我国铁路运输事业的飞速发展,使得铁路机车关键部件安全的需求随之上升,而结合了三维测量学及计算机视觉的三维表面检测技术更是成为被业内寄予期望的研究热点。目标识别是一个复杂的研究领域,作为关键步骤的关键点检测和局部特征提取决定了识别结果的好坏。三维目标的识别需要使用特定模型对目标建立起有效的描述,描述模型需要具有描述能力强、分辨能力强、噪声抵抗能力强等性能。点云模型对物体表面细节的描述能力强,但是数据量大,冗余度高,因此建立高效的描述子成为了提高识别率的关键。不仅如此,在点云配准、特征保持的精简、场景语义分析及分割等诸多任务都离不开局部特征。本文在特征的提取与描述的研究中,重点完成了以下内容:1.计算机视觉算法依托于数据,对点云数据的预处理是进行复杂特征描述的基础。建立KD树以获得更高的邻域点查询效率;对邻域建立协方差矩阵,并根据协方差矩阵的特征向量确定局部参考帧(LRF)的坐标轴方向;在LRF中计算法向量和曲率;在LRF中进行二次曲面的最小二乘拟合等,都是点云局部特征研究的基础。2.本文介绍了ISS、KPQ、Ho NO、LSP、3D-Harris和基于曲率图的3D-SIFT关键点检测算法原理及实现过程并予以评估。从重复率、描述性、时间复杂度等指标上设计并完成实验,得出结论3D-SIFT算法在多因素的综合考量下效果最优。3.本文介绍了PFH、FPFH、3DSC、USC、Spin Image、Tri SI、LSP、ISS、TRIFT、SHOT、Ro PS、VD-LSD特征描述子的原理及实现过程,并提出了一种结合空间分布特性和几何属性的描述子,从描述能力和鲁棒性两个指标对上述局部特征描述子进行综合测试与评估,得出结论本文提出的描述子在实验采用的4个数据及上表现稳定,具有较强的描述能力和一定的鲁棒性。4.在铁路无损检测的大背景下,本文通过关键点检测算法及局部特征描述子的应用,有效提高了点云配准结果精度;在保留细节特征的基础上提高了建模效率;有效完成动车底部的语义分割和车身侧部点云中的车轮、螺栓等部件识别任务。