摘要

本文提出了一种基于二阶空间兼容性（SC²）度量的点云配准（PCR）方法，称为SC²-PCR，以实现高效且鲁棒的点云配准。首先，我们提出了一种二阶空间兼容性（SC²）度量，用于计算对应关系之间的相似性。该度量关注全局兼容性而非局部一致性，能够在早期阶段更显著地区分内点与外点，从而实现更具区分性的聚类效果。基于该度量，我们的配准流程采用一种全局谱方法，从初始对应关系中提取若干可靠的种子点。随后，设计了一种两阶段策略，基于SC²度量矩阵将每个种子点扩展为一个一致集（consensus set）。最后，将每个一致集输入加权奇异值分解（SVD）算法，生成候选刚性变换，并从中选择最优模型作为最终结果。所提方法能够在较少采样次数下保证找到一定数量的无外点一致集，显著提升了模型估计的效率与鲁棒性。此外，所提出的SC²度量具有通用性，可轻松集成至基于深度学习的配准框架中。通过大量实验，全面验证了该方法的性能表现。