计算机视觉是富有挑战性的重要研究领域之一,是多学科交叉的综合性学科。三维重建是目前计算机视觉研究领域的一个研究热点,为了获取目标的三维点云模型,对不同视角下的三维点云求解空间刚体变换的旋转平移矩阵,将多个视角的点云合并成一个完整的点云(点云的配准技术)。点云配准技术是三维重建核心的技术,是虚拟现实、仿真设计、文物数字化等计算机视觉领域的研究热点和重点,并且越来越多的商业公司(如微软、英特尔)推出廉价的点云采集设备,开发颠覆性的人机交互模式,越来越多的交互式设计商业化产品的推出开辟了一个新的时代,具有很强的商业价值和现实意义;同时对该问题的研究还能丰富和充实以点云数据为研究对象计算机视觉领域研究,还具有较强的理论意义。本文针对复杂环境下离散点云的3D模型提取的问题,研究分别通过计算机立体匹配技术和深度摄像头获取点云的技术;以点云的法向量、平均曲率等几何信息为基础,研究基于曲率和统计学方法的离散点云滤波方法;以深度图像特征点和SIFT算法特征点为研究对象,研究基于不同特征点的点云初始配准;点云的精确配准算法主要包括了ICP算法和3DNDT算法,研究了基于步长动态更新的3DNDT点云精确配准算法,本文对相关问题进行了深入研究,主要工作和成果如下:1.深入分析了复杂环境下离散点云的不同获取方法。对立体匹配算法中比较具有代表性的局部匹配算法和半全局匹配算法进行研究。局部匹配算法采用sad算法,半全局匹配算法采用sgbm算法,通过实验证明当sad窗口太小或太大的时候,存在比较大的匹配误差,实验结果也表明算法实时性很强,匹配速度快,但是精度不高。sgbm算法的匹配代价计算采用bt算法,并且在能量公式中加入平滑约束,实验表明sgbm立体匹配算法比sad要好的多,并且实时性也很强。针对立体匹配算法效率低、检测精度不高的问题,引入了基于深度摄像头获取点云的办法,实验证明深度摄像头具有较快的检测速度和较高的检测精度。2.分析了已有复杂环境下离散点云滤波研究不足,针对海量点云数据密度不均匀性,噪声点、离群点多的问题,引入平均曲率的求解,提出了基于曲率和统计学方法的csf点云滤波;首先,针对离散点云的所有数据点进行统计分析,计算全局距离的均值和方差,求出离散点云内任一数据点的曲率,并求出曲率的平均值;然后,对离散点云进行立方体划分,对立方体内的所有数据点进行曲率阈值判断,保留立方体内曲率相近的数据点,对不满足阈值的立方体继续划分,直到满足阈值条件;遍历所有的立方体,将立方体内所有数据点用一个重心点表示,通过此种栅格滤波能将密度不均匀的点云数据均匀化;最后,通过离散点云全局距离阈值,数据点和其领域点之间的平均距离关系,删除离群点。大量数据的实验结果表明,本文算法稳定可靠,能够快速有效的对点云数据压缩和滤波,并大大的加快点云搜索速度。3.提出了一种基于sift特征点的点云初始配置算法,将二维图像中的sift算子拓展到三维点云空间。首先,将图像与尺度进行定位,运用高斯差分公式选取既定的特征点,其在旋转变化与尺度缩放中拥有不变性特征。其次,确定所有候选点的尺度与具体定位;再进行关键点的方向选定,将之后以图像数据为目标的操作均由特征点的定位、尺度与方操作所替代,使操作仍然具有不变性的特质。最后,计算关键点尺度范围内的梯度,生成特征点描述子。通过计算需要配准点云特征点和领域点之间的空间差异,形成一个多维直方图对该特征点的k领域几何属性进行描述。最后,随机的选择特征点直方图配准的点进行计算点云的选择平移关系。4.提出了一种基于深度图像关键点的采样一致性初始配置算法。通过寻找每个深度图像点在近邻区域有深度突变的位置进行边缘检测,对深度图像中每一个点的四种权重值,四种权重值分别代表该点在上下左右具有边界的可能性,提取深度图像的边界;计算边界的方向和深度图像表面的变化,计算边界点的主方向和曲率,采用高斯核函数对边界点投影角度和权重进行平滑处理,提取所需要的特征点;通过计算需要配准点云特征点和领域点之间的空间差异,形成一个多维直方图对该特征点的k领域几何属性进行描述。最后,随机的选择特征点直方图配准的点进行计算点云的旋转平移关系。5.针对三维点云配准算法收敛性差和容易陷入局部最优的问题,提出了一种基于牛顿迭代改进的三维正态分布变换算法(简称NM-3DNDT)。离散的三维点云表面采用分段平滑函数的一阶和二阶导数表示,将点云空间划分为立方体网格,并计算相应的均值和协方差矩阵。为降级算法的复杂度,引入高斯函数近似对数似然函数,并简化3DNDT算法的概率密度函数参数,通过雅克比矩阵和旋转平移方程求解Hessian矩阵和梯度向量,提出采用改进线性搜索来更新牛顿迭代算法的步长,确保算法在少量迭代次数后收敛。最后对算法进行了仿真实验并与其它算法进行了比较,结果表明所提出的算法能获得较好的配准效果,提高了算法配准精度和运行效率。