针对传统点云配准方法在处理大型点云模型时存在计算量大、效率低和移动扫描配准实时性较差等问题,提出基于卷积神经网络结合改进Harris-SIFT(Scale Invariant Feature Transform)的点云配准方法。首先改进Harris-SIFT算法,使其可以提取三维空间中点云模型的稳定关键点。进而将关键点的加权邻接矩阵作为卷积神经网络的输入特征图,实现源点云和目标点云关键点的预测匹配。然后基于匹配的关键点,采用迭代最近点(ICP)算法实现点云数据的精配准。相较于传统的点对点配准,所

点云配准是三维点云信息处理中的重要问题。传统点云配准方法计算量大，不利于实时计算与移动计算。针对传统点云配准方法存在的问题，提出了一种利用卷积神经网络进行点云配准的方法。首先计算点云的深度图像，利用卷积神经网络提取深度图像对的特征差，将深度图像对的特征差作为全连接网络的输入并计算点云配准参数，迭代地执行上述操作直至配准误差小于可接受阈值。实验结果表明，相比传统的点云配准方法，基于卷积神经网络的点云配准方法具有所需计算量小、配准效率高、对噪声点和异常点不敏感的优点。