出了一种面向自由视角点云的无约束拼接“两步法”算法。该方法不需要在物体表面粘贴任何辅助标志，对于自由视角扫描的需要拼接的多片点云数据，使用N边形法预拼接，获取的转换参数为后续精拼提供较好初值，然后，使用改进的ICP算法保证全局拼接收敛的准确性，最后通过实例验证了本算法对自由视角扫描点云，无明显特征信息特殊情况的使用可靠性和拼接精确性。
2算法描述
本文提出了一种高效，高质量的拼接算法，算法实现大致需要两步。首先对采样点云进行N边形法预拼接，将两片点云位姿大致重合在一起，实现拼接的粗拼，然后对预拼接的模型使用改进的ICP融合算法ICPPiterativeclosestpla
ea
dpoi
talgorithm保证全局收敛，减少迭代次数，实现准确的精拼，使两片点云完全重合在一起，最后，将获取的两次拼接转换参数用于整体数据，实现数据高精度的无缝拼接。21配准点云采样22改进的主元分析法提取特征向量
1相关算法研究与分析
目前的拼接技术大致可分为基于机械转轴的拼接，基于标志点粘贴识别的拼接及基于最近点迭代收敛算法的拼接三大类，这三类方法各有自身的优点和适用条件。
f基于主元分析的点云数据预处理（PCA预处理）主元分析的思想来源于Karhu
e
Loeve变换，
目的是通过线性变换找一组最优的单位正交向量基（即主元），用它们的线性组合来重建原样本，并使重建后的样本和原样本的误差最小。主元分析是基于训练样本集的二阶统计信息，实际上是在二阶统计意义下的去相关。
第三步：计算目标点集Pt1和参考点集Pt2的协方差矩阵Cpt1Cpt2。
CPt1
1Ni
∑Pt1
i1Nj
Ni
i
Wpt1Pt1iWpt1T
CPt2
PCA（pri
cipalcompo
e
tsa
alysis）是基于欧式距离度量的无监督学习方法，作为最常用的数据降维方法之一，PCA广泛用于模式识别【1，2】，是面部识别，图像理解领域内的一个很有用的统计学技术，它也是用于以低维数据表示高维数据特征的一个常用技术。它是鉴别数据中特征的方法，并且用这种方法去突出这些数据中的相似性和不同。因此对于一些高维，从直观的方式不太容易分辨的数据，PCA是一个分析这些数据强有力的工具。通过PCA计算，可找出点云模型大概的主轴分布。PCA整个计算过程：设
维输入向量x的相关系统矩阵用R来表示，即
1Nj
∑Pt1
j1
j
Wpt2Pt1jWpt2T
第四步：计算两片点集协方差矩阵的特征值和特征向量
EvuCEvrC
把特征值按降序排列Evui≥Evui1。由于本系统是对三维点集处理，因此选择对应前3个非r