受限于坐标测量装置的视域范围以及被测物体的尺寸,一次扫描通常不能获得物体的全部三维点云数据;由于点云数据采集或处理中,不可避免会有不同模式的点云数据。因此,将不同模式下获得的点云数据进行配准与融合能够保证采集对象空间信息的完整性,能够更好的应用于实际工程中。本文以实现多模式点云配准与融合为目标,研究三维点云初始配准算法并提出基于重心与质心旋转不变性的初始配准算法,通过引入最近点迭代(iterative closest point,ICP)算法与正态分布变换(normal distribution transform,NDT)算法,克服在错误特征点较多的情况下难以实现点云初始配准的情况,最终完成多模式点云数据的配准与融合;在提高通过无人机获取的三维点云精度方面,基于SFM三维重建技术,通过研究图像超分辨率复原(Super resolution restoration,SR)技术,最终提高稠密点云的精度。具体研究内容包括以下几个方面:1、基于初始配准与精确配准结合的三维点云配准算法研究研究三维点云初始配准算法。针对三维点云配准中ICP等精确配准算法容易陷入局部最优的问题,提出一种基于几何重心和质心变换的初始配准算法;而且本文提出的算法复杂度较低,能完成大尺度点云数据集的初始配准工作。算法首先对点云进行滤波处理;然后,通过点云数据重心与质心建立点云数据之间的旋转变换初步模型;其次,根据旋转角度与配准误差的关系,建立迭代旋转模型,找出最佳旋转角度,进而完成初始配准;最后,结合ICP算法进一步进行精确配准。2、提高基于无人机获取三维点云数据模型精度基于SFM三维重建技术,利用无序的影像序列,进行场景的三维重建,在重建过程中提取的是影像的稀疏关键点。考虑到基于无人机获取的三维点云数据模型精度低,通过分析计算机视觉中影像点云构建的主要理论与关键技术,主要包括SIFT特征提取、RANSAC特征匹配与稠密重建,经过匹配、扩散、过滤生成带真实颜色的稠密点云。拟通过超分辨率处理原始图像数据来增多特征提取的数量,并将该方法通过实验验证。结果表明通过超分辨率处理图像数据后,会增加稀疏点云数据量,从重建效果来看稠密点云数据的质量有了较大幅度的提高,表明该部分内容将来可用于提高基于无人机获取的三维点云数据模型的精度。3、多模式点云配准与融合本文两种模式下获取的实验数据为大尺度点云数据集,引入ICP算法与NDT算法能够完成多模式点云数据的配准与拼接。首先将通过无人机获取的较低精度的点云数据与激光扫描获取的点云数据进行初配准,获得较好得配准效果,然后通过ICP算法对经过NDT配准后的点云数据进行进一步精确配准,以此建立多模式三维点云的配准与融合模型。综上所述,本文系统地研究了多模式三维点云数据模型的生成、配准与融合,提出了基于重心与质心的点云初始配准算法并验证了算法对大尺度点云数据集初始配准的有效性,并针对无人机获取的点云数据精度低的问题展开了相关研究。最后通过引进NDT与ICP算法完成了多模式点云数据的配准与融合。