仪器仪表学报

作者：李欣飞，鄢然，夏磊，赵青，张凯飞

单位：李欣飞,重庆理工大学机械工程学院重庆400054,1780295190@qq.com,鄢然,重庆理工大学机械工程学院重庆400054,yanran@cqut.edu.cn,夏磊,重庆理工大学机械工程学院重庆400054,,赵青,重庆理工大学机械工程学院重庆400054,,张凯飞,重庆理工大学机械工程学院重庆400054,

关键词：KD-Tree;线激光传感器;数据融合;点云处理;三维测量

基金：国家自然科学基金（52305247）项目资助

针对多个线激光传感器协同扫描测量中大规模点云数据融合效率低、拼接误差大、处理复杂度高等问题，故提出一种基于KD-Tree加速的多个线激光传感器数据融合方法，通过动态邻域搜索策略和自适应半径调整机制，实现点云数据的高效排序与并行平滑优化。首先，构建KD-Tree空间索引结构，创新性地设计动态邻域搜索策略，实现二维轮廓数据从无序到有序的快速重组，算法时间复杂度由传统方法的O(n2logn)降至O(nlogn)；其次，结合OpenMP多线程并行计算技术改进移动最小二乘算法，提出K-MLS并行平滑方法，算法的时间复杂度从O(n2)优化至O(nlogn)，显著提升大规模点云的处理效率。在火车车轮测量系统中验证表明，当点云规模达到209万时，排序算法耗时较传统方法提升35.7倍，平滑算法耗时较传统方法提升84.5倍。最后，对比分析了该方法在提升点云质量方面的实际效果，算法可有效填补部分扫描数据的空缺，在轮辋面测量的最大偏差从±0.279mm降低至±0.085mm，三维点云配准的均方误差由0.323mm优化至0.106mm。实验数据表明，所提方法在保持亚毫米级精度的同时，显著提升了百万级点云数据的处理效率，有效解决了多传感器数据融合中的拼接误差、重叠区密度不均等问题，验证了算法在工业在线测量场景中的有效性与鲁棒性。

来源：2025年第5期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第5期