随着计算机视觉领域的快速发展,场景的3D重建在计算机领域有着越来越广泛的应用,而3D重建的难点在于点云的配准,基于特征的配准方法是最常用的配准方法,其关键是提取点云的特征信息之后对其进行特征相似度的计算,以点云的相似度信息进行配准。针对传统的三维重建算法获取点云过程复杂、运算速度慢、匹配精度低等缺点。本文采用Kinect深度传感器作为深度信息和彩色信息的采集设备,对三维重建流程涉及的数据获取、预处理、特征点的提取和粗略匹配、点云精确匹配的过程进行了研究以及理论分析,采用了一个基于Kinect深度传感器的三维重建方案。(1)采用了一种快速高精度的NCC图像匹配算法。通过构造图像小波金字塔结构,减少特征点搜索匹配时间,采用NCC图像匹配算法进行匹配,获得原始图像上的粗匹配点;再利用改进的松弛迭代算法去除误匹配点,引入“自适应部分赢者通吃”策略,提高迭代速度,获得更多一一对应的匹配点对。随后对FPFH特征提取算法中计算权重系数的形式进行修改,采用指数函数代替原倒数形式,将权重值规范在合理区间内,改进了原算法中权重系数溢出等问题。(2)采用了一种基于改进的ICP匹配算法,对相机的视椎体区域进行划分,通过欧几里得距离公式为各区域所存在的特征点赋予其相应的权重系数,将对应点的权重系数带入到均方差函数中求解,有效提高了连续多帧图像在点云配准后得到的三维重建结果的质量;随后针对传统ICP算法消耗时间过高问题,采用BBF算法对ICP进行加速,能够减少配准时间,大幅度提高三维点云的配准效率。实验数据表明,本文采用的三维重建方案可以使用普通的个人计算机和Kinect对常见的客观对象数字化,本系统重建过程操作简单,所需要的成本低廉,不需要高性能配准的计算机。本文采用的算法相比于原始算法在效率、精度等方面都有了很大幅度的提升,证明本文算法的有效性。