随着计算机辅助制造技术的发展,逆向工程得到了越来越广泛的应用。如何将同一模型不同视角的采样数据变换到同一坐标系下,形成完整的数字模型,即扫描点云的配准,是逆向工程技术中的核心环节。扫描数据的配准的精度也影响着后续样点法向估计、特征识别、曲面重建的质量。但是,目前的配准方法普遍存在着粗配准效率较低,精配准收敛速度较慢、收敛误差偏大等问题,因此,本文重点围绕逆向工程中点云配准所存在的这些问题,对如何提高粗配准效率,提高精配准精度进行了深入系统的研究,提出了基于点云最小包围盒实现粗配准,点--移动最小二乘曲面的精配准方法,取得的主要进展如下:1.为提高粗配准的计算效率,本文提出一种最小包围盒的快速求解方法,基于最小包围盒实现粗配准。通过对采样点集的非特征区域进行大幅简化,并将简化后点集的最小包围盒作为求解原始采样点集最小包围盒的定位空间,以该空间下的最小轴向包围盒作为原始采样点集的最小包围盒。结果表明,该算法在保证包围盒求解精度的前提下显著提高了求解效率,基于最小包围盒实现两视角点云的粗配准,避免了迭代过程,为后续的精配准提供了良好的初始位姿。2.为提高精配准中对应点对的精确性,本文通过对前人基于经验公式的移动最小二乘曲面重建紧支半径的计算方法进行改进,提出一种自适应移动最小二乘曲面重建算法。通过采用主元分析的方法将移动最小二乘曲面重建的紧支半径向局部样本的主元方向扩展,实现曲面重建的自适应调节,并采用移动立方体算法提取等值面,重建出模型曲面。自适应重建出的曲面比原始移动最小二乘重建曲面精度更高,算法适应性更强,将该算法应用于扫描数据的配准,提高了对应点对的精确性和配准的精度。3.本文提出了点—移动最小二乘曲面的精确配准方法。通过对目标点云的局部样本构造自适应的移动最小二乘曲面,以源点云中的特征点到局部移动最小二乘曲面的最近点作为匹配点对,并定义匹配点对的可信度函数对初始匹配关系进行过滤,最后采用奇异值分解方法求解变换矩阵。最终试验结果表明,该算法配准精度相比经典ICP算法更高,收敛时间仅为ICP算法的30%左右,基于点面匹配,算法的稳定性更强。