随着三维激光扫描技术的快速发展,使得大规模高精度三维点云模型的获取成为可能,点云模型由于其易于存储、能对复杂曲面及三维场景进行绘制,且不含有复杂的拓扑连接信息等优点,成为三维模型处理中的主流数据形式。为了获得物体的完整点云模型,需要对从不同视角扫描得到的非同一坐标系的点云进行配准,配准结果直接影响模型重建的准确性和效率。针对三维点云模型自动配准算法中的精度和效率问题,本文从初始配准和精确配准两个步骤展开分析和研究,提出了不同的改进策略。本文研究工作主要包括:(1)为了提高点云配准效率,提出一种基于区域特征度的RANSAC改进算法进行初始配准。首先,基于采样点的Delaunay邻域,定义点的区域特征度,根据区域特征度值提取点云中的特征点;然后,根据初始对应点的搜索算法和基于零均值归一化互相关系数的点对筛选算法从特征点集中筛选出最优匹配点集;最后,定义点云的一致性程度衡量标准,采用改进的RANSAC配准算法实现点云的初始配准。(2)为了提高点云配准精度,提出一种基于区域扩张的ICP改进算法进行精确配准。首先,根据特征点间的区域曲率相似性约束和距离约束,筛选出待配准点云中满足一一对应关系的特征点集;其次,利用基于区域扩张的搜索算法,进一步搜索匹配点对,剔除冗余特征点对;然后,以初始配准算法的结果作为ICP算法的初始条件,采用四元数算法求解匹配点间的刚体变换参数,多次迭代,计算出最优的刚体变换参数,实现点云的精确对齐。(3)对本文提出的算法进行了实现,实验结果表明,本文提出的点云模型自动配准算法效果良好,不仅能够实现点云的精确配准,而且有效避免了相似特征点带来的错误匹配,配准结果具有较高的精确率;同时本文算法在兵马俑虚拟复原工作中得到了实际应用,效果良好。