随着计算机科学技术的发展和社会对图像识别的广泛需求,三维点云技术已经成为图像领域的研究热点。在如Lidar(激光雷达)、华硕的Xtion系列等众多3D点云数据采集设备中,激光雷达拥有着很大的优势,其分辨率高、反应速度快、抗干扰能力强,所以本文选用了 velodyne公司开发的VLP-16激光雷达作为采集设备。由于传统算法存在复杂场景及遮挡情况下识别困难、运算效率低等技术难题,本文以基于点云预处理和点云拼接涉及的关键技术和算法为主要研究内容,通过对传统目标识别算法的改进,提高复杂场景下的识别率、识别速率以及有遮挡下的识别率,实现基于激光雷达的3D点云目标物体的识别。具体研究内容如下:论文首先详细介绍了基于激光雷达的目标识别的研究背景及意义,系统梳理了各阶段的研究现状及重点研究方法,对点云目标识别技术主要算法、主要研究思路和关键技术进行了归纳,并对当前研究技术存在问题进行了分析。其次,论文研究了激光雷达的采集成像原理,并根据激光雷达点云数据的特点,选用了三维双边滤波和基于统计学的高斯滤波方法对采集到的数据进行滤波降噪,接着在进行实验比对后,选用基于邻域的平面拟合的方法来实现地面点的去除,再使用平滑区域增长算法提取出场景中的目标点云。再次,论文深入研究了点云拼接技术和算法,以完成模型的构建。针对现有算法无法有效地将激光雷达采集到的数据拼接成完整数据模型,从而无法完成目标识别的问题,本文将点云拼接分为粗拼接和精拼接两部分进行研究,并在两部分算法的基础之上加以结合与改进,提出了一种基于几何特征的ICP算法,既减少了迭代次数,又提升了算法运行速率以及拼接准确率。然后,论文探讨了两种关键点检测算法的优劣,并进行了多组的对比实验,验证了3D-SIFT算法的优越性。同时基于对全局和局部特征描述子的性能研究,选取了合适的描述子用于后续的目标识别。最后,论文结合上述研究内容设计了一种基于全局和局部特征的模型库目标识别算法,并将其分为训练和识别两部分。接着利用3D-SIFT算法检测出关键点,计算出描述子,其中VFH描述子进行特征匹配用于粗识别,FPFH描述子进行配准用于精识别。同时基于自建数据集开展了大量实验和算法验证工作,验证了论文所研究算法在复杂场景及遮挡情况下的准确性和有效性。