三维目标的配准与识别是计算机视觉与模式识别领域中的研究热点，已广泛应用于遥感测绘、机器人、军事安防、虚拟现实等领域。三维目标配准旨在对齐两个或多个不同视角的目标三维数据，从而完成姿态校正得到具有更大视场范围或完整的目标三维数据；三维目标识别的目的是基于三维目标模型在复杂场景中识别出模型目标并确定目标的位置和朝向。在三维目标配准识别问题中，点云局部特征描述扮演着至关重要的角色，其目的是充分描述三维局部曲面的几何与空间信息，从而建立起不同点云序列之间的局部对应关系达到估算姿态参数(旋转和平移)的目的。但是，当前点云局部特征仍主要为浮点型特征，存在维度冗长、匹配和存储效率低的问题。本文针对性地提出了若干描述性强、鲁棒、轻量级的二值化局部特征，完成了高精度的三维目标配准识别任务。本文的主要研究内容与创新点如下：
　　针对如何设计鲁棒性强、抗离群点干扰能力强的二值化点云局部特征问题，提出了一种基于旋转剪影图(rotational silhouette maps, RSM)的特征。尽管本文针对的数据为三维点云，本文表明图像特征仍然能有效应用于点云局部特征描述问题。其中，剪影图在二维计算机视觉领域中是一种经典、二值化的几何特征描述方式，本文率先将其应用于三维点云局部特征描述问题。剪影图具有两个重要特性：首先，其为一种天然的二值化表达形式，因此避免了繁琐、可能对数据变化敏感的“浮点型-二值化”阈值设定问题；其次，剪影图抛弃了像素值信息，对于离群点带来的干扰具有较强的鲁棒性。然而剪影图的描述能力有限，本文采用一种“旋转投影”机制在不同视角下捕捉局部点云在视点平面形成的剪影图，达到信息互补的目的。本文表明RSM特征在仅仅利用二维剪影图信息的基础上与当前多个浮点型特征具有相当的鉴别能力并且更为高效、鲁棒。
　　针对如何设计描述能力强、稳健、二值化的点云局部特征问题，提出了一种基于体素化结构(local voxelized structure, LoVS)的特征。传统的点云局部特征主要依赖于曲率、法向量、投影距离等几何属性来以直方图或签名的方式来进行特征表达，存在的问题是两方面的。首先，例如曲率、法向量等中间属性的表达方式需要额外的计算耗时并且通常无法充分表征三维局部几何信息；其次，直方图或签名特征通常是浮点型的，难以进行高效率的特征存储和匹配。因此，本文抛弃了传统的几何属性并直接利用空间点位置信息来构造均匀空间体素，并利用体素占用信息来进行二值化特征描述。该方式的优点是避免了由点位置到几何属性进行转换带来的几何信息损失，并以体素为判别单位增强特征抗点级别干扰(例如噪声和点分布不均)的能力，具有描述能力强、鲁棒性高、轻量化等特性。
　　针对二值化点云局部特征压缩问题，提出了利用位选择的方法得到更为紧凑的二值化特征。现有的点云局部特征压缩方法主要依赖于主成分分析，然而最终得到的特征为浮点型特征。为了确保压缩后的特征仍为二值化特征，本文受图像二值化特征压缩技术启发，尝试了八种位选择算法对二值化点云局部特征进行降维。位选择的目的为筛选出区分性强的一部分位来形成新的特征并减少因为位丢失引起的信息损失。实验结果表明经过位选择压缩后的LoVS特征(729位)在仅保留96位的基础上性能超过了多个处于当前领先的浮点型特征，并且具有与初始LoVS特征相当的鉴别能力。
　　针对三维目标配准识别问题，提出了基于固定尺度和多尺度二值化特征的配准识别算法。传统的三维目标配准识别算法因受限于所采用的局部特征及姿态估计方法，得到的配准识别精度有限且较为耗时。本文将提出的二值化特征应用至该问题中并表明这些二值化特征能有效提升配准识别精度并且对部分重叠、嘈杂、遮挡较为鲁棒。此外，本文提出了一种时间复杂度低、能有效应对高误匹配率问题的姿态估计算法，其通过利用特征局部坐标系和点云全局形状信息，极大地增强了姿态估计的精度以及抗误匹配干扰的能力。在一个统一的框架下，提出的配准识别算法在多个数据模态不同、应用场景不同的数据库中取得了当前领先的性能。
　　本文深入地研究了三维目标配准识别背景下的二值化点云局部特征描述问题，提升了特征表达能力和目标配准识别性能的同时，也为该领域的研究提供了新的思路。