一種新的激光成像數(shù)據(jù)多視粗拼接算法＊

左 超，魯 敏，譚志國，郭裕蘭

（國防科學(xué)技術(shù)大學(xué)電子科學(xué)與工程學(xué)院，湖南 長沙 410073）

1 引言

激光雷達(dá)為制導(dǎo)系統(tǒng)的目標(biāo)識別提供了更為豐富的三維信息，相比紅外成像傳感器和合成孔徑雷達(dá)在探測目標(biāo)方面更具優(yōu)越性，已成為各軍事強(qiáng)國的關(guān)注重點(diǎn)和研究熱點(diǎn)。通常，在基于點(diǎn)云的激光雷達(dá)目標(biāo)識別中，由于自遮擋的存在，導(dǎo)致獲取的只是復(fù)雜場景的局部數(shù)據(jù)，且雷達(dá)載體的運(yùn)動(dòng)導(dǎo)致這些局部數(shù)據(jù)是在不同視點(diǎn)條件下獲取的。將這些不同視點(diǎn)下的成像數(shù)據(jù)有效拼接起來，是后續(xù)激光雷達(dá)目標(biāo)檢測與識別的基礎(chǔ)工作。

軍事應(yīng)用中，激光雷達(dá)通常攜帶了姿態(tài)測量裝置和定位裝置，但是，其精度的限制以及其他因素的干擾，使得獲取的位置姿態(tài)信息精度不高，解算出的旋轉(zhuǎn)矩陣和平移矢量存在一定的誤差，不同視點(diǎn)下的成像數(shù)據(jù)在同一坐標(biāo)系下無法實(shí)現(xiàn)有效拼接。為此，高效、高精度的拼接算法成為解決該問題的關(guān)鍵，且一直是國內(nèi)外學(xué)者的研究熱點(diǎn)。

當(dāng)前應(yīng)用最廣泛的拼接算法就是ICP（Iterative Closest Point）算法[1～8]及其改進(jìn)。ICP 算法是一個(gè)性能優(yōu)越的拼接算法，可以實(shí)現(xiàn)精確拼接。但是，ICP算法的運(yùn)行速度以及向全局最優(yōu)的收斂性卻在很大程度上依賴于給定的初始變換估計(jì)以及在迭代過程中對應(yīng)關(guān)系的確立。研究學(xué)者針對這兩個(gè)問題進(jìn)行了許多有效的改進(jìn)。Chen等[2]提出了一種基于點(diǎn)到面的方法，該方法將點(diǎn)到點(diǎn)的距離用點(diǎn)到面的距離代替，精度更高，但是效率并沒有很大提高。Blais等[3]提出了基于點(diǎn)到投影的方法，該方法由于省略了搜索對應(yīng)點(diǎn)對的步驟，極大縮短了計(jì)算時(shí)間，但該方法確立的對應(yīng)點(diǎn)對錯(cuò)誤率較高，拼接精度不高。Park等[4]將這兩種算法結(jié)合，實(shí)現(xiàn)優(yōu)勢互補(bǔ)，在保證精度前提下實(shí)現(xiàn)了快速高效的目的。至于較好的初始位置估計(jì)，可以通過各種粗拼接技術(shù)實(shí)現(xiàn)，主要有兩種途徑：一是基于一定約束，通過設(shè)定一些輔助條件，比如，多視標(biāo)簽定位拼接法[9]，通過預(yù)先在被測場景中設(shè)置標(biāo)簽，在獲取場景點(diǎn)云數(shù)據(jù)的同時(shí)也獲得了標(biāo)簽的位置信息，再通過對齊標(biāo)簽來實(shí)現(xiàn)拼接，但該方法不太適合軍事應(yīng)用；二是基于無約束的自由粗拼接算法，比如，通過提取特征點(diǎn)[10]，再匹配特征點(diǎn)來實(shí)現(xiàn)粗拼接，但這種方法僅限于特征較明顯且方便提取的情形。

為此，本文針對激光成像數(shù)據(jù)的多視拼接，采用由粗到細(xì)的拼接策略，提出了一種新的粗拼接算法，通過估計(jì)決定旋轉(zhuǎn)矩陣的三個(gè)旋轉(zhuǎn)角求取初始旋轉(zhuǎn)矩陣，再利用ICP算法實(shí)現(xiàn)精確拼接。

2 基本問題描述

現(xiàn)有不同視點(diǎn)下的兩片成像點(diǎn)云數(shù)據(jù)P 和Q，它們在同一個(gè)坐標(biāo)系下可以很好地拼接，但由于測量裝置精度的限制，使得點(diǎn)云P、Q 產(chǎn)生了一定的旋轉(zhuǎn)偏移和平移偏移，即：

其中，旋轉(zhuǎn)矩陣R（α，β，γ）為：

此時(shí)，需要通過待拼接點(diǎn)云P1和P2，消除P1與P、P2與Q 之間的旋轉(zhuǎn)偏移和平移偏移。而消除旋轉(zhuǎn)偏移和平移偏移，其實(shí)質(zhì)就是尋找最優(yōu)的旋轉(zhuǎn)矩陣和平移矢量，將存在偏移的成像數(shù)據(jù)P1、P2盡可能地變換至P、Q，從而實(shí)現(xiàn)拼接。因此，可以選取不同的旋轉(zhuǎn)角α、β、γ 以及平移矢量t（tx，ty，tz）來模擬P、Q 不同程度的偏移，得到待拼接數(shù)據(jù)P1和P2。

3 粗拼接算法

粗拼接主要由兩個(gè)因素決定：一是旋轉(zhuǎn)角α、β、γ；二是平移矢量t（tx，ty，tz）。對于平移矢量的估計(jì)，通常采用重心對齊這一簡單而有效的方法，此處不做討論。本文重點(diǎn)對旋轉(zhuǎn)角α、β、γ 估計(jì)問題進(jìn)行研究。首先給出本文姿態(tài)角的基本定義。

3.1 姿態(tài)角定義

M1坦克某視點(diǎn)下成像數(shù)據(jù)P，其姿態(tài)已經(jīng)歸一化，如圖1a所示。將P 繞Z 軸逆時(shí)針旋轉(zhuǎn)角度α＝10°，接著繞Y 軸逆時(shí)針旋轉(zhuǎn)角度β＝0°，再繞X 軸逆時(shí)針旋轉(zhuǎn)角度γ＝0°后得到P1，如圖1b所示。定義繞坐標(biāo)軸逆時(shí)針旋轉(zhuǎn)的歐拉角α、β、γ為目標(biāo)的偏航角、俯仰角、側(cè)滾角，則P 的姿態(tài)角為（0，0，0），P1的姿態(tài)角為（10，0，0）。

Figure 1 Imaging data Pand its rotation under one view of tank M1圖1 M1坦克某視點(diǎn)下成像數(shù)據(jù)P 及其旋轉(zhuǎn)

因此，旋轉(zhuǎn)角的估計(jì)轉(zhuǎn)變?yōu)槟繕?biāo)的姿態(tài)估計(jì)問題。

3.2 姿態(tài)估計(jì)

現(xiàn)有姿態(tài)估計(jì)方法主要有主成分分析PCA（Principle Component Analysis）方法[11，12]、三視投影特征值分解法[13]、三視投影矩形擬合[14～16]方法、點(diǎn)云投影密度熵PDE（Point cloud projection Density Entropy）法[17]等。PCA 方法通過對點(diǎn)云的協(xié)方差矩陣進(jìn)行特征值分解得到目標(biāo)姿態(tài)，具有簡單高效的特點(diǎn)，但該方法要求點(diǎn)云完備且均勻分布，因而不適用于激光雷達(dá)目標(biāo)姿態(tài)估計(jì)。三視投影特征值分解法通過對點(diǎn)云進(jìn)行三視投影并提取出投影點(diǎn)云邊界點(diǎn)，再對邊界點(diǎn)方向散射矩陣進(jìn)行特征值分解得到投影點(diǎn)云方向，該方法要求方向散射矩陣具有正定性，故通用性不強(qiáng)。而三視投影矩形擬合法基于人造目標(biāo)具有類似矩形的外形結(jié)構(gòu)這一假設(shè)，通過計(jì)算包圍投影點(diǎn)云的最小面積矩形的長軸方向得到投影點(diǎn)云方向，該方法對地面裝甲目標(biāo)點(diǎn)云具有較好的姿態(tài)估計(jì)效果，但當(dāng)目標(biāo)存在自遮擋及遮擋時(shí)，其投影點(diǎn)云分布與矩形常存在較大差異，從而導(dǎo)致姿態(tài)估計(jì)性能嚴(yán)重下降，且該方法效率較低。點(diǎn)云投影密度熵（PDE）法能較好地解決遮擋問題，但其通常是在已知兩個(gè)姿態(tài)角估計(jì)另外一個(gè)姿態(tài)角時(shí)效果較好，當(dāng)三個(gè)姿態(tài)角均未知時(shí)，該方法估計(jì)誤差較大。

為此，本文綜合采用三視投影矩形擬合法和點(diǎn)云投影密度熵（PDE）法來估計(jì)目標(biāo)的姿態(tài)，通過三視投影矩形擬合法較好地估計(jì)出偏航角和俯仰角，再利用PDE法對側(cè)滾角進(jìn)行估計(jì)，不僅較好地解決了三視投影矩形擬合法的遮擋問題，也滿足了PDE 法對已知兩個(gè)姿態(tài)角的要求。同時(shí)，本文對三視投影矩形擬合法進(jìn)行了改進(jìn)，極大提高了算法的效率。

3.3 本文算法

激光雷達(dá)成像過程中，自遮擋問題不可避免，單一的三視投影矩形擬合法不再適合。對于地面裝甲等目標(biāo)，如圖1 所示，遮擋對其在XY 平面、XZ 坐標(biāo)上的投影影響并不大，三視投影矩形擬合法可以較好地估計(jì)出偏航角和俯仰角，但側(cè)滾角的估計(jì)性能嚴(yán)重下降，而點(diǎn)云投影密度熵（PDE）法可以較好解決遮擋條件下的姿態(tài)估計(jì)問題。因此，本文首先利用改進(jìn)的三視投影矩形擬合法對偏航角和俯仰角進(jìn)行估計(jì)，再利用點(diǎn)云投影密度熵（PDE）法對側(cè)滾角進(jìn)行估計(jì)，兼顧了效率和精度。

3.3.1 改進(jìn)的三視投影矩形擬合法

以圖1 所示的P（0，0，0）、P1（10，0，0）為例進(jìn)行改進(jìn)算法的闡述。

以坦克、裝甲車等為代表的地面裝甲目標(biāo)，經(jīng)激光雷達(dá)成像后，成像數(shù)據(jù)能夠較好地反映目標(biāo)的三維外形信息。地面裝甲目標(biāo)形狀相對較為規(guī)則，因此，成像數(shù)據(jù)在三個(gè)坐標(biāo)平面上投影的輪廓也較為規(guī)則，用矩形可以較好地描述輪廓信息，三視投影矩形擬合法也正是基于此實(shí)現(xiàn)目標(biāo)姿態(tài)的估計(jì)。三視投影矩形擬合法在對姿態(tài)角（以偏航角α 為例）進(jìn)行估計(jì)時(shí)，若準(zhǔn)確估計(jì)出偏航角α，即最小包圍矩形的長軸方向與X 軸的夾角，且旋轉(zhuǎn)其在XY平面上投影α角度至偏航角為零時(shí)，最小包圍矩形與X 軸、Y 軸平行。如若以此時(shí)的最小包圍矩形來約束目標(biāo)成像數(shù)據(jù)在XY 平面上的投影，當(dāng)且僅當(dāng)偏航角為零時(shí)，目標(biāo)成像數(shù)據(jù)的投影才完全處于該最小包圍矩形內(nèi)。當(dāng)目標(biāo)存在一定的偏航角時(shí)，最小包圍矩形無法約束目標(biāo)。為了約束目標(biāo)，現(xiàn)給出另外一種矩形的定義，且該矩形要盡量保持與最小包圍矩形相類似的性質(zhì)。其定義為：以XY 平面上投影橫坐標(biāo)與縱坐標(biāo)的最大值、最小值所對應(yīng)點(diǎn)為頂點(diǎn)圍成的矩形，稱之為最小一致包圍矩形，這里一致指的是與坐標(biāo)軸平行?？梢园l(fā)現(xiàn)，目標(biāo)偏航角為零時(shí)，上述兩種矩形完全相同。當(dāng)偏航角不為零時(shí)，最小一致包圍矩形會(huì)發(fā)生變化，顯著特征之一就是其面積，且該面積會(huì)隨著偏航角的增大而增大。根據(jù)這一特征，如果對目標(biāo)成像數(shù)據(jù)在XY 平面上投影逆時(shí)針旋轉(zhuǎn)，當(dāng)所旋轉(zhuǎn)的角度抵消了偏航角時(shí)，此時(shí)對應(yīng)的最小一致包圍矩形面積最小，而所旋轉(zhuǎn)的角度的相反數(shù)就是目標(biāo)的偏航角。但對于此類目標(biāo)，若其附加突出的其他裝置（如M1坦克上的天線），會(huì)導(dǎo)致輪廓的驟變，輪廓因此變得不規(guī)則，采用該方法會(huì)出現(xiàn)較大誤差。處理這個(gè)問題也很簡單，只需去除這些突出的數(shù)據(jù)點(diǎn)。因此，通過該方法有望實(shí)現(xiàn)對姿態(tài)角的估計(jì)，但對于側(cè)滾角，由于遮擋主要反映在YZ 平面上，因而側(cè)滾角的估計(jì)會(huì)出現(xiàn)較大誤差。

某坐標(biāo)平面上投影的橫坐標(biāo)與縱坐標(biāo)的最大值、最小值分別為xmax，xmin，ymax，ymin，則最小一致包圍矩形面積為：

將P（0，0，0）在XY（或XZ）平面上的投影逆時(shí)針旋轉(zhuǎn)角度α（或β），α、β在-45°～45°以1°等間隔選取，對于每個(gè)旋轉(zhuǎn)后的投影，依次求出最小一致包圍矩形。結(jié)果如圖2所示。

相比于姿態(tài)歸一化的狀態(tài)，當(dāng)存在一定的姿態(tài)角時(shí)，其投影的最小一致包圍矩形的面積更大，且隨著姿態(tài)角的不同而不同。為此，計(jì)算α、β 取不同值時(shí)最小一致包圍矩形的面積，其結(jié)果如圖3a和圖3b所示，橫坐標(biāo)為旋轉(zhuǎn)的角度，縱坐標(biāo)為最小一致包圍矩形的面積。

如圖3a所示，當(dāng)姿態(tài)被正確估計(jì)時(shí)，最小一致包圍矩形的面積最小，因此該方法可以較好地估計(jì)偏航角。圖3b所示的結(jié)果說明該方法對俯仰角的估計(jì)性能較差，其原因在于目標(biāo)存在突出的天線裝置，當(dāng)向XZ 平面投影時(shí)，這些突出的數(shù)據(jù)點(diǎn)會(huì)破壞目標(biāo)姿態(tài)歸一化時(shí)最小一致包圍矩形面積最小的特性，若將這些突出的數(shù)據(jù)點(diǎn)去除，再利用該算法，其結(jié)果如圖3c所示。

Figure 2 Minimum consistent surround rectangle with differentα（orβ）圖2 不同α（或β）時(shí)的最小一致包圍矩形

對于圖1所示的P（0，0，0），先將其繞Z 軸逆時(shí)針旋轉(zhuǎn)角度α，再繞Y 軸逆時(shí)針旋轉(zhuǎn)角度β，α、β在-45°～45°以1°等間隔選取，每一次旋轉(zhuǎn)以后，將其投影至三個(gè)坐標(biāo)平面，計(jì)算各投影的最小一致包圍矩形面積之和。結(jié)果如圖4所示，橫縱坐標(biāo)分別代表不同的α、β，豎坐標(biāo)代表各投影的最小一致包圍矩形面積之和。

目標(biāo)在姿態(tài)歸一化時(shí)，其各平面投影的最小一致包圍矩形面積最小，與上述理論分析相符合。因此，可以通過提取這一特征，實(shí)現(xiàn)對目標(biāo)偏航角、俯仰角的估計(jì)。

3.3.2 側(cè)滾角估計(jì)

在遮擋條件下，改進(jìn)的三視投影矩形擬合法無法實(shí)現(xiàn)對側(cè)滾角的有效估計(jì)，而點(diǎn)云投影密度熵（PDE）法在已知兩個(gè)姿態(tài)角估計(jì)另外一個(gè)未知姿態(tài)角時(shí)具有很好的估計(jì)效果。因此，本文采用點(diǎn)云投影密度熵（PDE）法對側(cè)滾角進(jìn)行估計(jì)。

3.4 算法具體步驟

Figure 3 Area of minimum consistent surround rectangle with differentα（orβ）圖3 不同α（或β）時(shí)的最小一致包圍矩形的面積

Figure 4 Sum of area of minimum consistent surround rectangle with differentα（andβ）圖4 不同α、β時(shí)各投影最小一致包圍矩形面積之和

兩個(gè)不同視點(diǎn)下的點(diǎn)云數(shù)據(jù)P1（α1，β1，γ1）和P2（α2，β2，γ2），首先利用重心對齊法進(jìn)行平移粗拼接，再依次對P1、P2的偏航角、俯仰角、側(cè)滾角進(jìn)行估計(jì)，接著將其旋轉(zhuǎn)至各姿態(tài)角為零，從而實(shí)現(xiàn)粗拼接。其具體步驟為：

（1）計(jì)算點(diǎn)云P1和P2的重心，平移P2，使得P2與P1的重心對齊。

（2）將點(diǎn)云P1繞Z 軸逆時(shí)針旋轉(zhuǎn)角度θ，θ在-45°～45°以1°等間隔取91個(gè)值，計(jì)算每次旋轉(zhuǎn)后的P1在三個(gè)坐標(biāo)平面投影的最小一致包圍矩形面積之和，矩形面積最小時(shí)所對應(yīng)的旋轉(zhuǎn)角度θ的相反數(shù)即為偏航角α1；更新P1：P1＝R（-α1，0，0）×P1。

（3）同理，將更新后的P1繞Y 軸逆時(shí)針旋轉(zhuǎn)角度θ，得到俯仰角β1 ；更新P1：P1＝R（0，-β1，0）×P1。

（4）利用PDE法對更新后的P1進(jìn)行側(cè)滾角估計(jì)，得到側(cè)滾角γ1；更新P1：P1＝R（0，0，-γ1）×P1。至此，P1被調(diào)整至姿態(tài)歸一化狀態(tài)。

（5）同理，對P2姿態(tài)角進(jìn)行估計(jì)，并調(diào)整至姿態(tài)歸一化狀態(tài)。

（6）結(jié)束，完成粗拼接。

4 實(shí)驗(yàn)結(jié)果與分析

對M1坦克、M2A2裝甲車、M29裝甲車進(jìn)行不同視點(diǎn)、不同分辨率條件下的成像仿真。仿真時(shí)，以目標(biāo)中心為坐標(biāo)原點(diǎn)建立球坐標(biāo)系，激光雷達(dá)的位置由球坐標(biāo)（r，ψL，θL）確定，其中r為激光雷達(dá)距離目標(biāo)中心的距離，ψL 和θL為激光雷達(dá)在球坐標(biāo)系中的經(jīng)度和緯度，用以確定視點(diǎn)。對M1坦克、M2A2裝甲車、M29裝甲車三種目標(biāo)進(jìn)行成像仿真，r設(shè)定為1 000m，其經(jīng)度ψL 在0°～330°以30°等間隔取12個(gè)值，緯度θL在30°～60°以5°等間隔取7 個(gè)值，分辨率依次設(shè)定為512、256、128，于是每個(gè)目標(biāo)在每種分辨率下共有84個(gè)不同視點(diǎn)下的成像數(shù)據(jù)。

4.1 姿態(tài)估計(jì)

激光雷達(dá)位置為（1 000，0，30）、（1 000，30，30），分辨率為512，對M1 坦克、M2A2 裝甲車、M29裝甲車進(jìn)行成像，并對兩個(gè)視點(diǎn)下的成像數(shù)據(jù)P、Q 進(jìn)行旋轉(zhuǎn)：P1＝R（30，2.，15）×P，P2＝R（20，15，10）×Q。分別采用本文算法（Method 1）、三視投影矩形擬合法（Method 2）、點(diǎn)云投影密度熵（PDE）法（Method 3）進(jìn)行姿態(tài)估計(jì)，實(shí)驗(yàn)結(jié)果如表1和表2所示。

由表1和表2可知，本文算法可以較為準(zhǔn)確地對目標(biāo)姿態(tài)進(jìn)行估計(jì)，且相比于三視投影矩形擬合法、PDE 法，其優(yōu)勢主要表現(xiàn)在：保留了三視投影矩形擬合法可以準(zhǔn)確估計(jì)偏航角和俯仰角的優(yōu)點(diǎn)，克服了側(cè)滾角估計(jì)性能不佳的問題，且算法效率相對于三視投影矩形擬合法得到很大的提升；克服了PDE法在三個(gè)姿態(tài)角均未知時(shí)估計(jì)性能較差的問題，保留了其能夠較好解決遮擋問題的優(yōu)勢。

Table 2 Runtime statistics of three algorithms表2 三種算法運(yùn)行時(shí)間統(tǒng)計(jì) s

4.2 多視拼接

4.2.1 同分辨率數(shù)據(jù)之間拼接

以目標(biāo)M1、M2A2、M29的兩視點(diǎn)下的成像數(shù)據(jù)P1（30，2.，15）、P2（10，5，10）為例進(jìn)行拼接實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如圖5～圖7所示，圖中分別為各目標(biāo)兩個(gè)視點(diǎn)下的成像數(shù)據(jù)P1、P2以及直接利用ICP算法和先粗后細(xì)方法進(jìn)行拼接的結(jié)果。

Figure 5 Imaging data and its registered results under two viewpoints for target M1（same resolution）圖5 目標(biāo)M1兩視點(diǎn)下成像數(shù)據(jù)及拼接結(jié)果（同分辨率）

由上述結(jié)果可知，ICP算法對待拼接數(shù)據(jù)的初始拼接位置有著較高的要求，當(dāng)初始位置相差較大時(shí)，ICP算法的拼接結(jié)果存在較大誤差。本文提出的粗拼接算法能夠?yàn)镮CP算法提供較好的初始拼接位置，通過先粗拼接后精確拼接的方法，可以較好地實(shí)現(xiàn)不同視點(diǎn)下成像數(shù)據(jù)的拼接。

Table 1 Results of pose estimation of three algorithms表1 三種算法姿態(tài)估計(jì)結(jié)果

Figure 6 Imaging data and registered results under two viewpoints for target M2A2（same resolution）圖6 目標(biāo)M2A2兩視點(diǎn)下成像數(shù)據(jù)及拼接結(jié)果（同分辨率）

Figure 7 Imaging data and registered results under two viewpoints for target M29（same resolution）圖7 目標(biāo)M29兩視點(diǎn)下成像數(shù)據(jù)及拼接結(jié)果（同分辨率）

4.2.2 不同分辨率數(shù)據(jù)之間拼接

同樣以目標(biāo)M1、M2A2、M29的兩視點(diǎn)下的成像數(shù)據(jù)P1（30，2.，15）、P2（10，5，10）為例進(jìn)行拼接實(shí)驗(yàn)，其中P1分辨率為512、P2分辨率為256。實(shí)驗(yàn)結(jié)果如圖8～圖10所示。

因此，由于傳感器與目標(biāo)之間距離改變導(dǎo)致獲取數(shù)據(jù)分辨率的差異并不會(huì)影響算法的性能，這是由于分辨率的差異會(huì)導(dǎo)致獲取數(shù)據(jù)的稀疏，但是對于目標(biāo)的大致輪廓不會(huì)造成大的影響，通過低分辨率數(shù)據(jù)仍可以較好地描繪出目標(biāo)的輪廓，最外圍的數(shù)據(jù)點(diǎn)依然可以較好地保留。

5 結(jié)束語

Figure 8 Imaging data and registered results under two viewpoints for target M1（different resolution）圖8 目標(biāo)M1兩視點(diǎn)下成像數(shù)據(jù)及拼接結(jié)果（不同分辨率）

Figure 9 Imaging data and registered results under two viewpoints for target M2A2（different resolution）圖9 目標(biāo)M2A2兩視點(diǎn)下成像數(shù)據(jù)及拼接結(jié)果（不同分辨率）

Figure 10 Imaging data and registered results under two viewpoints for target M29（different resolution）圖10 目標(biāo)M29兩視點(diǎn)下成像數(shù)據(jù)及拼接結(jié)果（不同分辨率）

本文結(jié)合實(shí)際軍事應(yīng)用提出了一種新的激光成像數(shù)據(jù)多視粗拼接算法，該算法能夠有效實(shí)現(xiàn)不同目標(biāo)激光成像數(shù)據(jù)的多視粗拼接，滿足ICP 算法所要求的粗拼接精度。該算法具有以下優(yōu)點(diǎn)：（1）該算法兼顧了三視投影矩形擬合法和點(diǎn)云密度熵（PDE）法的優(yōu)點(diǎn)，且由于粗拼接的目的并不要求精確估計(jì)姿態(tài)角，旋轉(zhuǎn)角度的間隔可以取2°，更加提高了算法效率；（2）該算法適合不同分辨率數(shù)據(jù)的粗拼接。

綜上所述，該算法可以較好地解決ICP 算法所要求的初始拼接問題，實(shí)現(xiàn)不同視點(diǎn)下場景點(diǎn)云的有效粗拼接，并在精度、效率以及對分辨率的適應(yīng)性方面均具有較好的性能。

[1]Bsel P J，Mckay N D.A method of registration of 3Dshapes[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1992，14（2）：239-256.

[2]Chen Y，Medioni G.Object modeling by registration of multiple range images[J].Image and Vision Computing，1992，10（3）：145-155.

[3]Blais G，Levine M.Registering multiview range data to create 3Dcomputer object[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1995，17（8）：820-824.

[4]Park S Y，Subbarao M.An accurate and fast point to plane registration technique[J].Pattern Recognition Letters，2003，2.（16）：2967-2976.

[5]Xin Wei，Pu Jie-xin.An improved ICP algorithm for point cloud registration[C]∥Proc of International Conference on Computational and Information Sciences，2010：565-568.

[6]Fukai H，Xu Gang.Fast and robust registration of multiple 3Dpoint clouds[C]∥Proc of IEEE International Symposium on Robot and Human Interactive Communication，2011：331-336.

[7]Liu Jing-na，Ren Zheng-yi.The research and application of the multi-view registration[C]∥Proc of the 3rd International Congress on Image and Signal Processing，2010：1258-1262.

[8]Zhou Chun-yan，Li Yong，Zou Zheng-rong.Three-dimensinal cloud ICP algorithm improvement[J].Computer Technology and Development，2011，2.（8）：75-81.（in Chinese）

[9]Pulli K.Multiview registration for large data sets[C]∥Proc of the 2nd International Conference on 3D Digital Imaging and Modeling，1999：160-168.

[10]Takeguchi T，Kaneko S，Kondo T，et al.Robust object recognition based on depth aspect image matching[J].IEICE，2001，J84-D-II（8）：1710-1721.

[11]Tangelder J W H，Veltkamp R C.A survey of content based 3Dshape retrieval methods[C]∥Proc of Shape Modeling Application，2004：145-456.

[12]Yang Y，Lin H，Zhang Y.Content-based 3-D model retrieval：A survey[J].IEEE Transactions on Systems，Man and Cybernetics-Part C：Applications and Reviews，2007，37（6）：1081-1099.

[13]Zhu D Q，Chu C C.Characterization of irregularly shaped bodies[C]∥Proc of SPIE'95，1995：17-22.

[14]Gr?nwall C，Chevalier T，Persson A.Methods for recognition of natural and man-made objects using laser radar data[C]∥Proc of SPIE on Laser Radar Technology and Applications IX，2004：310-320.

[15]Gr?nwall C，Andersson P，Gustafsson F.Least squares fitting of articulated objects[C]∥Proc of the 2005IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2005：5-9.

[16]Gr?nwall C，Gustafsson F，Millnert M，et al.Ground target recognition using rectangle estimation[J].IEEE Transactions on Image Processing，2006，15（11）：3401-3409.

[17]Guo Yu-lan，Lu Min，Tan Zhi-guo，et al.A novel method for lader target orientation estimation[J].Chinese Journal of Lasers，2011，38（4）：242-248.（in Chinese）

附中文參考文獻(xiàn)：

[8]周春艷，李勇，鄒崢嶸.三維點(diǎn)云ICP算法改進(jìn)研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2011，2.（8）：75-81.

[17]郭裕蘭，魯敏，譚志國，等.一種新的激光雷達(dá)目標(biāo)姿態(tài)估計(jì)算法[J].中國激光，2011，38（4）：242-248.