在点云数据处理中,点云配准是重要的中间环节。好的点云配准为构建高精度的模型提供了保证。点云配准的关键在于求解变换矩阵。通过对比目前常用求解变换矩阵的奇异值分解(SVD)算法和列文伯格-马夸尔特(LM)算法,提出了一种新的点云配准方法。首先,构建一个新的矩阵指数来表示变换矩阵;其次,为提高整体点云配准的速度,采用K-D tree法来搜索最近点;接着,运用随机采样一致性(RANSAC)算法去除错误的点云,以减少点云迭代次数;最后,运用提出的矩阵指数来求解变换矩阵,以完成点云配准。试验结果表明,新方法在配准精度和速度上都优于SVD算法和LM算法。该方法为点云数据处理提供了参考。点云配准方法-数控滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机 从式(9)可以看出，本文方法很好地避免了上述两种算法的不足，能够快速、精确地求出变换矩阵。1．3点云配准为了加快对点云对(pi，qi)最近点的搜索，采用K-Dtree搜索法来寻求最近点本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name，提高整体的点云配准速度。如前文所述，ICP算法对初始位置对齐的点云对依耐性较高。采用随机采样一致性算法(randomsampleconsensus，ＲANSAC)［15］去除错误的点云，以减少计算迭代的次数，并结合本文算法来求出变换矩阵，完成点云配准。具体的点云配准流程如图1所示。图1点云配准流程图试验结果与分析2．1试验评估及试验环境说明试验从以下2个方面进行评估。①将得到的点云数据进行随机的矩阵变换，并将变换后的点云数据和变换之前的点云数据代入本文方法中实现点云配准。将配准的结果与之前的点云模型进行比较，计算配准点云与变换之前点云的欧式距离。具体实现如下:首先，假设P(xi，yi，zi)为原始点云数据上的一点、P'(x'i，y'i，z'i)为经过矩阵变换后配准的对应点;然后，计算2个点云集之间的欧式距离和;最后，对欧式距离和开平方。L越小，表示点云配准的精度就越高。L=∑Ni=1［(xi－x'i)2+(yi－y'i)2+(zi－z'i)］槡2②在相同的条件下，分别与基于SVD算法的ICP算法和基于LM算法的ICP算法，比较配准的精度和配准的运行时间。本文所有试验的计算机配置为:AMDA82．1GHzCPU、4GB内存，WIN764位操作系统。点云配准方法采用C++点云配准方法-数控滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name