图；

[0030] 图12是Hood模型的三视角配准效果图；

[0031] 图13是Bunny模型的六视角配准效果图。

具体实施方式

[0032] 下面结合附图及实例对本发明作进一步说明。

[0033] 图1是本发明基于局部泊松曲面重建的刚性配准方法的流程图，在浮动点云和固定点云的公共域选择初始对应点对，根据点—泊松曲面匹配规则重新计算对应点，进而修正初始对应点对，基于修正后的点对信息计算刚性变换参数及配准误差。在初始对应点对的选择过程中，初配准通过交互选取，精配准通过公共区域自适应选取。初始对应点对选取之后，以点对的邻域点作为配准的局部样本数据，对局部样本数据提取边界特征并构建泊松曲面，计算样本点到泊松曲面的最近点，修正初始对应点对。基于修正后的对应点对信息，建立最小二乘的测度函数并估计刚性变换参数，对浮动点云作刚性变换并计算配准误差，迭代变换过程直至收敛。

[0034] 对点云随机选取局部样本，计算各个局部样本数据的跨度，进而估算整个点云的平均跨度。在图2所示的局部样本数据中，点云跨度为d1,d2,……,d7等各距离的算术平均值。

[0035] 通过对局部样本投影后分别提取局部样本与其投影的边界点，在对应的边界点之间插入离散点，进而构建封闭点集，如图3所示，封闭点集构建的具体步骤为：(1)i←1，设离散点集合H；(2)对局部样本N(qi)投影至平面点集M(qi)，投影距离为ζ的5倍；(3)基于边界特征识别算法识别出M(qi)的边界集合BM以及N(qi)的边界点集合BM；(4)基于BM，BN计算点对应边界点之间的距离Γi；(5)根据点云的平均跨度计算插入离散点的个数s←Γi/ζ；(6)根据向量的矢量性，计算离散点的坐标并将离散点存入H；(7)i←i+1，重复步骤(5)-(6)直至i＞s；(8)遍历BM，BN中所有相对应的边界点，重复步骤(4)-(7)得到离散点集合H。

[0036] 构建封闭点集的目的是提高泊松曲面重建的质量，从图4泊松曲面重建及其分离的示意图中可看出所重建的泊松曲面均匀、致密，没有出现空洞、畸形等缺陷，可满足本发明的配准需要，保留分离数据的拓扑结构完整性，可以为配准寻找对应点提供更精确的参考点。

[0037] 基于构建的局部泊松曲面可建立样点一泊松曲面的匹配规则，以样本点pi至局部泊松曲面Λ′的最近点b为对应点，如图5所示。

[0038] 为比较误差结果与实际配准的结果，从图形端局部放大配准结果后如图6所示，图中浅色实心点表示浮动点云特征点pi的邻域点集合N(pi)，深色实心点表示固定点云特征点qi的邻域点集合N(qi)，曲线表示重建的曲面Λ′。从图中可以看出N(qi)与泊松曲面Λ′并没有完全重合，原因在于泊松曲面重建是对N(qi)所建立尺度函数的最佳逼近，而泊松方程是椭圆形方程的微分形式，所以曲面Λ′会发生椭球形的变形。曲面变形引入泊松重建误差，此时误差估计需考虑Λ′的位置对N(pi)，N(qi)的影响。设dp，dq分别表示N(pi)，N(qi)中的所有点到Λ′最小距离的均值，在实际配准的结果中，Λ′的位置存在两种情况：一种是Λ′位于N(pi)，N(qi)之间(图6-a)，此时计算的误差则为

[0039] ξ＝dp+dq   (1)

[0040] 另一种情况就是N(pi)，N(qi)位于Λ′的同一侧(图6-b所示)，此时计算的误差实际为

[0041] ξ＝|dp-dq|  (2)

[0042] 因此计算误差的时候需要对Λ′的位置进行有效判断，可采用法向辅助法来确定：对pi∈N(pi)，qi∈N(qi)，如果pi，qi是一对对应点对，m为pi在Λ′中最近的网格顶点，分别为pi，qi处的法向，则判断因子Δ为：

[0043] Δ＝(npi·pim)×(nqiqim)

[0044] 若Δ＜0，则属于第一种情况，若Δ＞0，则属于第二种情况。根据上述分析，通过计算pi到Λ′的最小距离作为误差不准确，泊松曲面重建会造成重建误差dq，因此进行误差估计的时候需要考虑dq的影响，将dq作为补偿误差代入式(1)和(2)中，便得到误差估计的结果实际上是样本点到∑′的最小距离，即

[0045] ξ＝dp

[0046] 采用误差准则的最终目的是根据误差值判断配准是否有效，然而误差大小与点云数据本身有很大关系，若点云跨度大，泊松重建曲面不光滑，使得配准误差相应变大；若点云跨度小，点云相对密集，泊松重建后曲面相对光滑，配准误差会变小。为消除点云数据本身对配准误差判定的影响，本发明定义配准有效因子κ，通过该因子与误差ξ、点云跨度ζ建立配准是否有效的判断条件：若κ＞1，则判定初配准失效；若κ＞0.2，则判定精配准失效，其中κ的计算公式为

[0047] 用图7所示的Hood模型、Rabbit等模型进行试验并分析，其中Hood模型通过CPC光学三维扫描仪采集，点云跨度为3；Bunny模型采用斯坦福大学采集的点云数据，点云跨度为0.001。

[0048] 实施例一：在对Hood、Bunny初配准中，本发明在两幅视图非公共区域的交界处配准更为圆滑，虽然Geomagic Studio配准没有迭代收敛的过程，耗时非常短，但Geomagic Studio配准出现了较大的偏差并出现了明显的错位，如图8所示。本发明的初配准方法通过N(pi)进行匹配对应点，在寻找对应点的过程中，ρ可以适当取小(ρ＜2)，扩大泊松曲面网格顶点的数目，增大寻找范围，达到更好的配准精度；若p取得过大，会因两点云模型初始位置偏差过大会导致误判。由于初配准两点云模型初始位置未知，防止配准因子取值不当导致配准失效，可基于完成初次变换后的点云数据，在之后的迭代变换过程中加入ρ进行动态调节。尽管初选的特征点及其对应点存在较大误差，但在迭代的过程中，该误差会逐渐缩小。

[0049] 实施例二：在初配准过程中，Hood模型仅需要5次迭代即可收敛，对于相对复杂的Bunny模型，配准收敛的要慢，大约需要10次才能收敛，如图9所示。通过计算配准有效因子判定初配准的有效性，对于Hood模型，κ＝0325，对于Bunny模型，κ＝0268，两个模型的初配准的有效因子均不大于0.5，因此初配准达到了预期效果。根据κ值大小可看出，对于相对简单来说的Hood模型，Geomagic Studio和本发明所述方法计算的相对误差要比Bunny模型大，因此本发明的配准方法对复杂模型初配准会取得比Geomagic Studio更好的效果。由于初配准过程选择的特征点不够多，使其精度无法满足点云数据法向估计、重建等后续研究的要求，为进一步提高初配准的精度，通过计算初配准之后两点云模型的公共区域自适应增加特征点数实现精配准。

[0050] 实施例三：为比较不同特征点个数对误差精度的影响进而确定两个模型精配准的最佳特征点个数，对图7中初配准之后的两个模型进行不同特征点个数下精配准测试。从图10可以看出，当特征点个数为20的时候，特征点个数的增加对于配准的精度影响微乎其微，配准过程大约在10次左右达到收敛。但是特征点数的进一步增加会导致泊松重建的次数、查询对应点的时间增加，为了兼顾配准的效率和精度，本发明的精配准特征点个数取20。

[0051] 实施例四：采用本发明配准方法、ICP方法、改进ICP方法对图8中初配准后的Hood、Bunny模型进行精配准对比测试，统计精配准收敛之后的迭代次数以及每次迭代后不同方法所取得配准误差值如图11所示。相比于点—点匹配准则，采用的点到面的匹配准则可以更快的收敛，从图11中可看出，原始ICP方法收敛的最慢，收敛后的误差最大，本发明配准在10次左右即可收敛。尽管改进ICP方法可以收敛至更小的误差，但是二者在配准精度上相差并不大，但改进ICP方法需要迭代20次才可以收敛，因此本发明所述方法在提高配准精度的前提下，可以更加快速的收敛。

[0052] 实施例五：采用本发明所述方法对Hood、Bunny模型采用20个特征点进行完整配准过程，Hood模型共3个视图，以第1个视图为固定点云数据，另外两个为浮动点云数据进行配准，完整的配准效果如图12所示(其中a-c为Hood的3个视角的不同视图点云数据)。

[0053] 实施例六：Bunny模型由于第2-5个视图与第1个视图均有公共相交区域，第6个视图与第1个没有公共相交区域，所以采取如下配准策略得到完整的Bunny点云模型：以第1个视图为固定点云数据，第2、3、4、5个视图为浮动点云模型，依次与第1个视图进行初配准、精配准，得到新的点云模型1′，再用1′跟第6视图进行初配准、精配准最终得到完整的点云数据，效果如图13所示(其中a-f为Bunny的6个视角的不同视图点云数据)。

[0054] 以上所述，仅是本发明的较佳实例而已，并非是对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为同等变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护内容。