融合点云与纹理图像的三维建模技术文献综述

文献综述（或调研报告）：

三维重建是计算机视觉和计算机图形学中一个很重要的研究课题，在AR、VR、室内导航和无人驾驶等工业领域有着重要作用。三维重建技术是指通过扫描实物，处理扫描数据、三维造型、格式转换、最终导出结果，将实物的型面数据转化为模型的一项技术。随着计算及性能的发展，图形处理的能力及精度也随之提升，同时在汽车、飞机等复杂机械工程制造领域，运用三维重建技术对已有工件进行模型重建工作，有助于零件的分类以及对已有零件进行设计重用。三维重建技术对于指导生产发展有着重要意义。

为实现物体三维点云的完整测量，需要对物体进行不同角度的数据采集，这就要进行坐标转换，将不同视角下不同的测量数据整合入同一坐标系中。

在应用逆向工程技术进行曲面检测的过程中，图形之间的配准是关键的一环，后续的误差处理与显示都在此基础上进行。图形配准问题可以描述如下：在两个相似的图形之间寻找到一个刚体变换，通过变换后，两图形能够充分匹配对齐，此刚体变换即为所需的图形配准结果。

近年来关于三维图形的自动配准问题，研究人员提出了许多算法，如几何哈希(Geometry Hashing)算法、点签名(Point signature)算法等。1992年，Besl和McKey提出了迭代最近点算法(ICP, Iterated Closest Points Algorithm)。迭代最近点算法自提出以来，由于其算法构造简答、计算复杂度低、性能出色，渐渐成为三维图形配准领域应用最广的方法。

ICP算法使用两点云中各个点欧氏距离最短的点作为对应点，所有的对应点形成对应点集，依据所有点对的欧氏距离平方均值作为误差，逐步进行迭代，在算法误差最小时结束迭代，计算此时的变换矩阵。ICP算法是计算密集型算法，对两点集的位置初值有较高要求，初值较好时，ICP算法有较高的匹配精度。而ICP算法对点云迭代的初始位置有较高要求。若初始位置不理想，有可能在配准期间无法跳出局部最优的情况，使得最终匹配效果不够理想，这也是它的缺点。

目前，针对ICP算法，许多学者提出了改进算法，意图改善ICP算法的效率以及准确度。例如针对ICP算法对迭代初始位置要求较高的问题，可以采用其他方法对两点云进行初配准，如主成分分析法(PCA, Principal Component Analysis)，以初配的结果作为ICP算法的输入进行配准^[8]。

为简化配准步骤，Granger等人提出了EM-ICP算法，将期望极大算法(EM, Expectation Maximization Algorithm)引入ICP算法中 ，避免了初配准，提高了算法匹配效率。

Li qingde等人提出了一种基于线与面的最近迭代算法^[10]，该算法利用连线、三角化等多种形式对点云进行一定处理，根据点云中对应的线或面进行匹配，最终求解出点云之间的变换矩阵。

如今，基于ICP算法的各种三维配准算法形成了一类算法集合：如ICP算法收敛函数的改进算法、点集采样方式的改进算法、加入三维图形几何特征的GICP(Geometry Iterated Closest Points)算法等等。