目标识别一直是计算机视觉和模式识别领域的核心课题,在机器人导航、遥感和人脸识别等方面有着广泛应用。近年来,2D图像目标识别技术不断发展并已成为相对成熟的领域。相比于2D图像,3D点云提供了丰富的空间信息且受环境光照干扰小,因此可以更准确地判断目标的空间位姿。另一方面,廉价3D获取设备快速发展并不断成熟,使得获得3D点云数据更加容易。基于以上优势,基于三维点云实现目标识别逐渐成为学术界和工业界的研究热点。3D目标识别算法主要分为两类,分别是基于整体特征描述的识别方法和基于局部特征描述的识别方法。基于整体特征描述的识别方法刻画场景的全局特征,忽略了目标表面形状和空间信息,难以识别遮挡、堆叠等复杂场景下的目标及其位姿。而基于局部特征描述的识别方法是在关键点特定邻域内提取局部特征,更适合部分可见和不完整物体表面点云的识别,但是对于实际复杂场景中存在的噪声和目标表面点云分辨率低等干扰却并不鲁棒。对于上述复杂场景中的三维点云目标识别问题,本课题通过深度相机采集原始点云信息,设计了从点云分割、点云局部特征提取到位姿配准的解决方案。本课题的主要工作可分为以下三点:（1）针对局部特征描述的稳定性和重复性问题,本课题提出了两种基于局部参考坐标系（local reference frame,LRF）的局部特征描述方法,这两种方法都是基于空间体素切分的思想设计的。首先设计了一种改进的LRF,通过加权的协方差矩阵分析计算LRF的Z轴,然后以邻域点加权向量的平面投影的加和确定X轴,LRF的Y轴则由X轴和Z轴的叉乘运算得到。在实验中对LRF各轴方向歧义性和计算权重进行了对比和分析,实验结果表明本课题改进的LRF方法具有优秀的重复性和稳定性。对于描述方法,第一种方法是基于改进的LRF对关键点球邻域进行体素切分,以体素的标签值作为特征信息输出;第二种则是基于体素标签均匀化的描述方法,以关键点球邻域的外接正方体为空间体素,对其进行均匀切分,并考虑了每个体素和其相邻体素的特征值,增强了描述的稳定性。这两种描述方法均在公开数据集进行了实验,结果表明两种特征描述方法均优于目前先进的描述方法,配准实验的结果进一步验证了描述方法的性能。（2）针对遮挡、堆叠情况下的复杂场景,本课题给出了一种组合式的点云分割算法。该算法主要由超体素过分割法和基于凹凸性的区域生长法组成。首先通过超体素过分割将场景点云细分成超体素块,然后根据各个超体素块之间的凹凸性关系,以超体素块的种子为中心进行区域生长聚类,直到实现完全的分割。通过该分割算法可以将场景中的点云块分成具体的目标点云,一定程度上减少了遮挡和堆叠对目标识别的干扰。（3）对于场景中目标的配准和位姿计算方面,根据本课题提出的特征描述方法设计了模板匹配和配准方法。通过基于体素均匀化特征描述方法提取模板的特征,与目标点云的特征进行最近邻匹配,将目标点云分类并粗略配准;然后根据关键点的特征找到匹配点对来计算粗配准姿态;最后采用迭代最近点算法,实现精准的配准并得到准确的刚性变换矩阵。通过配准过程,精确地计算出目标在世界坐标系下的准确位姿。本课题通过采集实际场景的三维点云信息完成环境感知,实现了复杂场景下稳定的特征提取和匹配进而完成目标识别和位姿计算,对3D点云的目标识别技术应用有着重要的现实意义。