目标识别技术是计算机视觉研究领域里一个重要的研究方向。目标识别是利用计算机图像处理技术,从指定的场景图像中识别出感兴趣的目标,并估算目标在场景中的姿态和位置,它是许多计算机视觉应用的基础。本文以点云的获取以及目标识别的五个步骤:关键点检测、特征描述、特征匹配、假设验证和假设生成为主要对象,对基于点云的目标识别技术展开研究。具体的研究内容包含以下几个方面:(1)深入研究了目前进行视觉测量的深度摄像机的原理。本文采用增强纹理的双目摄像机获取三维点云数据,它相较于传统的双目摄像机增加了增强纹理的投影装置。首先投影仪向目标对象表面发射编码结构光来增强目标对象表面的纹理特征,同时利用左右两个摄像机获取目标物体纹理图像;然后利用编码结构光进行特征匹配;最后利用双目测量原理完成对目标对象或场景的视觉测量。(2)提出了基于多尺度特征描述的关键点检测算法,对目前三维点云关键点检测方法检测的关键点的可描述性和再现性(repeatability)不强、以及检测的关键点数量较少的问题进行研究。该算法先对降采样的点进行多尺度特征描述,再选取特征独特的点作为关键点。实验证明该算法检测的关键点具有良好的可描述性和可再现性,且相较于Harris3D、SIFT、ISS关键点检测算法在抗噪性、关键点检测数量以及时间效率方面有更好的表现。(3)提出了一种双向最近邻比的特征匹配算法,改善目前的特征匹配算法得到的匹配对存在大量误匹配对的问题。该算法对最近邻比特征匹配算法进行改进,通过模型点云与场景点云双向搜索最近邻和次紧邻完成特征匹配。实验证明该算法可以有效提高特征匹配对的正确率。重点研究了目前的算法假设候选目标和估算变换矩阵不准确的问题。本文在假设候选目标时提出了一种特征几何收益算法假设候选目标,在假设变换时对估算的变换矩阵进行聚类,计算变换矩阵的置信度,删除低置信度和与高置信度相似的矩阵。实验证明本文的算法可以有效提高候选目标及其变换矩阵的准确度。(4)改进了传统的ICP算法,解决了传统的ICP算法时间效率和配准精度不理想的问题。首先对参与ICP算法迭代计算的匹配点对进行预处理,删除错误的匹配点对;其次对由粗到精的匹配策略进行改进,根据不同的残差随机采取不同的点数参与迭代计算,以提高ICP算法的迭代效率和匹配精度。