随着老龄化社会问题的加剧,家庭服务机器迎来了更广阔的应用前景。复杂环境下对常见物体的抓取是服务机器人不可或缺的功能,物体识别定位技术是服务机器人完成抓取任务的先决条件,物体完整三维模型是位姿计算过程重要的先验知识。本课题旨在设计一种方便用户操作的物体重构方法和复杂环境下物体识别定位的方案,从视觉系统搭建,数据预处理流程、物体模型重构技术、复杂场景下物体识别定位技术等方面展开研究。首先,采用点云数据作为环境感知的载体,搭建了Kinect点云数据采集及处理系统。根据相机成像过程,构建了测量坐标系与摄像机线性及非线性模型,采用张正友标定法求解相机内外参数矩阵并计算彩色相机与深度相机位置变换关系,最终完成了点云实时采集系统的搭建。其次,针对从环境中精准分离目标物体的应用要求,研究点云预处理算法。根据Kinect拍摄过程中产生的噪声类型,提出多重滤波算法,利用统计分析法去除点云边缘噪声,采用主成分分析法提取点云表面法线及曲率,利用改进的双边滤波算法平滑点云表面小噪声。再通过随机采样一致性算法去除支撑平面点云,并采用平滑度欧氏距离聚类法进行点云聚类,从而达到目标与环境分离的目的。再次,对三维重构技术进行研究。对传统RANSAC预拼接算法提出改进,采用3DSIFT算法检测关键点,并利用局部FPFH特征进行匹配,避免预匹配过程中的重复计算,增强拼接算法鲁棒性。采用基于邻域特征的ICP算法完成点云的精准拼接,通过曲率分析方法减少传统算法错配概率,防止了匹配陷入局部最小值或得到错误结果。通过实验验证了本文算法相较于传统算法具有更高的精度、可靠性及运算效率。最终通过两两配准的方式对多视角点云片段进行拼接,还原被测物体完整的几何外形。最后,对物体识别定位算法进行研究。针对KNN算法时间复杂度较高、无关维度影响识别精度等问题,采用聚类划分及计算各维度权值的方法减少运算量并增加识别精度。根据局部特征及全局特征的不同优势,提出了全局特征及局部特征相融合的识别定位算法。在离线阶段,构建物体坐标系,并提取模型多视角CVFH全局特征和SHOT局部特征。在线阶段,利用全局特征识别点云片段种类,并仅提取有效点云片段的局部特征,减少无效特征计算。通过将带坐标系的物体模型和有效点云片段进行局部特征匹配,获得点云片段和模型之间的六自由度位姿变换矩阵,完成物体的识别定位过程。