在工件三維掃描重建過程中，由于相機(jī)視場有限或存在遮擋，不可能一次重建出 完整的工件模型，因此需要將不同角度測量的結(jié)果拼接起來得到完整的點(diǎn)云模型。將 多個(gè)角度采集到的模型數(shù)據(jù)通過拼接算法生成完整模型的過程稱為多角度點(diǎn)云拼接。 目前，點(diǎn)云拼接包括粗拼接和精拼接兩個(gè)步驟。常用的粗拼接方法有靶標(biāo)輔助 拼接，運(yùn)動(dòng)裝置輔助拼接，基于特征的拼接和利用點(diǎn)云特征的拼接。粗拼接的精度一般 較低，拼接后的模型在交疊部分會(huì)有局部分層，影響模型表面質(zhì)量，因此還需要對模型 進(jìn)行進(jìn)一步的匹配使不同角度的點(diǎn)云更好的融合在一起。最近點(diǎn)迭代算法（Iterative Closest Point，簡稱 ICP）是目前常用的精拼接方法。以下具體介紹。 

1）靶標(biāo)輔助拼接 

所謂靶標(biāo)輔助拼接，即使 3D 相機(jī)與三維或二維靶標(biāo)位置相對固定，兩者同時(shí)運(yùn) 動(dòng)，通過跟蹤靶標(biāo)位置求解相機(jī)在不同位置測量時(shí)的位姿變換矩陣。孫軍華提出了 一種基于移動(dòng)平面靶標(biāo)的模型拼接方法，該方法對靶標(biāo)位置沒有特定要求，無需借助 運(yùn)動(dòng)平臺(tái)置，操作簡單且精度較高；在此基礎(chǔ)上，韓建棟[37]提出一種基于光學(xué)定位跟 蹤的模型拼接算法，光學(xué)掃描儀對目標(biāo)物進(jìn)行多次掃描，利用光學(xué)定位跟蹤裝置對掃 描儀進(jìn)行定位跟蹤，從而完成數(shù)據(jù)的轉(zhuǎn)換，完成模型拼接。該方法使得拼接過程更加簡 單，但降低了精度；張廣軍[38]則提出了以經(jīng)緯儀為全局坐標(biāo)系，通過靶標(biāo)求解相機(jī)坐 標(biāo)系到全局坐標(biāo)系的位姿關(guān)系，從而完成多角度模型拼接。

 2）運(yùn)動(dòng)裝置輔助拼接 

固定傳感器位置并將物體放在精密運(yùn)動(dòng)裝置上，傳感器從不同角度獲得物體的三 維點(diǎn)云數(shù)據(jù)，根據(jù)運(yùn)動(dòng)裝置可直接得到各視角下的點(diǎn)云相對位置關(guān)系，最后通過剛性 變換拼接得到完整模型。龍璽等[39]提出了基于轉(zhuǎn)臺(tái)的拼接方法，此外還有機(jī)械臂、高 精度運(yùn)動(dòng)導(dǎo)軌等精密運(yùn)動(dòng)機(jī)構(gòu)輔助的三維點(diǎn)云拼接。這類方法的拼接精度主要靠運(yùn)動(dòng) 裝置的精密運(yùn)動(dòng)保證，其不需要相鄰角度之間有重合區(qū)域，適用范圍廣，但系統(tǒng)復(fù)雜， 成本高。

 3）基于特征的拼接 

該類方法主要是利用相鄰視角的重合區(qū)域的相同特征點(diǎn)來確定相鄰視角的位姿變換關(guān)系，最后將各單角度點(diǎn)云模型轉(zhuǎn)換到同一坐標(biāo)系下，從而實(shí)現(xiàn)全局拼接。L.Silva[40] 通過提取物體表面特征點(diǎn)并計(jì)算其三維坐標(biāo)，匹配特征點(diǎn)即可求解變換矩陣，該方法 耗時(shí)較長且精度不高，同時(shí)不適用于平面及回轉(zhuǎn)體等無特征物體；基于此，C.Reich提出在特征不明顯或特征相似的物體表面貼標(biāo)志點(diǎn)的方法，但標(biāo)志點(diǎn)的自動(dòng)配準(zhǔn)是個(gè) 難題；楊帆等研究了標(biāo)志點(diǎn)的匹配問題，提出利用空間不變性來解決標(biāo)志點(diǎn)的自動(dòng)匹 配問題。

4）基于點(diǎn)云特征的拼接 

顧名思義此類方法主要是根據(jù)點(diǎn)云自身的幾何特征實(shí)現(xiàn)拼接，如曲率、法線等。 Zhu 等[42]提出了一種基于曲率和法向量的自動(dòng)配準(zhǔn)算法，使所有兩兩拼接的點(diǎn)云有足 夠的曲率相似成對點(diǎn)，并計(jì)算將第一個(gè)點(diǎn)映射到第二個(gè)點(diǎn)的所有剛性變換，構(gòu)建三維 空間的哈希表，采用表中法向量重合最多的目標(biāo)變換對兩組點(diǎn)云數(shù)據(jù)進(jìn)行配準(zhǔn)。Chen 和 Bhanu提出了一種用于曲面表示和三維物體識別的局部描述子，表示了點(diǎn)云局部 表面類型、質(zhì)心和二維直方圖。Basdogan 等[44]提出一種 K 神經(jīng)網(wǎng)絡(luò)算法用于尋找點(diǎn)云 之間的對應(yīng)點(diǎn)，該方法能夠在噪聲和離群值的影響下有效實(shí)現(xiàn)重疊點(diǎn)云對齊，但非常 耗時(shí)。Jakub 和 Jan[45]提出了一種基于相位相關(guān)法（PCM）對平移和旋轉(zhuǎn)的三維圖像進(jìn) 行對齊的柱面相位相關(guān)算法 CPCM（Cylindrical Phase Correlation Method），該算法對 噪聲有很強(qiáng)的魯棒性，但 CPCM 反復(fù)尋找基于極坐標(biāo)區(qū)域特征的轉(zhuǎn)換關(guān)系，且需要已 知一對位置關(guān)系的三維圖。Faysal 等提出了一種基于高斯能量最小化的三維自動(dòng)對 齊方法，該算法定義了一個(gè)局部能量目標(biāo)函數(shù)，其在鄰域凹坑處取得最小值，但這種方 法需要進(jìn)行高斯變換且容易陷入局部最大值。此外，當(dāng)前很多學(xué)者致力于研究在不需 要任何初始位姿估計(jì)的情況下，如何實(shí)現(xiàn)重疊點(diǎn)云的自動(dòng)對齊。

 5）最近點(diǎn)迭代（ICP）拼接 一般情況下，通過上述幾種方法得到的拼接結(jié)果精度不高，可通過 ICP（Iterative Closest Point）優(yōu)化得到更準(zhǔn)確的拼接結(jié)果。Besl 和 McKay 提出的 ICP 算法利用迭代 求使得對應(yīng)點(diǎn)對間距離最小的剛性變換，由于其運(yùn)算簡單且精度高，因而得到了廣泛 使用。G.Blais 等提出點(diǎn)和投影的對應(yīng)關(guān)系，通過投影點(diǎn)集到目標(biāo)點(diǎn)云表面來實(shí)現(xiàn) 拼接，這種對應(yīng)點(diǎn)搜索的方式速度很快，但精度有所下降；S.Rusinkiewicz[51]提出點(diǎn)到 曲面的方法，其以魯棒性好、精度高的特點(diǎn)獲得了最廣泛的應(yīng)用。 根據(jù)輸入點(diǎn)的數(shù)量，點(diǎn)云拼接方法可分為兩種：成對點(diǎn)云兩兩拼接（Pair-wise Registration）和點(diǎn)云全局拼接（Global Registration）。通常情況下，相鄰點(diǎn)云兩兩拼接 即可完成 360°拼接，但這樣的串聯(lián)拼接會(huì)導(dǎo)致拼接誤差累計(jì)。點(diǎn)云的全局拼接算法針 對這一問題將累積誤差進(jìn)行控制，從而使得全局拼接的誤差最小，實(shí)現(xiàn)最優(yōu)拼接。