随着3D扫描设备的发展,用这些设备来获取现实生活中的物体的三维表面数据已经成为可能。尤其当微软的Kinect,华硕的Xtion,英特尔的RealSense等深度相机的出现,人们获取这些三维数据的成本也大大降低。如今的3D扫描设备既能够获取人造物体的表面数据也能够扫描自然界本身存在的物体的表面数据,基于此,越来越多的关于物体表面几何重建的技术被提出。然而,静态的物体模型所包含的物体本身的信息是有限的,因此越来越多的研究者们开始积极探索新的扫描分析技术来获取动态物体的动态信息,比如重建物体的运动特征。与物体的几何特征相比,物体的运动特征更加简洁明了地反映出物体本身的功能特性。事实上,物体的运动特征包含着很多有价值的信息,对于一个关节式物体来说,物体的运动特征包含着物体各部分的运动参数,包括关节类型,关节的位置,关节在三维空间的轴向,运动速度以及其他时空参数。这些特征在机械交互,机器人动力学,人体运动分析,计算机视觉等领域都有着及其重要的作用。然而,通过3D扫描设备获取的三维动态数据来分析关节式物体的运动信息是一件非常具有挑战性的工作,因为用这些设备获取的物体的动态数据是低质量的。由于3D扫描设备本身具有有限的分辨率和帧率,在扫描的过程中,被扫描的物体可能会进行快速的运动,从而导致扫描仪获取的三维数据点比较稀疏并且具有很多的噪声点。另外,物体运动部分的数据可能会因为幻影效应产生很多异常数据点,或者因为自身遮挡问题而导致数据缺失。本文提出一种有效地从深度相机获取的低质量动态数据中直接分析出刚性关节式物体的运动特征的4D RANSAC方法。与传统的运动特征重建方法不同,该方法完全跳过了重建物体本身的几何信息,选择直接探寻物体内部运动机理,提取物体每个关节的运动类型,运动参数,自由度等信息。RANSAC算法的优点在于它的鲁棒性,即使数据集中存在大量的异常值,RANSAC算法也能够精确地估计出拟合该数据的模型。和传统的RANSAC方法相似,本方法将其扩展到4D的时空数据集上,进而拟合出关节式物体每个关节最好的运动模型。由于现实生活中关节式物体的运动类型主要有三种:铰链接头运动,球形接头运动和滑动。所以本方法中,我们主要考虑这三种典型的运动类型,当然本文提出的方法完全能够扩展到其它不常见的运动类型。另外,本文提出一种运动特征图结构来重新表示关节式物体,进而实现物体运动骨架构建,该结构可被用作物体识别,物体检索等方面。