□ 刘海龙 □ 肖 攀 □ 邱明玮 □ 刘 岩 □ 李兵兵 □ 马春生 □ 柴庆冕 □ 刘志炜

国家电网北京市电力公司客户服务中心 北京 100062

1 研究背景

物体识别在场景理解、机器人学、虚拟现实等领域中具有广阔的应用前景，也是实现机器人操作、同步定位与建图不可缺少的重要一环［1-2］。在物体识别过程中，实际环境往往伴随光线变化、背景干扰、阴影遮挡等复杂情况，因此，设法从场景图像中识别出物体，并进行位置估计是一项富有挑战性的任务［3］。

数字图像传感器问世以来，国内外研究重心主要集中在二维图像物体识别。二维图像物体识别特征描述主 要有 DoG、SIFT、PCA-SIF、Harris、NCC 和 SURF算法等［4］。SIFT（尺度不变特征转换）是一种在尺度空间寻找特征的匹配算法，由David G.Lowe在2004年总结完善［5］。 SURF（加速稳健特征）算法是 SIFT 的改进版，在一定条件下通过对积分图像求导，基本实现两幅图像匹配的实时处理［6］。

近年来，随着三维传感器及其相关技术的发展，国内外学者对从三维点云中进行三维物体识别进行广泛研究［7］。传统三维传感器有激光雷达、双目视觉相机等，特别是RGB-D相机的出现，可以实现实时获得高精度RGB-D图像，RGB-D图像也称三维彩色点云图像［8］。三维物体识别算法主要有两类——基于三维霍夫变换投票机制的聚类算法［9］和基于几何一致性的聚类算法［10］，这两种算法存在两个问题，一是三维场景适应性，二是可扩展性与延时性［11］。

在物体识别方面，二维物体识别可收集二维颜色纹理信息，具有速度快、实时性高等优点，但是缺乏深度信息。……