随着社会的进步和IT行业的发展,三维重建技术在各个领域中发挥越来越重要的作用。在三维重建的过程中,点云数据的配准是关键技术,因此三维数据的配准研究是重建技术中的研究热点。然而随着三维扫描设备精准度的提高,数据规模和配准精度也在提高,经典的点云配准方法并不能满足实时性的需求,因此在本文在传统点云配准ICP方法的基础之上,提出了一种新型的基于Hausdorff距离和优化K-D树来改进ICP算法。本文研究的主要内容将多视角下采集到的三维点云数据配准成一个整体的三维点云数据。具体研究内容如下:首先,通过Kinect相机获取不同角度下物体的点云数据,以数据点主曲率和Haus dorff距离为依据,利用正态分布图将点云分为关键点和非关键点,关键点充分保留了点云的几何特征用来进行点云配准,而非关键点作为几何特征不明显的点,为提高算法效率不予匹配。对点云的预处理使得点云的配准更具有针对性。其次,提出一种中值分割阈值优化K-D树的方法,该方法旨在提高K-D树的查询效率,保证K-D树达到平衡状态。首先将节点的属性值按照从小到大的顺序排列,取中指为分割阈值,同时结合空间的广泛分布性对点云数据进行K-D树的构造。优化的K-D树尽量使树的层数最小,从而提高点云的搜索效率。再次,针对传统ICP算法中复杂的数据量运算速度慢的缺点进行了改进,利用改进的Hausdorff距离和优化K-D树寻找关键点的匹配点进行最小二乘迭代,直到满足正确配准的收敛精度要求为止。高精度的优势使得改进的ICP算法可适用于海量数据的逆向工程。最后,为了验证算法的正确性和有效性,与经典算法作为对比,本文设计了几组不同类型点云的配准实验,实验看出改进算法的配准误差明显低于经典算法,改进算法在配准精度上有明显的优势,并且随着数据量的增大配准精度的优势越明显。在实际应用中,本文改进的配准算法应用在对配准精度要求较高、点云凹凸性比较明显的物体上。