基于哈希函数与灰狼优化相结合的点云配准方法研究

让三维世界更清晰

从自动驾驶汽车到虚拟博物馆导览，许多现代技术都依赖“点云”——密集的点群，用以捕捉物体和场景的三维形状。要理解这些数据，计算机必须将从不同角度采集的多个点云对齐，就像拼接拼图一样。本文探讨了一种更快、更准确完成这种对齐的新方法，有望带来更清晰的三维重建和更可靠的物理世界数字孪生。

为何对齐三维点如此困难

点云只是空间中一组点，每个点记录了激光束或深度传感器击中表面的位置信息。当工程师从多个视角扫描一个物体或房间时，每次扫描都会生成一个点云。要构建完整模型，这些点云必须被转换到同一坐标系——通过旋转和平移使它们正确重叠。传统方法通过在扫描之间搜索匹配点并逐步调整对齐，但在处理大规模数据、噪声测量以及糟糕的初始猜测时常常力不从心，导致计算慢、匹配错误或算法陷入次优对齐。

更智能地发现关键点

作者提出了一种混合方法，同时应对速度和精度问题。首先，他们避免处理每一个点，而是使用称为 ISS 的方法挑选出最具信息量的点——锐利的角点、边缘以及其它在表面上几何上独特的区域。这些特征点承载了大部分形状信息，同时大幅减少冗余。接着，方法不再将每个特征点与所有点逐一比对（那样会非常慢），而是使用哈希函数将点按位置和表面朝向放入空间“桶”中。落入同一或相邻桶的点很可能在不同扫描之间对应，因此匹配搜索变得高效得多。

让虚拟狼群精细调整拟合

一旦通过这些匹配的特征点找到粗略对齐，方法将任务交给一种受灰狼捕猎行为启发的优化算法。在该方案中，每只“狼”代表一个关于旋转和平移的不同猜测，用以对齐点云。当前最好的若干猜测充当领导者，带领其他狼环绕最优解搜寻。在多次迭代中，狼群共同逼近能够最小化匹配点之间距离的变换。逐步收紧搜索区域模拟真实狼群靠近猎物的方式，帮助算法跳出不良局部解，同时仍能高效收敛。

在经典三维模型上验证优势

为测试其方法，研究人员使用了计算机图形学中广泛熟知的标准三维模型——如斯坦福兔、佛像、龙和犰狳。他们将该方法与三种流行的配准技术（SAC-IA、FPCS 和 NDT）以及一种较新的基于优化的方法进行了比较。在这些基准测试中，新框架的对齐误差通常降低到传统算法的三分之一到二分之一，并且计算时间也有所缩短。精心设计的消融研究显示，每个组件——特征选择、哈希、法向方向检查和灰狼优化器——都能产生显著贡献，移除任一组件都会导致速度变慢或精度明显下降。

面向真实系统的更锋利三维对齐

通俗地说，该研究展示了一种结合选择性关注（只挑最有信息的点）、巧妙索引（哈希桶）与自然启发搜索策略（灰狼优化），更干净、更快速拼接多个三维视图的方法。对于三维地图构建、机器人学、文化遗产保护和工业检测等应用，这意味着更精确的数字模型和更短的等待时间。作者认为未来工作可进一步缩短优化时间，或让机器自动学习更好的点对应关系，但他们当前的结果已标志着朝着更快、更可靠的三维视觉系统迈出了坚实一步。

引用: Zhang, C., Xu, Q., Sun, X. et al. Research on a point cloud registration method based on the combination of hash functions and the grey wolf optimizer. Sci Rep 16, 13423 (2026). https://doi.org/10.1038/s41598-026-40011-w

关键词: 点云配准, 三维重建, 基于哈希的匹配, 元启发式优化, 灰狼优化器