为了提高点云配准速度并减少描述子的维度,本文首先提出了一种查找点云重叠区域的预处理办法。该方法使用基于八叉树的区域生长K-means聚类算法对点云进行分块,通过近似三角形查询点云的重叠区域。另外,在关键点描述中提出了基于点云特征直方图的低维度描述子——邻域点积直方图(LDFH)算法。提出的预处理方法可以使初始配准的点云数据量减少10%~20%,去除了不必要的冗余运算过程。与快速点特征直方图(FPFH)描述子的点云配准算法相比,提出的邻域点积直方图算法将维度降低至24维,同时使描述速度提高了15%左右。利用本文算法对实际扫描获取到的点云数据进行配准时,可以在5min内完成小于1m~3数据的准确配准。本文算法减少了配准耗时,降低了描述子维度,在实际的点云配准中有好的效果。