图像点云配准应用广泛,可用于模式识别,运动跟踪,图像切割,立体匹配等领域,是计算机视觉和图像处理中的重要研究课题。ICP算法是点云配准研究领域应用最广泛的算法,本文将对ICP算法中的匹配区域、匹配残差研究,进行ICP算法设计。ICP算法是通过循环改变两幅图像的变换关系,使得匹配残差最小的变换,即被认为两幅图像的变换。匹配残差函数的构造直接影响匹配的准确性。原始ICP算法是利用像素点的空间三维坐标欧式距离作为匹配残差。点云图像的深度信息存在误差,可能会导致ICP的迭代无法收敛于全局最优,影响匹配精度。为了降低像素点深度信息不准对ICP算法的影响,本文结合像素点的SURF描述、空间三维坐标构造匹配残差。首先将64维SURF描述下降到4维,然后对参与配准的所有像素点都进行4维SURF描述,将像素点的3维坐标与4维SURF描述的7维欧式距离作为匹配残差。新的匹配残差不但增加了像素点图像特征信息,可以降低深度信息不准对匹配精度的影响;而且由于SURF描述具有尺度不变性、旋转不变性、光照不变性等特点,使得ICP具有较高的鲁棒性。ICP算法的参与匹配的图像区域也会对匹配精度造成影响。全部像素点都参与匹配的ICP算法会存在基准点云部分像素点在配准点云中无匹配像素点的情况,导致ICP循环迭代无法全局最优。因此稠密ICP算法的匹配精度受两幅图像重叠多少影响。本文基于SURF特征点提出了一种半稠密ICP算法。算法选取图像中以SURF特征点为中心的球邻域作为基准点云,然后根据球邻域在待配准图像中限定配准点云区域。通过图像特征点的球邻域来限定基准点云和配准点云区域不但可以最大程度的保证基准点云在配准点云中有匹配点,而且可以剔除一部分与特征点深度相差较大、深度值不准的像素点,提高ICP算法的配准精度。最后,本文基于SURF降维描述,完成了一种半稠密ICP匹配算法,并应用于SLAM系统,为SLAM系统提供一个精度较高的前端。SLAM系统在TUM数据集上的测试,轨迹误差小,具有实用性。