MLGO微算法科技發佈基於RANSAC-ISS-3DSC改進ICP的激光掃描儀點雲快速配准算法

（來源：衡水日報）

轉自：衡水日報

在數字化浪潮的推動下，激光掃描儀作為三維空間數據採集的重要工具，已被廣泛應用於測繪、文物保護、工業檢測、自動駕駛、建築BIM建模等領域。然而，隨着掃描精度的不斷提高，激光掃描儀所採集的點雲數據規模呈指數級增長，給數據處理帶來了前所未有的挑戰。其中，點雲配準作為將多次掃描數據融合爲統一三維模型的關鍵步驟，對速度與精度的雙重要求愈發嚴苛。傳統的點雲配準方法雖然已經相對成熟，但在面對海量點雲數據時，往往存在運算耗時長、對初始姿態敏感、配準精度下降等問題。這不僅影響了實際工程項目的效率，還在某些實時應用場景中難以落地。

為破解這一技術難題，微算法科技（NASDAQ:MLGO）成功推出了一種全新的激光掃描儀點雲快速配准算法。該方法在經典迭代最近點（ICP）框架的基礎上，巧妙結合了隨機樣本一致性（RANSAC）、內在形狀簽名（ISS）和三維形狀上下文（3DSC）等多種先進技術，不僅在大規模點雲數據處理上實現了顯著提速，同時在配準精度上也保持了優異表現。這一成果標誌着點雲數據處理技術向高效、精準方向邁出重要一步，有望推動三維數據應用進入新的發展階段。

技術的核心創新首先體現在數據預處理環節。微算法科技在算法中引入了體素網格濾波器對原始點雲進行下采樣，這一過程通過將空間劃分爲規則的體素網格，並用每個網格的質心代替原始點，顯著減少了點數的同時保留了幾何結構特徵。這一優化不僅降低了后續特徵提取與匹配的計算量，還有效抑制了噪聲點對配準精度的干擾，為整個配準流程奠定了高效與穩健的基礎。

在特徵點檢測階段，算法採用內在形狀簽名（ISS）方法自動選取具有顯著幾何特徵的關鍵點。ISS特徵點檢測基於局部鄰域的協方差矩陣分析，能夠在點雲表面幾何形態變化較大處（如稜角、突起、凹陷等）精確定位關鍵點，從而最大程度地保留點雲的結構信息。這種方法的優勢在於，所選取的特徵點具有旋轉不變性與尺度魯棒性，使得后續匹配過程能夠應對掃描姿態與尺度的變化。

在特徵描述方面，微算法科技引入了三維形狀上下文（3DSC）描述子。該描述子通過對特徵點鄰域的空間幾何分佈進行多尺度、方向敏感的統計編碼，為每個特徵點生成高度區分性的特徵向量。這一特徵不僅對姿態變化具有較強的魯棒性，而且在噪聲點和稀疏數據條件下依然能夠保持較高的匹配準確率。ISS與3DSC的結合，使得特徵提取環節既具備穩定性，又保證了描述信息的豐富性。

粗配準階段，微算法科技該算法使用隨機樣本一致性（RANSAC）方法對特徵匹配對進行篩選與估計變換矩陣。RANSAC通過反覆隨機採樣特徵匹配，估算剛體變換參數，並統計符合模型的內點數量，從而在高比例錯誤匹配的情況下依然能夠準確估計全局配準的初始位姿。這一環節大幅提高了粗配準的魯棒性，使得后續ICP優化不再依賴於理想的初始對齊狀態，尤其在多視角掃描或遮擋嚴重的場景下優勢顯著。

在精配準階段，微算法科技在傳統迭代最近點（ICP）算法基礎上進行改進，使其在匹配點對搜索與誤差函數優化方面更高效、更穩定。改進ICP通過引入KD-Tree加速最近鄰搜索，並在誤差最小化過程中結合點到面距離度量與魯棒損失函數，顯著減少了迭代次數，並抑制了離羣點對配準結果的負面影響。這一改進不僅減少了計算時間，也使得最終配準結果的精度較傳統方法有明顯提升。

微算法科技該算法技術在工業檢測領域，該算法能夠在數百萬級點雲數據中，在不到原有時間一半的情況下完成高精度對齊，為生產線在線檢測提供了可能。在文物數字化保護中，面對高分辨率文物表面掃描數據，算法能夠快速將不同角度掃描的點雲合併成統一的三維模型，最大限度還原文物細節。在自動駕駛與機器人視覺中，該算法在激光雷達點雲定位與地圖構建中表現優異，實現了實時或準實時處理，滿足了動態環境下的配準需求。

性能評測結果表明，微算法科技的算法與現有主流點雲配准算法相比，該方法在保持甚至提升配準精度的同時，速度提升幅度顯著。在公開數據集與企業自有工業數據上的實驗中，該算法的平均配準時間縮短了30%至50%，而配準誤差保持在毫米級範圍內。消融實驗進一步證明，ISS-3DSC特徵的高質量匹配與RANSAC的穩健初始對齊，是加速ICP收斂的關鍵因素。

與此同時，微算法科技（NASDAQ:MLGO）還計劃與深度學習方法結合，探索基於學習的特徵提取與匹配策略，為點雲配準技術帶來進一步的智能化升級。隨着三維感知與數字孿生技術的蓬勃發展，高效、精準的點雲配準技術正成為連接現實世界與數字世界的重要橋樑。這一基於RANSAC、ISS、3DSC改進ICP的激光掃描儀點雲快速配准算法，無疑為行業注入了新的動力，也為未來更多高精度、高效率的三維應用鋪平了道路。