买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉白城师范学院申请的专利基于自适应分割模型的车载激光雷达点云配准方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118429398B 。

龙图腾网通过国家知识产权局官网在2025-08-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310906057.7，技术领域涉及：G06T7/33；该发明授权基于自适应分割模型的车载激光雷达点云配准方法及系统是由李雪梅;柳斌;王思鸥;吕尚松;李敏;刘成杰设计研发完成，并于2023-07-24向国家知识产权局提交的专利申请。

本基于自适应分割模型的车载激光雷达点云配准方法及系统在说明书摘要公布了：本发明公开了基于自适应分割模型的车载激光雷达点云配准方法及系统，所述方法包括以下步骤：首先，使用改进的体素滤波和直通滤波器精简点云。然后，采用ISS算法分析点云特征并提取关键点。接着，在关键点约束条件下用4PCS算法计算初始位姿完成粗配准。最后，利用KD‑tree获取关键点密度特征以构建自适应分割模型，结合NDT算法实现点云的快速精配准。本发明既能够有效地解决自动驾驶车载MEMS激光雷达点云配准速度慢、稳定性低等的问题，又对外界干扰具有较强鲁棒性。

本发明授权基于自适应分割模型的车载激光雷达点云配准方法及系统在权利要求书中公布了：1.基于自适应分割模型的车载激光雷达点云配准方法，其特征在于，包括以下步骤： S1：使用改进的体素滤波和直通滤波器精简点云，其中，所述点云为激光雷达采集的点云数据； S2：采用ISS算法分析精简后的点云的特征并提取关键点； S3：在所述关键点约束条件下，用4PCS算法计算初始位姿获得粗配准点云； S4：利用KD-tree获取关键点密度特征，构建自适应分割模型，基于所述自适应分割模型，结合NDT算法实现粗配准点云的精配准； 所述S4中，利用KD-tree获取关键点密度特征，构建自适应分割模型的方法包括： S41：计算点云Pkey中任一点pi与其他点之间欧氏距离L，构成集合PL={L1,…,Ln-1}； S42：将所述集合PL中的元素降序排列； S43：基于降序排列后的所述集合PL，根据公式（9）计算点云Pkey中任一点pi的最小距离值li， 式中q是Pkey中不与pi重合的任一点； S44：重复所述S41、所述S42和所述S43直至得出每个点对应的最小距离值； S45：基于每个点对应的最小距离值，建立KD-Tree进行搜索，根据公式（10）计算点云P的密度 S46：根据密度调节区块大小的参数密度倍数，构建自适应分割模型； 结合NDT算法实现粗配准点云的精配准的方法包括：用NDT算法对Pcoarse和Qcoarse进行粗配准，输出点云Pfine={pi},i=1,2,…nfine和Qfine={qi},i=1,2,…mfine，nfinee和mfine分别为精配准后Pfine和Qfine的点云数量； 其中，S4的具体过程包括： （5-1）：将点云Pcoarse所占空间根据S4构建的自适应分割模型，分割成各区块,并把Qcoarse投入对应的区块中； （5-2）：根据公式（11）计算区块的概率密度函数的均值向量和协方差矩阵 式中m为单个区块内点云数量；为网格内目标点云的扫描点；T为变换矩阵； （5-3）：初始化或更新变换参数，并重新查找对应区块； （5-4）：根据公式（12）计算区块的概率分布函数； 式中：D为向量维数，取值为3；为一个原点云扫描点； （5-5）：根据公式（13）将自适应分割模型嵌入目标函数，并最小化； （13） 式中：Vmax是点云Pfine最大包围盒的体积；是在模型量下被分割的点云区块{r1,…,rm}，rm为区块内的点； （5-6）：用牛顿法求解最优变换，计算并更新Jacobian矩阵、Hessian矩阵和牛顿步长； （5-7）：最后，更新牛顿步长并判断更新量是否收敛或达到迭代次数，是则跳出，否则重复S4。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人白城师范学院，其通讯地址为：137000 吉林省白城市中兴西大路57号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。