如，作为示例而非限定，突出方向可以包括表面法线、消失点、对称性、重力或可从扫描界的点数据得到的其他主导方向。突出方向因此可以用于选择与可以具有相似视角的扫描界相关联的视点。在一些实施方式中，可以基于突出方向和/或默认视点来选择视点。
[0026]可以根据任何合适的方法或过程来基于点数据确定突出方向。例如，在一些实施方式中，激光扫描仪102a和102b可以包括可检测重力方向的倾斜传感器，所述重力方向可以由第一扫描界的第二扫描界中的点数据来指示。因此，可以从第一扫描界和第二扫描界的点数据中导出包括重力方向及其相反方向的突出方向(例如，指向下和指向上的突出方向
[0027]作为另一示例，可以基于共同表面法线中的分布峰值来确定突出方向，所述分布峰值可以包含在点数据中并且可以指示与扫描界相关联的场景的主导特征。例如，图1中的建筑物106可以包括具有图1中以从建筑物106延伸的箭头描绘的表面法线的主导面。第一扫描界的第一点云中的点数据和/或第二扫描界的第二点云中的点数据因此可以指示在以从建筑物106延伸的箭头描绘的箭头方向中的高分布表面法线。因此可以选择如图1所示的、与建筑物106的表面法线平行并且相对的突出方向(“dsa1”)。在突出方向(“dsal”)的方向中从第一位置104a获取的第一视点可以与在突出方向(“dsal”)的方向中从第二位置104b获取的第二视点相类似，原因是第一视点和第二视点均可以来自在突出方向(“dsal”)中在场景100观看的相似视角。
[0028]在块204，可以基于包含在扫描界中的点云和图像来生成针对在块202生成的每个视点的经矫正的图像。经矫正的图像均可以包括表示在与关联的经矫正图像相关联的视点处的场景整体外观的图像部分。另外，可以将点数据和其关联的点映射到经矫正的图像，使得3D几何信息也可以包含于经矫正的图像。
[0029]可以经由与其各视点相关联的特定视角来生成经矫正的图像，使得经矫正的图像可以是来自其各视点的视角、表示与其关联扫描界相关联的场景的透视图或正交视图的图像。例如，在一些实施方式中，可以从垂直于与视点相关联的各突出方向的正交图像平面的视角中生成经矫正的图像。
[0030]作为示例，可以基于突出方向“dsal”和可以垂直于突出方向“dsal”的正交图像平面108、从针对图1所描述的第一扫描界中生成被正交投影的第一经矫正图像。第一经矫正图像可以基于突出方向“dsal”和正交图像平面108来被生成，使得第一经矫正图像基本上沿正交图像平面108、从面对沿突出方向“dsal”的场景100且以第一位置104a为中心的视角来描绘场景100。
[0031]类似地，作为另一示例，还可以基于突出方向“dsal”和正交图像平面108、从针对图1所描述的第二扫描界中生成相对于正交图像平面108正交投影的第二经矫正图像。第二经矫正图像可以基于突出方向“dsal”和正交图像平面108来被生成，使得第二经矫正图像基本上沿正交图像平面108、从面对沿突出方向“dsal”的场景100且以第二位置104为中心的视角来描绘场景100。
[0032]作为透视图的另一示例，与特定扫描界相关联的场景可以包括大型圆柱形容纳罐，例如在化学处理工厂中发现的那些。这些缓慢弯曲的圆筒可以被认为是具有可以与一个或更多个突出方向相关联的主导表面法线的缓慢弯曲的壁。因此可以以可将经矫正图像投影到正交图像平面作为正交图像的类似方式，将与特定扫描界相关联的经矫正图像沿一个或更多个罐的表面投影为透视图。
[0033]在一些实施方式中，可以基于包含在扫描界中的多个图像和关联点数据来生成一个或更多个经矫正图像，以生成所需视点，这是因为与扫描界相关联的激光扫描仪定位可能未被定位成从用于经矫正图像的所需视点中捕获图像和点数据。因此，在一些实例中，经矫正图像一一特别是采用正交投影的那些一一可能在与用于经矫正图像的所需视点相关联的信息中包括间隙。在这些和其他实例中，可以执行填充和/或图像修补以帮助填充遗失的信息和数据。可以使用的填充和/或图像修补方法的示例是通常能够在开源软件中获得的 Navier-Stokes 方法或 Alexandru Teleau 方法。
[0034]在块206，可以从在块204生成的经矫正图像中提取图像特征。所提取的图像特征可以包括可包含在经矫正图像中的关键或主导特征。另外，被配置成提取图像特征的一些算法可以寻找特别放置的特征，例如目标和标签，使得所提取图像特征可以属于相对窄的对象类别。在一些实施方式中，图像特征可以利用任何合适的程序或算法来提取，例如尺度不变特征变换(SIFT)算法、加速稳健特征(SURF)算法、加速分割检测特征(FAST)算法、二元稳健独立基本特特征(BRIEF，Binary Robust Independent Elementary Features)算法、定向 FAST 和旋转 BRIEF (ORB，Oriented FAST and Rotated BRIEF)算法、最大稳定极值区域算法(MSER，Maximally Stable Extremal Reg1ns algorithm)、哈里斯角点(HarrisCorners)算法或者任何其他合适的特征检测算法。
[0035]在一些实施方式中，如下面针对图3进一步描述的，可以向所提取图像特征施加描述符检测算法以促进确定来自不同扫描界的经矫正图像的图像特征是否彼此相对应。例如，在一些实例中，可以利用描述符检测算法来确定一个或更多个经提取图像特征的物理大小。作为另一个例子，在一些实施方式中，点数据可以包括关于所提取图像特征的定向的信息。因此，所提取图像特征的定向可以被提取作为描述符。如下面针对图3进一步详细说明的，在一些实施方式中，描述符可以用于在不同扫描界的图像特征之间进行区分，因为图像特征的特性例如大小和/或定向可能是已知的。在一些实例中，并非所有的所提取图像特征都具有确定的描述符。另外，在一些实例中，用于提取图像特征的算法可能不支持描述符标识和确定。此外，如上面所指出的，所提取的图像特征可以包括特别放置的特征，使得可以不使用特征描述符，这是因为所提取图像特征可能已经属于相对窄的对象类。
[0036]所提取图像特征中的一个或更多个可以包含在所提取图像特征的集合中。在一些实施方式中，所有的所提取图像特征可以包含在所提取图像特征的集合中。在其他实施方式中，仅具有确定的描述符的图像特征可以包含在所提取图像特征的集合中以减小所提取图像特征的集合的大小。
[0037]在块208，可以确定来自与所提取图像特征的集合相关联的点云的点数据。点数据可以对应于场景中与所提取图像特征相同的位置并且可以给出关于所提取图像特征的附加信息，例如所提取图像特征的3D几何。在一些示例中，所提取图像特征可以不具有关联的点数据，并且可以丢弃或忽略不具有关联点数据的所提取图像特征。在块210，可以生成点特征的集合。点特征的集合可以包括所提取图像特征和关联点数据。另外，当已经针对所提取图像特征确定了描述符时，点特征可以包括关联的描述符。
[0038]因此，方法200可以用于针对扫描界生成点特征的集合，其中点特征的集合包括扫描界的图像特征和关联点。方法200可以被施加于多个扫描界一一例如与图1相关联的第一扫描界和第二扫描界一一使得可以针对每个扫描界生成点特征的集合。如下面针对图3详细描述的，可以比较来自不同扫描界的点特征的集合以确定扫描界之间的配准。
[0039]图3示出了根据本文所描述的至少一个实施方式的、用于确定扫描界之间的配准的示例性方法300的流程图。为了帮助说明方法300，参考上述包括第一扫描界和第二扫描界的图1中的元素。然而，所描述的原理可以适用于从任何适用场景中导出的任何适用的扫描界。
[0040]方法300可以开始，并且在块302，可以接收与第一扫描界(例如与图1相关联的第一扫描界)相关联的第一点特征集合。在块304，可以接收与第二扫描界(例如与图1相关联的第二扫描界)相关联的第二点特征集合。第二扫描界可以关联于与第一扫描界相同的场景，但是可以是在与第一扫描界不同的位置处获取的。在一些实施方式中，可以使用上述方法200来生成第一点特征集合和/或第二点特征集合。
[0041]在块306，可以