3D特征描述子在计算机视觉领域中扮演着重要角色,因为它是许多3D视觉应用的先决条件。根据特征的类型3D物体识别算法分为两类,基于全局特征和基于局部特征的方法,而局部特征的方法对实际场景中的遮挡和闭塞具有更高的鲁棒性而被广泛研究。尽管目前为止有很多这样的描述子存在,但大多数都以浮点数据形式存在,导致在特征匹配过程中计算复杂、内存占用量大等问题。本文对复杂场景下基于局部特征描述子的简化展开研究并用于目标识别,分析了算法过程中的关键技术,如模型库的构建、点云分割、特征提取与描述、特征匹配等,并通过实验进行对比分析验证。论文的工作主要包括以下3个部分:1.对模块化机械臂分拣平台的作业物体构建点云模型库。首先通过滤波去除点云中的噪声点和离群点,设计了一种区域增长分割算法用于物体聚类的提取,采用ISS算法检测聚类关键点并计算对应的局部特征描述子,建立k-d树序列表,实现物体模型库的构建。2.为了提高匹配效率,本文提出一种新的简化方法,本方法含有两个参数,简化单元和编码位数,针对不同的原始描述子,采用本文提出的方法,通过改变这两个参数可以产生不同的简化描述子。然后使用切比雪夫不等式数学模型将浮点型数据转化为二进制串从而得到更简单有效的特征描述子CI-SHOT(Chebyshev’s Inequality Signature of Histogram of Orientations)。3.最后将CI-SHOT和SHOT以及另外一种二进制简化描述子B-SHOT进行对比分析,数据集上实验测试结果表明CI-SHOT在关键点检测和匹配性能上有明显优势。最后构建模块化机械臂智能感知与自动作业软硬件系统,将新的描述子用于实验平台上,并取得明显效果。