CN105654422A - 点云配准方法和*** - Google Patents

Abstract

本发明公开一种点云配准方法，包括以下步骤：通过SIFT算法从待配准点云中选取多个同名点，并利用多个同名点按照预设模型对待配准点云进行全局配准；将多个同名点作为索引点，采用点云配准算法对经过全局配准的待配准点云进行局部配准。上述点云配准方法能够显著地提高点云配准的精度和效率。本发明还提出一种点云配准***。

Description

点云配准方法和***

技术领域

本发明涉及机载激光雷达数据后处理技术领域，尤其涉及一种点云配准方法和***。

背景技术

近年来，基于点云的三维重建受到逆向工程、三维动画、计算机视觉等领域的广泛关注。受限于扫描仪本身的视野范围、扫描物体形状、扫描范围和遮挡等问题，对三维目标的扫描过程往往需要从多站点或多航带进行，然后将不同站点或航带的数据进行拼接配准，使数据统一至相同的坐标系下。同时，在多时相点云的数据融合及应用相关问题中，由于不同时相点云数据的采集条件不同，点云的误差特点也不一样，因此点云配准是一项关键步骤。

基于ICP(IterativeClosestPoint,迭代最近点)算法的点云配准决定了待配准的点云初始误差不能太大，否则将极大地影响配准效率和精度。需要一个粗配准过程为配准点云提供良好的初值，这个过程称为全局配准。采用ICP算法进行精确配准的过程称为局部配准。目前全局配准方法通常分为两类：一类基于几何特征求出对应点，再计算位姿关系；另一类采用投票机制，如RANSAC(RandomSampleConsensus，随机抽样一致)算法等。然而，无论是基于几何特征的算法，还是基于投票机制的算法，都存在效率低下的问题，而且稳定性和计算精度并不高。此外，当两待配准点云之间偏差很大时，现有点云配准数学模型无法实现对点云进行准确配准。而在基于ICP算法的局部配准阶段，大多采用随机采样方式搜索最近点，导致算法在时间和空间上效率均不高。

发明内容

基于此，有必要提供一种效率较高的点云配准方法和***。

一种点云配准方法，包括以下步骤：

通过SIFT算法从待配准点云中选取多个同名点，并利用多个所述同名点按照预设模型对所述待配准点云进行全局配准；

将多个所述同名点作为索引，采用点云配准算法对经过所述全局配准的所述待配准点云进行局部配准。

在其中一个实施例中，所述通过SIFT算法从所述待配准点云中选取多个同名点，并利用多个所述同名点按照预设模型对所述待配准点云进行全局配准步骤包括：

对所述待配准点云进行栅格化，转化为数字表面模型；

利用SIFT算法对所述数字表面模型进行特征检测，生成特征描述子；

对两组所述特征描述子进行特征匹配，生成初始同名点对；

从所述初始同名点对中选取同名点；

利用所述同名点，按照预设模型对所述待配准点云进行全局配准。

在其中一个实施例中，所述从所述初始同名点对中选取同名点步骤包括：

利用同名点之间的实际三维距离约束条件对所述初始同名点对进行筛选；

从筛选出的所述初始同名点对中，采用交互式的方式选取同名点。

在其中一个实施例中，所述预设模型为：

对所述待配准点云中的样本点云进行初步平移，使得两个所述待配准点云的同名点的重心重合；

对经过所述初步平移后的所述待配准点云，求解旋转矩阵和进一步平移的平移向量。

在其中一个实施例中，所述待配准点云的个数为两个，将其中一个所述待配准点云作为模板，另一个所述待配准点云作为样本；所述点云配准算法为ICP算法；

所述将多个所述同名点作为索引，采用点云配准算法进行局部配准步骤包括：

根据所述索引点选取位于所述模板中的点，并记为点集S1；

根据索引点，选取所述样本中位于所述索引点位置预设半径范围内的点，记为点集S2，并对所述点集S2建立KD树；

基于所述点集S1，选取所述点集S2中距所述点集S1欧氏距离最近的点作为对应点；

根据所述对应点，基于所述预设模型计算临时变换矩阵M1，若配准误差收敛或达到最大迭代次数，则采用累积变换矩阵M对待配准点云进行变换；否则，基于所述临时变换矩阵M1更新所述累积变换矩阵M；其中，通过M＝M1*M更新所述累积变换矩阵M，且所述累积变换矩阵M的初始值为单位矩阵；

根据所述临时变换矩阵M1对所述点集S2进行变换，生成新的点集S2，并返回所述对所述点集S2建立KD树步骤。

一种点云配准***，包括全局配准模块和局部配准模块；

所述全局配准模块用于通过SIFT算法从待配准点云中选取出多个同名点，并利用多个所述同名点按照预设模型对所述待配准点云进行全局配准；

所述局部配准模块用于将多个所述同名点作为索引，采用点云配准算法对经过所述全局配准的所述待配准点云进行局部配准。

在其中一个实施例中，所述全局配准模块包括栅格化单元、特征检测单元、特征匹配单元、同名点选取单元和全局配准单元；

所述栅格化单元用于对所述待配准点云进行栅格化，转化为数字表面模型；

所述特征检测单元用于利用SIFT算法对所述数字表面模型进行特征检测，生成特征描述子；

所述特征匹配单元用于对两组所述特征描述子进行特征匹配，生成初始同名点对；

所述同名点选取单元用于从所述初始同名点对中选取同名点；

所述全局配准单元用于利用所述同名点，按照预设模型对所述待配准点云进行全局配准。

在其中一个实施例中，所述同名点选取单元利用同名点之间的实际三维距离约束条件对所述初始同名点对进行筛选，并从筛选出的所述初始同名点对中，采用交互式的方式选取同名点。

在其中一个实施例中，所述预设模型为：

对所述待配准点云中的样本点云进行初步平移，使得两个所述待配准点云的同名点的重心重合；

对经过所述初步平移后的所述待配准点云，求解旋转矩阵和进一步平移的平移向量。

在其中一个实施例中，所述待配准点云的个数为两个，将其中一个所述待配准点云作为模板，另一个所述待配准点云作为样本；所述点云配准算法为ICP算法；

所述局部配准模块包括模板点选取单元、样本点选取单元、对应点搜索单元、匹配执行单元和样本点更新单元；

所述模板点选取单元用于根据所述索引点选取位于所述模板中的点，并记为点集S1；

所述样本点选取单元用于根据索引点，选取所述样本中位于所述索引点位置预设半径范围内的点，记为点集S2，并对所述点集S2建立KD树；

所述对应点搜索单元用于基于所述点集S1，选取所述点集S2中距所述点集S1欧氏距离最近的点作为对应点；

所述匹配执行单元用于根据所述对应点，基于所述预设模型计算临时变换矩阵M1，若配准误差收敛或达到最大迭代次数，则采用累积变换矩阵M对待配准点云进行变换；否则，基于所述临时变换矩阵M1调用所述样本点更新单元，并更新所述累积变换矩阵M；其中，通过M＝M1*M更新所述累积变换矩阵M，且所述累积变换矩阵M的初始值为单位矩阵；

所述样本更新单元用于根据所述匹配执行单元得出的所述临时变换矩阵M1更新所述点集S2，并对所述点集S2建立KD树，作为所述对应点搜索单元的输入。

上述点云配准方法和***，通过SIFT算法从待配准点云中选取多个同名点，并利用多个同名点按照预设模型对待配准点云进行全局配准；然后将多个同名点作为索引，采用点云配准算法对经过全局配准的待配准点云进行局部配准，能够显著地提高点云配准的精度和效率。

附图说明

图1为本发明点云配准方法一个实施例的流程示意图；

图2为图1中的步骤S100的流程示意图；

图3为图2中的步骤S140的流程示意图；

图4为图1中的步骤S200的流程示意图；

图5为本发明点云配准***一个实施例的结构示意图；

图6为本发明点云配准***一个实施例中的全局配准模块的结构示意图；

图7为本发明点云配准***一个实施例中的局部配准模块的结构示意图；

图8为配准前两期点云整体效果及局部放大效果；

图9为由SIFT算法提取后采用交互式方式获取的匹配点

图10为经过全局配准后点云整体效果及局部放大效果；

图11为经过局部配准后最终效果的几处剖面图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图对本发明点云配准方法和***的具体实施方式进行说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参见图1，一个实施例中，点云配准方法可以包括以下步骤：

S100，通过SIFT算法从待配准点云中选取多个同名点，并利用多个同名点按照预设模型对待配准点云进行全局配准。

其中，全局配准能够为下一步的局部配准提供良好的初值。针对传统全局配准中稳定性差、配准精度不高等问题，引入了SIFT(Scale-invariantfeaturetransform，尺度不变特征转换)算法。SIFT算法是计算机视觉中经典的特征提取算法。

参见图2，一个实施例中，步骤S100可以包括以下几个步骤：

S110，对待配准点云进行栅格化，转化为数字表面模型。

具体的，可以按照一定的格网间距，对待配准点云进行栅格化。栅格化后的待配准点云转化为DSM(DigitalSurfaceModel，数字表面模型)。其中，格网间距可以根据实际需要进行设置。对精度要求较高的情况，格网间距可以设置的较小一些；对精度要求较低的情况，格网间距可以设置的较大一些。

S120，利用SIFT算法对数字表面模型进行特征检测，生成特征描述子。

经过步骤S110将待配准点云转化为DSM以后，利用SIFT算法对数字表面模型进行特征检测，并生成特征描述子。本步骤可以通过本领域常规技术手段实现，故在此不再赘述。

S130，对两组特征描述子进行特征匹配，生成初始同名点对。

根据预设条件对两组特征描述子进行特征匹配，并根据相匹配的特征描述子生成初始同名点对。

S140，从初始同名点对中选取同名点。

参见图3，一个实施例中，步骤S140可以通过以下步骤实现：

S141，利用同名点之间的实际三维距离约束条件对初始同名点对进行筛选。

可以理解的，通过步骤S130生成的初始同名点对的数量可能比较多，因此直接从步骤S130生成的初始同名点对中选取同名点，需要花费的时间会较长。因此，可以先通过同名点之间的实际三维距离约束条件，对初始同名点进行筛选。将满足同名点之间的实际三维距离约束条件的初始同名点对执行步骤S142。

S142，从筛选出的初始同名点对中，采用交互式的方式选取同名点。

经过步骤S141对初始同名点对筛选后，筛选出的初始同名点对数量变少，能够显著提高全局配准的效率和精度。然后可以通过人机交互式的方式，从筛选出的初始同名点对中选取同名点。

S150，利用同名点，按照预设模型对待配准点云进行全局配准。

传统的点云配准模型中，首先求出旋转矩阵，然后求解平移向量。然而，当两个待配准点云之间的实际偏差很大时，由于旋转中心与参考中心相距较远，旋转过程中容易导致点云配准出现较大偏差。为此，本步骤中，在求出旋转矩阵之前，首先对待配准点云中的样本点云进行初步平移，使得待配准点云的同名点的中心重合。然后再对经过初步平移后的待配准点云，求解旋转矩阵和平移向量。

具体的，假设对于给定的两个点云P、Q(P、Q∈R³)，以点云P为模板，点云Q为样本。

首先，对点云Q进行初步平移，初步平移的向量为：其中， N为同名点的数量。则经过初步平移后的点云Q中的各个点的向量变为q′_i＝q_i+t₁。计算点云P和点云Q的协方差矩阵：

$W=\frac{1}{N}\mathrm{\Σ}(p_i-\stackrel{\‾}{p})\·{(q_i^{\′}-{\stackrel{\‾}{q}}^{\′})}^T=\frac{1}{N}\mathrm{\Σ}(p_i-\stackrel{\‾}{p})\·{(q_i-\stackrel{\‾}{q})}^T$

其中， ${\stackrel{\‾}{q}}^{\′}=\stackrel{\‾}{q}+t_1.$

然后根据协方差矩阵计算旋转矩阵R。而进一步的平移向量为：则点云P和点云Q之间的变换关系为：Q'＝R(Q+t₁)+t₂＝R·Q+R·t₁+t₂。由此得出变换矩阵：

$M=\left[\begin{array}{cc}R& T\\ 0& 1\end{array}\right]$

其中，T＝R·t₁+t₂。

上述预设模型可以用于待配准点云初始偏差较大的情况，也可以用于待配准点云初始偏差较小的情况。

S200，将多个同名点作为索引点，采用点云配准算法对经过全局配准的待配准点云进行局部配准。

其中，步骤S100实现对待配准点云的初步配准，步骤S200在步骤S100的基础上实现对待配准点云的精确配准。

参见图4，一个实施例中，步骤S200可以包括以下步骤：

S210，根据索引点选取位于模板中的点，并记为点集S1。

其中，待配准点云的个数为两个，分别为第一待配准点云和第二待配准点云。将第一待配准点云作为模板，第二待配准点云作为样本。可以将初始同名点中位于第一待配准点云中的点记为点集S1。

S220，根据索引点，选取样本中位于索引点位置预设半径范围内的点，记为点集S2，并对点集S2建立KD树。

其中，可以搜索初始同名点中位于第二待配准点云中且在预设距离范围内的点，将搜索到的点作为点集S2。然后对点集S2建立KD(k-dimensional)树。

S230，基于点集S1，选取点集S2中距点集S1欧氏距离最近的点作为对应点。

点集S1中可以包括多个点。对于点集S1中的一个点，基于KD树从点集S2中选取到该点欧氏距离最近的点作为该点的对应点。对于点集S1中的每一个点，均选取出对应点。

S240，根据对应点，基于预设模型计算临时变换矩阵M1，进行局部配准；若配准误差收敛或达到最大迭代次数，则采用累积变换矩阵M对待配准点云进行变换；否则，基于临时变换矩阵M1更新累积变换矩阵M。

其中，可以通过M＝M1*M更新累积变换矩阵M。本实施例中，累积变换矩阵M的初始值为单位矩阵。通常情况下，变换矩阵M1的初始值可以为四阶单位矩阵。

S250，根据临时变换矩阵M1对点集S2进行变换，生成新的点集S2，并返回对点集S2建立KD树步骤。

可以理解的，当对应点达到一定的数量且分布较为分散时，进一步增加对应点的数量并不会显著提高配准精度。而为了提高配准速度，可以只采用一部分对应点参与配准。另一方面当把点云作为刚体、把点云配准作为线性变换时，对应点位置的变化并不会显著地影响点云配准精度。基于此，直接采用由SIFT算法及人机交互操作选取的同名点位置为局部配准中对应点的选取提供索引。将同名点对中模板中的关键点作为已知点，将样本中一定距离范围内的点作为待搜索点集。在配准过程中，仅更新待搜索点集内点的坐标。这样一方面利用了已知的同名点位置，避免了配准过程中对非重叠区域的无效搜索，另一方面实现了对点云的降采样，有利于加快最近点搜索速度，提高配准效率，同时，在多期点云配准中，由于两期数据并不一致，采用增加最近点索引的方式有利于提高点云配准精度。

上述点云配准方法，通过SIFT算法从待配准点云中选取多个同名点，并利用多个同名点按照预设模型对待配准点云进行全局配准；然后将多个同名点作为索引，采用点云配准算法对经过全局配准的待配准点云进行局部配准，能够显著地提高全局配准的精度和效率。而且对配准的模型进行了改进，以使得模型能够用于待配准点云偏差较大的情况。

基于同一发明构思，本发明还提出一种点云配准***，该***可以通过上述点云配准方法实施，故重复之处不再赘述。参见图5，一个实施例中，点云配准***可以包括全局配准模块100和局部配准模块200。

全局配准模块100用于通过SIFT算法从待配准点云中选取出多个同名点，并利用多个同名点按照预设模型对待配准点云进行全局配准。局部配准模块200用于将多个同名点作为索引，采用点云配准算法对经过全局配准的待配准点云进行局部配准。

参见图6，一个实施例中，全局配准模块100包括栅格化单元110、特征检测单元120、特征匹配单元130、同名点选取单元140和全局配准单元150。

栅格化单元110用于对待配准点云进行栅格化，转化为数字表面模型。具体的，可以按照一定的格网间距，对待配准点云进行栅格化。栅格化后的待配准点云转化为DSM。其中，格网间距可以根据实际需要进行设置。对精度要求较高的情况，格网间距可以设置的较小一些；对精度要求较低的情况，格网间距可以设置的较大一些。

特征检测单元120用于利用SIFT算法对数字表面模型进行特征检测，生成特征描述子。特征匹配单元130用于对两组特征描述子进行特征匹配，生成初始同名点对。同名点选取单元140用于从初始同名点对中选取同名点。全局配准单元150用于利用同名点，按照预设模型对待配准点云进行全局配准。

一个实施例中，同名点选取单元140可以利用同名点之间的实际三维距离约束条件对初始同名点对进行筛选，并从筛选出的初始同名点对中，采用交互式的方式选取同名点。可以理解的，通过特征匹配单元130生成的初始同名点对的数量可能比较多，因此直接从特征匹配单元130生成的初始同名点对中选取同名点，需要花费的时间会较长，效率不高，也会一定程度上影响全局配准的精度。因此，可以先通过同名点之间的实际三维距离约束条件，对初始同名点进行筛选。从满足同名点之间的实际三维距离约束条件的初始同名点对中选取同名点。

进一步的，全局配准单元150用到的预设模型为：

对待配准点云中的样本点云进行初步平移，使得两个待配准点云的同名点的重心重合；对经过初步平移后的待配准点云，求解旋转矩阵和平移向量。

具体的，假设对于给定的两个点云P、Q(P、Q∈R³)，以点云P为模板，点云Q为样本。

首先，对点云Q进行初步平移，初步平移的向量为：其中， N为同名点的数量。则经过初步平移后的点云Q中的各个点的向量变为q′_i＝q_i+t₁。计算点云P和点云Q的协方差矩阵：

$W=\frac{1}{N}\mathrm{\Σ}(p_i-\stackrel{\‾}{p})\·{(q_i^{\′}-{\stackrel{\‾}{q}}^{\′})}^T=\frac{1}{N}\mathrm{\Σ}(p_i-\stackrel{\‾}{p})\·{(q_i-\stackrel{\‾}{q})}^T$

其中， ${\stackrel{\‾}{q}}^{\′}=\stackrel{\‾}{q}+t_1.$

然后根据协方差矩阵计算旋转矩阵R。而进一步的平移向量为：则点云P和点云Q之间的变换关系为：Q'＝R(Q+t₁)+t₂＝R·Q+R·t₁+t₂。由此得出变换矩阵：

$M=\left[\begin{array}{cc}R& T\\ 0& 1\end{array}\right]$

其中，T＝R·t₁+t₂。

上述预设模型可以用于待配准点云初始偏差较大的情况，也可以用于待配准点云初始偏差较小的情况。

进一步的，点云配准算法可以为ICP算法。待配准点云的个数为两个，将其中一个待配准点云作为模板，另一个待配准点云作为样本。参见图7，一个实施例中，局部配准模块200可以包括模板点选取单元210、样本点选取单元220、对应点搜索单元230、匹配执行单元240和样本点更新单元250。

模板点选取单元210用于根据索引点选取位于模板中的点，记为点集S1。

样本点选取单元220用于根据索引点，选取样本中位于索引点位置附近一定半径范围内的点，记为点集S2，并对点集S2建立KD树。

对应点搜索单元230用于基于点集S1，选取点集S2中距点集S1欧式距离最近的点作为对应点。

匹配执行单元240用于根据对应点，基于本专利中提出的点云配准模型计算变换矩阵M1，如果配准误差收敛或达到最大迭代次数，则利用累积变换矩阵M执行对配准点云的变换；否则，基于临时变换矩阵M1调用样本点更新单元250，并更新累积变换矩阵M＝M1*M，M初值为单位矩阵。

样本点更新单元250用于根据匹配执行单元240新得到的临时变换矩阵M1，更新点集S2，并对点集S2建立KD树，作为对应点搜索单元230的输入。

以下采用试验数据对点云配准***进行进一步说明。试验数据是由航天无人机***采集的不同时相倾斜影像数据。图8至图10为经三维重建软件进行点云密集匹配所导出的点云，数据区位于中国南方某城市。数据范围大小分别约为600×600m²和540×540m²，数据量分别约为480M和395M，重叠区面积约为450×500m²，点云平均点间距约为0.2m，两期点云水平误差约为25m，垂直误差约为12m。

图8为两点云叠加显示的整体效果及局部放大效果。图9展示了由SIFT算法提取后，采用交互式方式获取的匹配点。图中共有36个同名点对，DSM的栅格间距为0.5m。图10为采用本文提出的预设模型进行全局配准后的结果。图11为进一步利用本文所提出的局部配准方法进行配准后最终结果的几处剖面图。由图8至图11可知，上述点云配准***的配准精度较高。

上述点云配准***，通过SIFT算法从待配准点云中选取多个同名点，并利用多个同名点按照预设模型对待配准点云进行全局配准；然后将多个同名点作为索引，采用点云配准算法对经过全局配准的待配准点云进行局部配准，能够显著地提高全局配准的精度和效率。而且对配准的模型进行了改进，以使得模型能够用于待配准点云偏差较大的情况。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种点云配准方法，其特征在于，包括以下步骤：

通过SIFT算法从待配准点云中选取多个同名点，并利用多个所述同名点按照预设模型对所述待配准点云进行全局配准；

将多个所述同名点作为索引点，采用点云配准算法对经过所述全局配准的所述待配准点云进行局部配准。

2.根据权利要求1所述的点云配准方法，其特征在于，所述通过SIFT算法从所述待配准点云中选取多个同名点，并利用多个所述同名点按照预设模型对所述待配准点云进行全局配准步骤包括：

对所述待配准点云进行栅格化，转化为数字表面模型；

利用SIFT算法对所述数字表面模型进行特征检测，生成特征描述子；

对两组所述特征描述子进行特征匹配，生成初始同名点对；

从所述初始同名点对中选取同名点；

利用所述同名点，按照预设模型对所述待配准点云进行全局配准。

3.根据权利要求2所述的点云配准方法，其特征在于，所述从所述初始同名点对中选取同名点步骤包括：

利用同名点之间的实际三维距离约束条件对所述初始同名点对进行筛选；

从筛选出的所述初始同名点对中，采用交互式的方式选取同名点。

4.根据权利要求1至3任意一项所述的点云配准方法，其特征在于，所述预设模型为：

对所述待配准中的样本点云进行初步平移，使得两个所述待配准点云的同名点的重心重合；

对经过所述初步平移后的所述待配准点云，求解旋转矩阵和进一步平移的平移向量。

5.根据权利要求4所述的点云配准方法，其特征在于，所述待配准点云的个数为两个，将其中一个所述待配准点云作为模板，另一个所述待配准点云作为样本；所述点云配准算法为ICP算法；

所述将多个所述同名点作为索引点，采用点云配准算法进行局部配准步骤包括：

根据所述索引点选取位于所述模板中的点，并记为点集S1；

根据索引点，选取所述样本中位于所述索引点位置预设半径范围内的点，记为点集S2，并对所述点集S2建立KD树；

基于所述点集S1，选取所述点集S2中距所述点集S1欧氏距离最近的点作为对应点；

根据所述对应点，基于所述预设模型计算临时变换矩阵M1，若配准误差收敛或达到最大迭代次数，则采用累积变换矩阵M对待配准点云进行变换；否则，基于所述临时变换矩阵M1更新所述累积变换矩阵M；其中，通过M＝M1*M更新所述累积变换矩阵M，且所述累积变换矩阵M的初始值为单位矩阵；

根据所述临时变换矩阵M1对所述点集S2进行变换，生成新的点集S2，并返回所述对所述点集S2建立KD树步骤。

6.一种点云配准***，其特征在于，包括全局配准模块和局部配准模块；

所述全局配准模块用于通过SIFT算法从待配准点云中选取出多个同名点，并利用多个所述同名点按照预设模型对所述待配准点云进行全局配准；

所述局部配准模块用于将多个所述同名点作为索引点，采用点云配准算法对经过所述全局配准的所述待配准点云进行局部配准。

7.根据权利要求6所述的点云配准***，其特征在于，所述全局配准模块包括栅格化单元、特征检测单元、特征匹配单元、同名点选取单元和全局配准单元；

所述栅格化单元用于对所述待配准点云进行栅格化，转化为数字表面模型；

所述特征检测单元用于利用SIFT算法对所述数字表面模型进行特征检测，生成特征描述子；

所述特征匹配单元用于对两组所述特征描述子进行特征匹配，生成初始同名点对；

所述同名点选取单元用于从所述初始同名点对中选取同名点；

所述全局配准单元用于利用所述同名点，按照预设模型对所述待配准点云进行全局配准。

8.根据权利要求7所述的点云配准***，其特征在于，所述同名点选取单元利用同名点之间的实际三维距离约束条件对所述初始同名点对进行筛选，并从筛选出的所述初始同名点对中，采用交互式的方式选取同名点。

9.根据权利要求6至8任意一项所述的点云配准***，其特征在于，所述预设模型为：

对所述待配准中的样本点云进行初步平移，使得两个所述待配准点云的同名点的重心重合；

对经过所述初步平移后的所述待配准点云，求解旋转矩阵和进一步平移的平移向量。

10.根据权利要求9所述的点云配准***，其特征在于，所述待配准点云的个数为两个，将其中一个所述待配准点云作为模板，另一个所述待配准点云作为样本；所述点云配准算法为ICP算法；

所述局部配准模块包括模板点选取单元、样本点选取单元、对应点搜索单元、匹配执行单元和样本点更新单元；

所述模板点选取单元用于根据所述索引点选取位于所述模板中的点，并记为点集S1；

所述样本点选取单元用于根据索引点，选取所述样本中位于所述索引点位置预设半径范围内的点，记为点集S2，并对所述点集S2建立KD树；

所述对应点搜索单元用于基于所述点集S1，选取所述点集S2中距所述点集S1欧氏距离最近的点作为对应点；

所述匹配执行单元用于根据所述对应点，基于所述预设模型计算临时变换矩阵M1，若配准误差收敛或达到最大迭代次数，则采用累积变换矩阵M对待配准点云进行变换；否则，基于所述临时变换矩阵M1调用所述样本点更新单元，并更新所述累积变换矩阵M；其中，通过M＝M1*M更新所述累积变换矩阵M，且所述累积变换矩阵M的初始值为单位矩阵；

所述样本更新单元用于根据所述匹配执行单元得出的所述临时变换矩阵M1更新所述点集S2，并对所述点集S2建立KD树，作为所述对应点搜索单元的输入。