集装箱锁销的安装与拆卸是码头的重要工作之一,而智能化和自动化的装卸系统已经成为码头的主流配置。在码头的集卡智能解锁站中,传送带会运送锁销并且识别对应的锁销种类,确保机械手正确地安装和拆卸是其中的关键一环。对于本文集装箱锁销智能系统中传送带上的锁销识别,其锁销的场景固定、整齐并且不含有遮挡。同时,为了满足数据集低精度点云的可识别性、锁销数据量的局限性以及码头临时突发的新锁销应对方案和需求,选择全局特征描述符匹配而非深度学习的识别方法或许能更好地应对临时新增锁销的情况,减少耗时,有一定的优势。本文使用基于自建库的三维点云全局特征描述符匹配的方法进行锁销的识别。在自建库中包含了部分通过深度相机和采集系统获得的局部视角锁销点云数据集和非高精度的完整锁销点云数据集。在建立模型时,为了较快速地获取用于匹配的锁销模型,本文在SAC-IA（Sample Consensus Initial Algorithm）和ICP（Iterative Closet Point）配准方法的基础上,基于该配准方法对点云重叠度的要求,提出了基于高重叠度视角筛选的模型快速建立方法。在拼接点云时获取锁销在相机坐标系z方向投影的包围盒面积相对大小来估计锁销的大体形状,通过相邻视角该面积的差值选取合适数量的高重叠度的点云视角保证配准成功率并减少耗时。在识别流程中,检测锁销类别时通过目标点云的VFH（Viewpoint Feature Histogram）或CVFH（Clustered Viewpoint Feature Histogram）描述符在离线时建立的训练模型进行搜索。为了解决垂直于视角的平面上的点云因为稀疏而同噪声一起被过滤的问题,使用了基于欧式距离聚类数的描述符择取方法,该方法复杂度低,对识别效率影响小,使得两种描述符都可以发挥各自的优势,保证识别准确率和效率的同时增加识别稳定性。本文针对锁销类别,利用锁销的包围盒对识别流程进行优化。基于锁销大小与实际用途的相关性,将锁销根据大小通过聚类方法分为三类,降低了识别错误的可能性,同时小幅度加速了单次识别的耗时,使得识别的准确率和效率都有所提升。