点集配准是计算机视觉和模式识别领域的一个基础而关键的问题,主要在于如何寻找给定两组或多组点集的对应关系。当前其在医学图像分析、遥感图像处理和人脸识别等领域广泛应用,故对点集配准进行研究具有重要的理论和实际意义。通过对国内外的点集配准技术进行大量调研和分析,总结当前不同的非刚性点集配准方法的优缺点;进而,本文以非刚性点集配准为研究对象,提出一种考虑局部几何结构约束的非刚性点集配准方法;然后,为了解决智能车多传感器系统中航迹关联时存在的检测不准确或传感器偏差问题,本文建立一种基于点集配准思想的航迹关联方法,实现点集配准在智能车中的应用。本文的主要研究内容如下:1.较为详细的总结当前主流的非刚性点集配准方法。本文针对现有的非刚性点集配准算法,进行了较为详细的总结,指出现有方法存在的不足之处,并且通过大量仿真实验验证现有算法的性能,从而得出基于一致点漂移的保持全局和局部结构的非刚性点集配准方法在准确性和计算复杂度两方面综合优于其他同类算法。2.提出一种考虑局部几何结构约束的非刚性点集配准方法。本文通过构建混合高斯模型,将点集配准问题转化为最大似然估计问题,进而引入两种局部特征结构以保持同一点集在变换前后的局部结构不变,然后采用最大期望算法进行未知参数估计,从而构建一种考虑局部几何结构约束的非刚性点集配准方法,最后在不同数据集上验证了所提算法的有效性。3.建立一种面向智能车的基于点集配准思想的航迹关联方法。针对因智能车的多车载传感器自身偏差或目标检测方法不准确等因素造成航迹关联不精确的问题,本文将点集配准思想用于航迹关联,将两个传感器估计的目标航迹看成两组点集,基于两个传感器估计的公共航迹信息,构建混合高斯模型,将具有传感器偏差的航迹关联问题转化为点集配准问题,并采用最大期望算法求解,最后通过仿真和真车实验验证所提算法的有效性。总体来说,本文提出的非刚性点集配准方法在准确性上优于现有主流的方法,且具有较好的鲁棒性。并且将所提算法用于智能车多传感器航迹关联中,从而提高了航迹关联的准确度,为智能车环境感知提供一定的理论和实验参考。