现如今,逆向工程凭借其开发效率高及能体现物体曲面信息等优势,在各个领域都得到了广泛应用。而点云配准作为其核心技术,一直以来都是研究的热门。在点云配准的实际应用中,由于扫描角度问题造成物体表面被遮挡、光照强度及噪声背景等因素的影响,我们要多次对待扫描物体进行扫描,并将各个角度扫描后所得的点云数据进行配准,将不同参考坐标系下的点云统一到同一坐标系下。点云配准一般分为初始配准和精确配准,但是配准过程仍存在两个问题:一方面是使用FPFH(Fast Point Feature Histograms)算法初始配准过程中需要人工多次尝试选择点云的邻域半径,无法保证效率和效果。另一方面是传统的ICP(Iterative Closest Points)算法虽然基本可以完成配准过程,但是耗时较长,同时容易陷入局部优化。针对这些问题,本文对当前的算法进行了一些改进,具体研究内容如下:(1)本文详细介绍了几种初始配准的算法,通过比较,选择使用FPFH算法来进行初始配准。在使用FPFH算法时,需要人工多次尝试选择邻域半径,且点云数量、大小及形状等因素都会影响邻域半径的选择,不同的邻域半径配准效果也不尽相同,因此选择一个合适的邻域半径是这个算法的关键步骤。本文基于距离估算点云密度的方法,提出了基于点云弧长密度自动匹配邻域半径的算法,通过统计不同点云的弧长密度,并对这些点云进行多次邻域半径选择,利用Huber函数计算每个邻域半径的误差,保留误差最小时的邻域半径。重复上述过程,将多个不同密度的点云依次进行实验,获得多组邻域半径与弧长密度相对应的数组,最终利用这些数组拟合出一条函数曲线。若需要对未知点云进行配准,只需计算其弧长密度即可根据该函数曲线来自动获取适合的邻域半径,省去了人工选择邻域半径的时间,提高了整个过程的效率。(2)ICP算法是点云精确配准过程中使用最为广泛的算法,但它同样存在一些问题。当点云数据较多时,配准的过程耗时较长,且ICP算法有时会陷入局部优化。本文针对这两个问题,对精确配准的过程提出了改进。本文首先使用下采样对点云进行精简,利用MLS(Moving Least Squares)算法对点云数据进行平滑处理,并使用RANSAC(Random Sample Consesus)算法移除点云的噪点,计算点云数据的ISS(Intrinsic shape signatures)特征点,根据这些特征点对进行精确配准。该方法在保证配准精度的情况下,大幅度提高了配准的效率。(3)本文采用斯坦福大学点云库中的点云对改进的算法进行验证,并使用扫描设备对真实雕塑进行数据采集,最后使用改进的算法配准该数据,检验改进算法的实际应用效果。实验结果表明,该算法不仅可以对点云库中的点云有效,同时也可以应用于实际场景,具有一定的应用价值。