三维物体识别和位姿估计的效率和准确率直接决定了机器人抓取的效率和稳定性,对实现机器人自动分拣、搬运、装配和检测具有至关重要的作用。目前三维物体识别和位姿估计在纹理信息丰富、遮挡较少等较为理想的情况下有较好的识别和定位结果。但在实际工业应用中,由于零件纹理单一,光照不均匀、遮挡严重等因素的影响,现有方法无法满足识别所需的精度和效率。为此,本文研究了基于点对特征描述子的物体识别和位姿估计方法,实现了面结构光三维设备获取的场景点云数据中目标物体的准确识别与精确位姿估计。本文的具体工作如下:(1)研究了适用于三维物体识别的点云预处理相关技术。三维物体识别过程中由于存在传感器噪声和无关数据,从而导致识别精度和效率较差。因此,首先针对测量场景数据,构建三维点云数据的k维树(k-dimension tree,k-d tree),建立邻域点的查找关系,实现基于孤立点的去除和点云法向量的计算;然后,采用自适应系数的栅格采样算法,实现测量场景中冗余数据的剔除;最后,研究了欧几里得分割算法,完成了场景数据的分割,从而实现了无关数据的去除。通过对测量三维点云数据进行预处理,极大的减少了噪声和无关数据等因素的干扰,从而为目标物体的识别提高了良好的数据基础。(2)研究了点对特征描述子及点对特征误匹配去除方法。点对特征对物体两个表面点及法向量进行编码,形成点距离和法线夹角的四维向量。匹配过程中,当模型与场景对应位置点的法线朝向不一致时,构建的点对特征容易出现较大误差。因此,通过一致化模型和场景的法线朝向,减小了模型和场景匹配的误差,提高物体识别和位姿的精度。(3)研究了点对特征集的构造方式。针对场景数据,在两两点之间构造点对特征,若参考点过多,导致海量的点对特征降低识别效率;若参考点较少,导致点对特征较少影响识别精度。因此,研究了点对特征集的构造方式,即以场景数据进行均匀采样作为参考点,同时以模型包围盒尺寸为半径约束,参考点仅与该半径内的点构建点对特征,显著降低了点对特征集的数量。通过实验验证,参考点采样能够在不影响识别精度的情况下,大幅度提高识别效率。