Radu的3D对象识别团体已经开发出了不同的方法来计算和描述一个完整模型的多值特征。有例如基于曲率的直方图，旋转图像特征，表面点对的关系。所有这些方法都基于表面法线和曲率的局部估计，并通过像素合并相似的值组成全局直方图来描述它们的关系。虽然每个对象都需要大量直方图，可以解决达20%的闭塞。4D几何特征和旋转图像特征需要一个单独的直方图，并且使用合成CAD数据集可以达到90%以上的识别率，以及超过80%由于添加了均匀分布使噪声降到1%水平以下。虽然上述所有展示了有希望的结果，但是由于它们仅仅只测试了合成范围的图像，我们目前仍然不清楚在更加嘈杂的真实世界数据集中如何执行。28437
1  采用平滑约束的点云分割[3]
   采用平滑约束的点云分割展示了一种方法，该方法发现了点云中平滑连接的领域。它仅仅使用局部表面法线和点连通性，它可以强制使用k最近和固定距离近邻。所提出的方法需要少量的直观参数，该方法提供了一个分割不足和过分分割的权衡[11]。该算法在工业点云的应用相比于基于曲率的方法展示了它的可靠性。该算法只是用表面法线作为局部几何的衡量，该法线通过拟定一个点近邻的平面来估计[7]。由于将高阶表面拟合在嘈杂点云上很容易出错，我们近似的把剩余的平面拟合作为局部曲率[6]。该方法有两个具有直观清晰意义的参数（θthγth）。算法的k近邻和固定距离近邻变量是可行的。论文网
2  在嘈杂点云数据中估计表面法线[10]
  用PCD从R2的平滑曲线和添加噪声的R3平滑曲线的取样，来研究近邻大小，曲率，采样密度和正常估算的噪声的影响[9]。该分析可以通过从PCD得到的其他局部信息找到最佳邻域大小。通过分析用最小二乘法估计从R2平滑表面和带噪声的R3的平滑表面得到的点云数据，从而得到法线。在两种情况下，估算出的法线和底层流形的真实法线之间的最大夹角可以依赖于该理论依据[14]。这一理论研究可以用最小二乘法找到最佳邻域大小。
3  对点采样表面的多尺度特征提取[8]
   指定一个非结构化的点云作为输入，首先根据是否属于同一特征的可能性，将局部近邻的主成分进行分类。使用滞后阈值[13]，然后计算出最小生成树图来作为特征线的初始近似。使用了主动轮廓模型的适应性用来平滑这些特征并且保持底层表面的紧密连接。用一个允许多尺度特征分析的多尺度分类的操作者作为转接员，它使用局部近邻的大小作为离散尺度参数[18]。
4  采用局部特征直方图识别区域图像中的3D对象[12]
   一种基于视图来识别区域图像内的自由形式的对象的方法。通过使用一种局部特征，这样很容易计算并且对于部分阻塞具有鲁棒性。在多文直方图上结合那些特征，可以得到高度判别的分类而不需要分割[15]。用匹配直方图或者用概率性识别算法来进行识别。基于一个拥有2000个球体的30个自由形式对象的数据库存在一个系统[16]，将它与上述两种方法在阻塞情况下的性能进行比对可以得到，该系统的识别准确率高达93%以上，在20%阻塞情况下也有89%准确率[21]。概率性的识别为获取可靠的信心估计提供了一个原则性的方法，这允许它与其他识别渠道结合，比如颜色或者灰度值信息。许多现代3D扫描仪已经提供了深度和测光信息，所以这两个成像方式会是一个自然拓展。这个系统支持这样一个组合，并且它有利于发现如何可以识别的更可靠。
5  表面点对的关系处理[22]
    将点云里捕捉出两个点作为点对，然后计算它们的法线，平面等特征，将这几个特征经过计算得出四个特殊的特征以减少了相当大的计算量和复杂度，是本文点特征直方图计算方式的基本处理单元。 点特征直方图国内外研究现状:http://www.youerw.com/yanjiu/lunwen_23283.html