CN104700451A - 基于迭代就近点算法的点云配准方法 - Google Patents

Abstract

本发明公开了一种基于迭代就近点算法的点云配准方法，其实现步骤为：(1)获取点云；(2)预处理点云；(3)获取待扩展参考空间和待扩展目标空间；(4)获取待配准参考空间和待配准目标空间；(5)配准参考点云和目标点云；(6)判断所有分段点云如完成配准，进行步骤(7)，否则，返回步骤(2)；(7)输出配准结果。本发明配准的点云首先是根据场景，采用不同扫描方式获取的，然后再利用粗配准、精配准和最大化对应点对等步骤，并通过修正配准得分，减小了陷入局部解的可能性，提高了鲁棒性和配准的精度，可用于配准复杂场景的点云。

Description

基于迭代就近点算法的点云配准方法

技术领域

本发明属于计算机技术领域，更进一步涉及计算机视觉技术领域中的基于迭代就近点(Iterative Closet Point，ICP)算法的点云配准方法。本发明可以应用于3D打印、3D重建等具体应用场景，针对已有的迭代就近点算法的局限性，根据点云扫描的不同方式，采取不同的点云配准过程，实现三维数据统一坐标系的转换，从而构建完整的三维点云模型。

背景技术

点云配准就是把不同角度、不同位置扫描到的若干段三维点云数据转换到统一的坐标系中，得到完整的三维模型。现有点云自动配准方法大致可分为三类：迭代配准方法、基于曲面的配准方法以及基于几何特征的配准方法等。基于几何特征的配准方法，利用局部特征描述、面片分割以及曲率等来寻找对应点集，该方法容易受到数据密度、数据完整性和噪声的干扰，配准效果难以达到理想目标，配准精度差。基于曲面的配准方法利用点集的曲面特性寻找配准点集，虽然应用范围较广，但同样存在配准精度差的问题。

迭代就近点算法，最初是由Besl和McKay提出的，实质上是基于最小二乘法的最优匹配方法，它重复确定对应关系点集并计算最优刚体变换，主要用于解决基于自由形态曲面的配准问题，是一种精度较高的配准算法，但是它要求待配准的两个点集中，其中一个点集是另外一个点集的子集，并且对扫描的点云的精度和初始配准位置有要求，鲁棒性较差，计算代价较大，匹配结果不可靠，容易陷入局部最优解。

北京信息科技大学拥有的专利技术“多视点云精确配准方法”(专利申请号：200910170701.9，授权公告号：CN101645170B)中提出了一种多视点云精确配准方法。该方法首先采用主方向贴合法实现目标点云和参考点云的预配准，然后分别求取目标点云和参考点云中各点的曲率，得到特征匹配点对，最后利用迭代就近点匹配算法实现目标点云和参考点云的精确配准。该专利技术虽然在精确配准前采用预配准，并采用点的主曲率作为匹配特征，提高了配准的可靠性和准确性。但是，该方法仍然存在的不足是，通过点云的基于几何特征寻找对应点集，容易受到数据密度、数据完整性和噪声的干扰，配准效果难以达到理想目标，配准精度差。

佳都新太科技股份有限公司在其申请的专利“一种基于拓扑特征的点云配准算法”(专利申请号：201210488409.3，公开号：CN103150747A)中公开了一种基于拓扑特征的点云配准算法。该方法首先在粗配准阶段采用基于拓扑特征的点云粗配准算法，得到旋转矩阵和平移向量，然后在精确配准阶段采用迭代就近点算法。该方法虽然在点云配准过程中利用拓扑特征减少了配准元素、去除了错误对应点，从而在减少了点云配准的计算量的同时、提高了配准算法的鲁棒性。但是，该方法仍然存在的不足是，该方法的配准元素是边界特征点和突出特征点，容易受到噪声数据的影响，在减小计算量的同时没有充分利用点云中的点，配准的精度不高。

发明内容

本发明的目的在于克服上述已有技术的不足，提出了一种基于迭代就近点算法的点云配准方法，在配准点云过程中对其配准方法进行改进，鲁棒性和精度得到提高。

本发明实现的思路是，在点云配准过程中依据不同的扫描场景，利用不同的扫描方式，获得分段点云，取相邻两段点云作为待配准点云，经过滤波和稀疏化等预处理，通过将待配准点云划分为多个子空间，利用迭代就近点算法找到最优子空间，进一步最大化匹配点数目，获得转换矩阵，匹配待配准点云，最终将整个待扫描物体的点云完成配准。

本发明实现的具体步骤包括如下：

(1)获取点云：

根据场景选择不同的场景扫描方式，获取待扫描物体的点云；

(2)预处理点云：

(2a)任意选取相邻的两段点云，作为参考点云和预目标点云，分别建立参考点云和预目标点云空间坐标系；

(2b)若预目标点云是通过水平视角扫描方式获得，则将预目标点云绕Z轴顺时针旋转180°，作为目标点云，否则，将预目标点云直接作为目标点云；

(2c)采用离群点过滤方法，对参考点云和目标点云进行过滤，获得过滤后参考点云和过滤后目标点云；

(2d)采用稀疏化方法，对过滤后参考点云和过滤后目标点云进行稀疏化，获得稀疏化参考点云和稀疏化目标点云；

(2e)用从扫描仪读取的扫描仪最优扫描半径，对稀疏化参考点云和稀疏化目标点云进行限长滤波，得到参考待配准点云和目标待配准点云；

(3)获取待扩展参考空间和待扩展目标空间：

(3a)在参考待配准点云内，取坐标值x≥0且y≥0的部分，作为参考重叠部分；

(3b)在目标待配准点云内，取坐标值x≥0且y≥0的部分，作为目标重叠部分；

(3c)分别在参考重叠部分和目标重叠部分上，设置相同大小的滑动窗，获得参考重叠子空间和目标重叠子空间，将滑动窗的位置标记为初始生成位置；

(3d)将参考重叠子空间作为最优参考子空间，目标重叠子空间作为最优目标子空间，将参考重叠子空间和目标重叠子空间的最优子空间配准得分初始化为无穷大；

(3e)采用迭代配准点云公式，将参考重叠子空间作为参考配准点云，目标重叠子空间作为目标配准点云，计算参考配准点云和目标配准点云的配准得分，将配准得分作为子空间配准得分；

(3f)按照下式，计算参考重叠子空间和目标重叠子空间的配准修正得分：

$G=G^{\′}*(1-\frac{I}{T})$

其中，G表示参考重叠子空间和目标重叠子空间的配准修正得分，G′表示参考重叠子空间和目标重叠子空间的子空间配准得分，I表示通过迭代就近点算法获得的参考重叠子空间和目标重叠子空间内匹配点的个数，T表示目标待配准点云内点的个数；

(3g)对于配准修正得分小于最优子空间配准得分的情况，将参考重叠子空间作为最优参考子空间，目标重叠子空间作为最优目标子空间，最优子空间配准得分更新为与配准修正得分相同，对于配准修正得分大于或等于最优子空间配准得分的情况，不改变最优参考子空间、最优目标子空间和最优子空间配准得分；

(3h)在目标重叠部分上，沿着视角方向，将滑动窗移动n*p长度，获得一个目标重叠子空间，其中，n表示一个正整数，1≤n≤5，p表示稀疏化所采用的体素边长；

(3i)判断滑动窗是否超出目标重叠部分，如果是，则执行步骤(3j)，否则，执行步骤(3e)；

(3j)在目标重叠部分上，沿视角方向的反方向，将滑动窗移回初始生成位置；

(3k)在参考重叠部分上，沿着视角方向，将滑动窗移动n*p长度，获得一个参考重叠子空间，其中，n表示一个正整数，1≤n≤5，p表示稀疏化所采用的体素边长；

(3l)判断滑动窗是否超出参考重叠部分，如果是，则执行步骤(3m)；否则，执行步骤(3e)；

(3m)将最优参考子空间作为待扩展参考空间，最优目标子空间作为待扩展目标空间；

(4)获取待配准参考空间和待配准目标空间：

(4a)将待扩展参考空间作为参考待配准重叠空间，待扩展目标空间作为目标待配准重叠空间，将待扩展参考空间和待扩展目标空间的最优配准得分初始化为无穷大；

(4b)将待扩展参考空间沿着视角方向和视角方向的反方向，分别增加长度m*Re，将增加长度的待扩展参考空间作为新的待扩展参考空间，其中，m表示一个正整数，1≤m≤10，Re表示根据用户要求的待扫描物体的点云精度所设置的扫描仪的扫描精度；

(4c)将待扩展目标空间沿着视角方向和视角方向的反方向，分别增加长度m*Re，将增加长度的待扩展目标空间作为新的待扩展目标空间，其中，m表示一个正整数，1≤m≤10，Re表示根据用户要求的待扫描物体的点云精度所设置的扫描仪的扫描精度；

(4d)采用迭代配准点云公式，将待扩展参考空间作为参考配准点云，待扩展目标空间作为目标配准点云，计算参考配准点云和目标配准点云的配准得分，将配准得分作为优化配准得分；

(4e)对于优化配准得分大于最优配准得分的情况，不改变参考待配准重叠空间和目标待配准重叠空间，对于优化配准得分小于或等于最优配准得分的情况，将待扩展参考空间作为参考待配准重叠空间，待扩展目标空间作为目标待配准重叠空间，最优配准得分更新为与优化配准得分相同；

(4f)判断优化配准得分是否大于最优配准得分，如果是，则执行步骤(4g)，否则，执行步骤(4b)；

(4g)将参考待配准重叠空间作为待配准参考空间，目标待配准重叠空间作为待配准目标空间；

(5)配准参考点云和目标点云：

(5a)采用迭代就近点算法，将参考点云和目标点云的待配准重叠空间配准，获得转换矩阵；

(5b)采用矩阵运算，以转换矩阵为参数，将参考点云和目标点云转换到同一坐标系下，得到参考点云和目标点云配准后的点云；

(5c)用参考点云和目标点云配准后的点云替换参考点云和目标点云，完成参考点云和目标点云的配准；

(6)判断是否完成所有分段点云的配准，如果是，则执行步骤(7)，否则，执行步骤(2)；

(7)输出配准结果。

本发明与现有技术相比具有如下优点：

第一，由于本发明在获取点云中，根据场景选择不同的场景扫描方式，克服了现有技术点云配准时，随着场景的变换，配准方法单一，配准精度较差的缺点，使得本发明在不同场景下的点云配准精度更高。

第二，由于本发明在预处理点云中，采用离群点过滤方法和稀疏化方法，克服了现有技术中数据密度和噪声数据对配准结果的影响较大的缺点，使得本发明点云配准的精度更高。

第三，由于本发明先获取待扩展参考空间和待扩展目标空间，再获取待配准参考空间和待配准目标空间，克服了现有技术直接配准和先粗配再精配两种方法鲁棒性低的缺点，使得本发明点云配准的鲁棒性更高。

第四，由于本发明在获取待扩展参考空间和待扩展目标空间中，在参考重叠部分和目标重叠部分上，设置相同大小的滑动窗，并计算参考重叠子空间和目标重叠子空间的配准修正得分，克服了现有技术容易陷入局部最优解的缺点，减小了配准过程中陷入局部最优解的可能性，使得本发明配准方法的鲁棒性和精度更高。

附图说明

图1是本发明的流程图；

图2是本发明多视角扫描方法的俯视图；

图3是本发明水平视角扫描方法的俯视图；

图4是本发明垂直视角扫描方法的侧视图。

具体实施方式

下面结合附图对本发明作进一步的描述。

参照图1，本发明的具体实现步骤如下：

步骤1，获取点云。

根据场景选择不同的场景扫描方式，获取待扫描物体的点云，具体来讲保证相邻两站激光点云数据在扫描仪的扫描视角上具有重叠区域，实际的扫描中应保证该视角至少大于90°，针对这几种不同的扫描场景和扫描仪的扫描参数，调整每次扫描的视角和两站数据的采集距离，场景扫描方式如下：如果场景是以待扫描物体为中心围绕待扫描物体移动扫描仪，则选择多视角扫描，围绕待扫描物体，从多个方向扫描，每个方向获取一段点云，扫描仪初始扫描方向与扫描仪移动方向成135°角，保证相邻两段点云存在重叠区域，如图2所示。

图2中的视角方向就是扫描仪的移动方向，是一个弧线形状的路径，两个坐标系，表示扫描前后，虚线表示将第一象限的点云分段；如果场景是在待扫描物体放置平面上沿固定方向移动扫描仪，则选择水平视角扫描，沿用户确定的一个方向进行扫描，扫描仪初始扫描方向与扫描仪移动方向成45°角，将待扫描物体分为连续的多段扫描，保证相邻两段点云存在重叠区域，如图3所示。

图3中的视角方向就是扫描仪的移动方向，是在物体放置平面上沿物体延伸的方向，图中的两个坐标系，表示扫描前后，虚线表示将第一象限的点云分段；如果场景是在垂直于待扫描物体放置平面的方向上竖直向上移动扫描仪，则选择垂直视角扫描，沿垂直于待扫描物体放置平面的方向，竖直向上扫描，扫描仪初始扫描方向保持一致，将待扫描物体分为连续的多段扫描，保证相邻两段点云存在重叠区域，如图4所示。

图4中的视角方向就是扫描仪的移动方向，是垂直于物体放置平面向上，图中的两个坐标系，表示扫描前后，虚线表示将第一象限的点云分段。

步骤2，预处理点云。

任意选取相邻的两段点云，作为参考点云和预目标点云，分别为参考点云和预目标点云建立空间坐标系，坐标系建立如下：以扫描仪所在位置为坐标系原点，将参考点云的坐标原点设置为O，将预目标点云的坐标原点设置为O'，将扫描仪开始扫描的方向作为X轴，与开始扫描方向垂直的方向作为Y轴，垂直水平面方向作为Z轴，将参考点云的坐标原点O向预目标点云的坐标原点O'的移动方向作为视角方向。

如果预目标点云是通过水平视角扫描方式获得，则将预目标点云绕Z轴顺时针旋转180°，作为目标点云，否则，将预目标点云直接作为目标点云，将水平视角扫描方式获得的预目标点云旋转的目的，在于使两站点云数据的重叠区域都能从一个相同的视角方向进行处理。

采用离群点过滤方法，对参考点云和目标点云进行过滤，获得过滤后参考点云和过滤后目标点云，离群点过滤方法是指，采用统计外点移除滤波器，将根据用户要求设置的临近点的个数和标准差倍数，作为统计外点移除滤波器参数，分析参考点云和目标点云中的每个点，如果临近点中的任意一个点的距离超出平均距离的标准差倍数，则将该点标记为离群点，同时移除该点。

采用稀疏化方法，对过滤后参考点云和过滤后目标点云进行稀疏化，将数据量减小且数据分布均匀化，获得稀疏化参考点云和稀疏化目标点云，稀疏化方法是指，采用体素化网格滤波器，将根据用户要求设置的边长为m*Re的立方体，作为体素，分别在过滤后参考点云和过滤后目标点云上，创建一个由体素构成的三维体素栅格，用体素中所有点的重心替换体素中的所有点，其中，m表示一个正整数，1≤m≤10，m的选择根据数据密度、实际场景中的扫描精度以及要求的分辨率来平衡，Re表示根据用户要求的待扫描物体的点云精度所设置的扫描仪的扫描精度。

用从扫描仪读取的扫描仪最优扫描半径，对稀疏化参考点云和稀疏化目标点云进行限长滤波，得到参考待配准点云和目标待配准点云，限长滤波是指，分别以参考点云的坐标原点O和目标点云的坐标原点O'为圆心，扫描仪最优扫描半径R为半径的球体，将球体之外的点过滤掉。

步骤3，获取待扩展参考空间和待扩展目标空间。

(3a)在参考待配准点云内，取坐标值x≥0且y≥0的部分，作为参考重叠部分。

(3b)在目标待配准点云内，取坐标值x≥0且y≥0的部分，作为目标重叠部分。

(3c)分别在参考重叠部分和目标重叠部分上，设置相同大小的滑动窗，获得参考重叠子空间和目标重叠子空间，将滑动窗的位置标记为初始生成位置，滑动窗设置如下：滑动窗是立体的窗口，如果点云的获取是通过多视角方式，则窗口大小为5°的扇形，在平行于Z轴方向上的长度和半径无穷大；如果点云的获取是通过水平视角或者垂直视角扫描方式，则窗口沿着视角方向的长度为扫描仪最优扫描半径R的垂直于视角方向的长度为无穷大。

(3d)将参考重叠子空间作为最优参考子空间，目标重叠子空间作为最优目标子空间，将参考重叠子空间和目标重叠子空间的最优子空间配准得分初始化为无穷大。

(3e)采用迭代配准点云公式，将参考重叠子空间作为参考配准点云，目标重叠子空间作为目标配准点云，计算参考配准点云和目标配准点云的配准得分，将配准得分作为子空间配准得分，迭代配准点云公式如下：

$G^{\′}=\frac{A}{B}$

其中，G′表示参考配准点云和目标配准点云的配准得分，A表示参考配准点云和目标配准点云内匹配点的个数，B表示目标配准点云内点的个数。

(3f)按照下式，计算参考重叠子空间和目标重叠子空间的配准修正得分：

${G=G}^{\′}*(1-\frac{I}{T})$

其中，G表示参考重叠子空间和目标重叠子空间的配准修正得分，G′表示参考重叠子空间和目标重叠子空间的子空间配准得分，I表示通过迭代就近点算法获得的参考重叠子空间和目标重叠子空间内匹配点的个数，T表示目标待配准点云内点的个数。

(3g)对于配准修正得分小于最优子空间配准得分的情况，将参考重叠子空间作为最优参考子空间，目标重叠子空间作为最优目标子空间，最优子空间配准得分更新为与配准修正得分相同，对于配准修正得分大于或等于最优子空间配准得分的情况，不改变最优参考子空间、最优目标子空间和最优子空间配准得分。

在求取最优参考子空间和最优目标子空间过程中，还要注意陷入局部解的可能，最优解满足这样的特征：随着最优目标子空间的不断变化，配准得分基本满足先逐步减小，减小到一定程度后又逐步变大这一情况；对于得分突然变大或者变小的情况，则说明当前的解不可靠。在实际中如果前后两次配准得分相差超过两倍，需要跳过该组点云数据。

(3h)在目标重叠部分上，沿着视角方向，将滑动窗移动n*p长度，获得一个目标重叠子空间，其中，n表示一个正整数，1≤n≤5，n选择越小计算的复杂度越大，配准的精度越高，实际的应用中，根据对精度和计算复杂度要求进行平衡，p表示稀疏化所采用的体素边长。

(3i)判断滑动窗是否超出目标重叠部分，如果是，则执行步骤(3j)，否则，执行步骤(3e)。

(3j)在目标重叠部分上，沿视角方向的反方向，将滑动窗移回初始生成位置。

(3k)在参考重叠部分上，沿着视角方向，将滑动窗移动n*p长度，获得一个参考重叠子空间，其中，n表示一个正整数，1≤n≤5，n选择越小计算的复杂度越大，配准的精度越高，实际的应用中，根据对精度和计算复杂度要求进行平衡，p表示稀疏化所采用的体素边长。

(3l)判断滑动窗是否超出参考重叠部分，如果是，则执行步骤(3m)；否则，执行步骤(3e)。

(3m)将最优参考子空间作为待扩展参考空间，最优目标子空间作为待扩展目标空间。

步骤4，获取待配准参考空间和待配准目标空间。

(4a)将待扩展参考空间作为参考待配准重叠空间，待扩展目标空间作为目标待配准重叠空间，待扩展参考空间和待扩展目标空间的最优配准得分初始化为无穷大。

(4b)将待扩展参考空间沿着视角方向和视角方向的反方向，分别增加长度m*Re，将增加长度的待扩展参考空间作为新的待扩展参考空间，其中，m表示一个正整数，1≤m≤10，Re表示根据用户要求的待扫描物体的点云精度所设置的扫描仪的扫描精度。

(4c)将待扩展目标空间沿着视角方向和视角方向的反方向，分别增加长度m*Re，将增加长度的待扩展目标空间作为新的待扩展目标空间，其中，m表示一个正整数，1≤m≤10，m的选择依赖于具体的扫描场景和扫描的实体对精度的要求，选择的值越小，配准结果精度越高，同时耗时也越长，Re表示根据用户要求的待扫描物体的点云精度所设置的扫描仪的扫描精度。

(4d)采用迭代配准点云公式，将待扩展参考空间作为参考配准点云，待扩展目标空间作为目标配准点云，计算参考配准点云和目标配准点云的配准得分，将配准得分作为优化配准得分。

(4e)对于优化配准得分大于最优配准得分的情况，不改变参考待配准重叠空间和目标待配准重叠空间，对于优化配准得分小于或等于最优配准得分的情况，将待扩展参考空间作为参考待配准重叠空间，待扩展目标空间作为目标待配准重叠空间，最优配准得分更新为与优化配准得分相同。

(4f)判断优化配准得分是否大于最优配准得分，如果是，则执行步骤(4g)，否则，执行步骤(4b)。

(4g)将参考待配准重叠空间作为待配准参考空间，目标待配准重叠空间作为待配准目标空间。

步骤5，配准参考点云和目标点云。

采用迭代就近点算法，将参考点云和目标点云的待配准重叠空间配准，获得转换矩阵，迭代就近点算法是指选取点云库PCL中的迭代就近点算法，将待配准的两段点云作为输入，通过对其中一段点云作刚体变换，将两段点云转换到同一坐标系下，得到转换矩阵。

采用矩阵运算，以转换矩阵为参数，将参考点云和目标点云转换到同一坐标系下，得到参考点云和目标点云配准后的点云，坐标转换公式如下：

$\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\\ z^{\′}\end{array}\right]=R\left[\begin{array}{c}x\\ y\\ z\end{array}\right]+T$

其中，(x′,y′,z′)表示利用转换矩阵中的参数转换之后的坐标，R表示旋转矩阵，(x,y,z)表示坐标转换之前的坐标，T表示平移向量。

用参考点云和目标点云配准后的点云替换参考点云和目标点云，完成参考点云和目标点云的配准。

步骤6，判断是否完成所有分段点云的配准，如果是，则执行步骤7，否则，执行步骤2。

步骤7，输出配准结果。

Claims (9)

1.一种基于迭代就近点算法的点云配准方法，包括如下步骤：

(1)获取点云：

根据场景选择不同的场景扫描方式，获取待扫描物体的点云；

(2)预处理点云：

(2a)任意选取相邻的两段点云，作为参考点云和预目标点云，分别建立参考点云和预目标点云空间坐标系；

(2b)若预目标点云是通过水平视角扫描方式获得，则将预目标点云绕Z轴顺时针旋转180°，作为目标点云，否则，将预目标点云直接作为目标点云；

(2c)采用离群点过滤方法，对参考点云和目标点云进行过滤，获得过滤后参考点云和过滤后目标点云；

(2d)采用稀疏化方法，对过滤后参考点云和过滤后目标点云进行稀疏化，获得稀疏化参考点云和稀疏化目标点云；

(2e)用从扫描仪读取的扫描仪最优扫描半径，对稀疏化参考点云和稀疏化目标点云进行限长滤波，得到参考待配准点云和目标待配准点云；

(3)获取待扩展参考空间和待扩展目标空间：

(3a)在参考待配准点云内，取坐标值x≥0且y≥0的部分，作为参考重叠部分；

(3b)在目标待配准点云内，取坐标值x≥0且y≥0的部分，作为目标重叠部分；

(3c)分别在参考重叠部分和目标重叠部分上，设置相同大小的滑动窗，获得参考重叠子空间和目标重叠子空间，将滑动窗的位置标记为初始生成位置；

(3d)将参考重叠子空间作为最优参考子空间，目标重叠子空间作为最优目标子空间，将参考重叠子空间和目标重叠子空间的最优子空间配准得分初始化为无穷大；

(3e)采用迭代配准点云公式，将参考重叠子空间作为参考配准点云，目标重叠子空间作为目标配准点云，计算参考配准点云和目标配准点云的配准得分，将配准得分作为子空间配准得分；

(3f)按照下式，计算参考重叠子空间和目标重叠子空间的配准修正得分：

$G=G^{\′}*(1-\frac{I}{T})$

其中，G表示参考重叠子空间和目标重叠子空间的配准修正得分，G′表示参考重叠子空间和目标重叠子空间的子空间配准得分，I表示通过迭代就近点算法获得的参考重叠子空间和目标重叠子空间内匹配点的个数，T表示目标待配准点云内点的个数；

(3g)对于配准修正得分小于最优子空间配准得分的情况，将参考重叠子空间作为最优参考子空间，目标重叠子空间作为最优目标子空间，最优子空间配准得分更新为与配准修正得分相同，对于配准修正得分大于或等于最优子空间配准得分的情况，不改变最优参考子空间、最优目标子空间和最优子空间配准得分；

(3h)在目标重叠部分上，沿着视角方向，将滑动窗移动n*p长度，获得一个目标重叠子空间，其中，n表示一个正整数，1≤n≤5，p表示稀疏化所采用的体素边长；

(3i)判断滑动窗是否超出目标重叠部分，如果是，则执行步骤(3j)，否则，执行步骤(3e)；

(3j)在目标重叠部分上，沿视角方向的反方向，将滑动窗移回初始生成位置；

(3k)在参考重叠部分上，沿着视角方向，将滑动窗移动n*p长度，获得一个参考重叠子空间，其中，n表示一个正整数，1≤n≤5，p表示稀疏化所采用的体素边长；

(3l)判断滑动窗是否超出参考重叠部分，如果是，则执行步骤(3m)；否则，执行步骤(3e)；

(3m)将最优参考子空间作为待扩展参考空间，最优目标子空间作为待扩展目标空间；

(4)获取待配准参考空间和待配准目标空间：

(4a)将待扩展参考空间作为参考待配准重叠空间，待扩展目标空间作为目标待配准重叠空间，将待扩展参考空间和待扩展目标空间的最优配准得分初始化为无穷大；

(4b)将待扩展参考空间沿着视角方向和视角方向的反方向，分别增加长度m*Re，将增加长度的待扩展参考空间作为新的待扩展参考空间，其中，m表示一个正整数，1≤m≤10，Re表示根据用户要求的待扫描物体的点云精度所设置的扫描仪的扫描精度；

(4c)将待扩展目标空间沿着视角方向和视角方向的反方向，分别增加长度m*Re，将增加长度的待扩展目标空间作为新的待扩展目标空间，其中，m表示一个正整数，1≤m≤10，Re表示根据用户要求的待扫描物体的点云精度所设置的扫描仪的扫描精度；

(4d)采用迭代配准点云公式，将待扩展参考空间作为参考配准点云，待扩展目标空间作为目标配准点云，计算参考配准点云和目标配准点云的配准得分，将配准得分作为优化配准得分；

(4e)对于优化配准得分大于最优配准得分的情况，不改变参考待配准重叠空间和目标待配准重叠空间，对于优化配准得分小于或等于最优配准得分的情况，将待扩展参考空间作为参考待配准重叠空间，待扩展目标空间作为目标待配准重叠空间，最优配准得分更新为与优化配准得分相同；

(4f)判断优化配准得分是否大于最优配准得分，如果是，则执行步骤(4g)，否则，执行步骤(4b)；

(4g)将参考待配准重叠空间作为待配准参考空间，目标待配准重叠空间作为待配准目标空间；

(5)配准参考点云和目标点云：

(5a)采用迭代就近点算法，将参考点云和目标点云的待配准重叠空间配准，获得转换矩阵；

(5b)采用矩阵运算，以转换矩阵为参数，将参考点云和目标点云转换到同一坐标系下，得到参考点云和目标点云配准后的点云；

(5c)用参考点云和目标点云配准后的点云替换参考点云和目标点云，完成参考点云和目标点云的配准；

(6)判断是否完成所有分段点云的配准，如果是，则执行步骤(7)，否则，执行步骤(2)；

(7)输出配准结果。

2.根据权利要求1所述的基于迭代就近点算法的点云配准方法，其特征在于，步骤(1)所述的根据场景选择不同的场景扫描方式是指，如果场景是以待扫描物体为中心围绕待扫描物体移动扫描仪，则选择多视角扫描，围绕待扫描物体，从多个方向扫描，每个方向获取一段点云，扫描仪初始扫描方向与扫描仪移动方向成135°角，保证相邻两段点云存在重叠区域；如果场景是在待扫描物体放置平面上沿固定方向移动扫描仪，则选择水平视角扫描，沿用户确定的一个方向进行扫描，扫描仪初始扫描方向与扫描仪移动方向成45°角，将待扫描物体分为连续的多段扫描，保证相邻两段点云存在重叠区域；如果场景是在垂直于待扫描物体放置平面的方向上竖直向上移动扫描仪，则选择垂直视角扫描，沿垂直于待扫描物体放置平面的方向，竖直向上扫描，扫描仪初始扫描方向保持一致，将待扫描物体分为连续的多段扫描，保证相邻两段点云存在重叠区域。

3.根据权利要求1所述的基于迭代就近点算法的点云配准方法，其特征在于，步骤(2a)所述的参考点云和预目标点云空间坐标系的建立方式如下：以扫描仪所在位置为坐标系原点，将参考点云的坐标原点设置为O，将预目标点云的坐标原点设置为O'，将扫描仪开始扫描的方向作为X轴，与开始扫描方向垂直的方向作为Y轴，垂直水平面方向作为Z轴，将参考点云的坐标原点O向预目标点云的坐标原点O'的移动方向作为视角方向。

4.根据权利要求1所述的基于迭代就近点算法的点云配准方法，其特征在于，步骤(2c)所述的离群点过滤方法是指，采用统计外点移除滤波器，将根据用户要求设置的临近点的个数和标准差倍数，作为统计外点移除滤波器参数，分析参考点云和目标点云中的每个点，如果临近点中的任意一个点的距离超出平均距离的标准差倍数，则将该点标记为离群点，同时移除该点。

5.根据权利要求1所述的基于迭代就近点算法的点云配准方法，其特征在于，步骤(2d)所述的稀疏化方法是指，采用体素化网格滤波器，将根据用户要求设置的边长为m*Re的立方体，作为体素，分别在过滤后参考点云和过滤后目标点云上，创建一个由体素构成的三维体素栅格，用体素中所有点的重心替换体素中的所有点，其中，m表示一个正整数，1≤m≤10，Re表示根据用户要求的待扫描物体的点云精度所设置的扫描仪的扫描精度。

6.根据权利要求1所述的基于迭代就近点算法的点云配准方法，其特征在于，步骤(2e)所述的限长滤波是指，分别以参考点云的坐标原点O和目标点云的坐标原点O'为圆心，扫描仪最优扫描半径R为半径的球体，将球体之外的点过滤掉。

7.根据权利要求1所述的基于迭代就近点算法的点云配准方法，其特征在于，步骤(3c)所述滑动窗的具体设置如下：滑动窗是立体的窗口，如果点云的获取是通过多视角方式，则窗口大小为5°的扇形，在平行于Z轴方向上的长度和半径无穷大；如果点云的获取是通过水平视角或者垂直视角扫描方式，则窗口沿着视角方向的长度为扫描仪最优扫描半径R的垂直于视角方向的长度为无穷大。

8.根据权利要求1所述的基于迭代就近点算法的点云配准方法，其特征在于，步骤(3e)、步骤(4d)所述的迭代配准点云公式如下：

$G^{\′}=\frac{A}{B}$

其中，G′表示参考配准点云和目标配准点云的配准得分，A表示参考配准点云和目标配准点云内匹配点的个数，B表示目标配准点云内点的个数。

9.根据权利要求1所述的基于迭代就近点算法的点云配准方法，其特征在于，步骤(5a)所述的迭代就近点算法是指选取点云库PCL中的迭代就近点算法，将待配准的两段点云作为输入，通过对其中一段点云作刚体变换，将两段点云转换到同一坐标系下，得到转换矩阵。