Я применяю алгоритм итеративной ближайшей точки (ICP) к двумерным облакам точек, которые в небольших масштабах хорошо аппроксимируются гексагональной упаковкой. При тестировании алгоритма на имитируемых данных (случайное линейное преобразование + шум) он очень хорошо работает, когда d trans ≲ 0.25 * d feature , где d trans величина примененного случайного перевода и d признак - это расстояние между объектами в облаке точек.
Однако при большем d trans алгоритм часто сходится к неверному решению - что имеет смысл, поскольку все, кроме нескольких соответствий ближайших соседей, отличаются от истинных соответствий. Существуют ли какие-либо другие хорошо зарекомендовавшие себя методы определения соответствия, которые были бы менее подвержены подобным ошибкам? Все, что я нашел до сих пор, это методы повышения скорости перед ближайшим соседом, а не производительность [1] [2]