物体识别是计算机视觉领域最重要的任务之一,被广泛应用在智能机器人、无人驾驶汽车以及安防等领域。传统的二维物体识别方法由于RGB图像本身的局限性,例如对光照非常敏感,因此其可靠性无法保证。与之相反,三维物体识别由于可以通过将场景与物体模型进行配准,并根据配准的好坏对识别结果进行自我验证,因此可靠性大大提高。近些年来,随着深度传感技术的发展与普及,深度图像的获取变得越来越容易,基于深度图像的三维物体识别技术也得到了越来越广泛的关注。三维物体识别的目标是识别出场景中的已知物体模型,并恢复出它们的姿势。要构建一个实用的三维物体识别系统,仍然面临着很多难点与挑战。一方面,点云数据会受到各种各样的环境干扰,例如噪声、点云密度变化以及遮挡等,这些都会严重影响物体识别的准确性。另一方面,由于生成的特征匹配候选有很大一部分是错误的,再加上配准验证的过程比较耗时,这些将直接制约物体识别的效率。本文关注于杂乱场景下的三维物体识别问题。为了实现这个目标,论文提出了从提取局部形状特征,选择显著的特征来生成匹配对,到根据几何约束来选择更可靠的匹配对的一套快速并且鲁棒的三维物体识别系统。论文的主要贡献和创新点如下:第一,针对局部形状描述问题,设计了一个对噪声以及点云密度变化都有较高鲁棒性的"几何中心签名"描述子,并提出了一个可以支持两个不完整形状匹配的描述子比较方法。第二,针对局部形状配准的问题,提出构造每个节点指向其K个邻居的描述子图来实现快速的特征匹配查找,并通过提取和使用描述子图中隐含的显著性信息,提高特征匹配的准确率。第三,针对特征匹配选择问题,定义了两对特征匹配之间的兼容性度量,并通过引入辅助集来实现辅助集投票算法,从而有效地筛选出高质量的特征匹配。本论文面向实际的场景应用需求,所提的方案在满足鲁棒性的同时,还保证了一定的高效性,因而具有很高的实用价值。