距离图像局部特征提取方法综述

第２５卷第５期模式识别与人工智能

Ｖ０１．２５Ｎｏ．５２０１２年１０月

ＰＲ＆ＡＩ

０ｃｔ

２０１２

距离图像局部特征提取方法综述

郭裕兰１’２

鲁敏１

谭志国１万建伟１

１（国防科技大学电子科学与工程学院长沙４１００７３）

２（ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＳ０ｆｔｗａｒｅＥｎ舀ｎｅｅｒｉｎｇ，ＴｈｅＵｎｉｖｅｒｓｉｔｙｏｆＷｅｓｔｅｍＡｕｓｔ阳１ｉａ，Ｐｅｒｔｈ６００９）

摘要基于距离图像的三维目标识别是计算机视觉领域的研究热点，而局部特征提取则是实现遮挡和复杂场景

下三维目标识别的关键．文中首先介绍距离图像及其表示形式，详细分析法向量、曲率和形状索引等微分几何属性．进而将局部特征检测方法分类为固定尺度和自适应尺度方法，将局部特征描述方法分类为基于深度信息、基于点云空间分布和基于几何属性分布的方法，并对各种具体算法进行阐述、分析和定性评价．最后对现有方法进行归纳总结，并指出所面临的挑战及进一步研究的方向．关键词三维目标识别，距离图像，局部特征，特征提取中图法分类号ＴＰ

２４２．６

ＳｕｒＶｅｙｏｆＬｏｃａｌＦｅａｔｕｒｅＥｘｔｒａｃｔｉｏｎ

Ｏｎ

Ｒａｎｇｅｈｎａｇｅｓ

ＧＵＯＹｕ—Ｌａｎｌ”，ＬＵＭｉｎｌ，ＴＡＮＺｈｉ．Ｇｕ０１，ＷＡＮＪｉａｎ一Ⅵｋｉｌ

１（ｃ０Ｚ如ｇｅ矿Ｅｚｅ甜ｒｏｎ记＆ｉｅｗｅ口ｎｄ胁ｉ凡卯矗增，肫ｆｉｏ乃ｏｚ‰如ｅ瑙渺矿Ｄ咖瑚ｅ‰＾加觇ｆｙ，

Ｉ％口，咿＾口４１００７３）

２（＆幻ｏＺ旷ｃｏ印蹴ｒ＆据脚口以｜ｓＱ舰ｎｒｅ

Ｅ，柳脚以昭，孤ｅ踟溉毋矿耽ｓ抛ｍＡｗ讹ｆｉ口，ｎ厅＾６００９）

ＡＢＳＴＲＡＣＴ

Ｔｈｒｅｅ

ｄｉｍｅｎｓｉｏｎａｌ（３Ｄ）ｏｂｊｅｃｔ

ｒｅｃｏｇｎｉｔｉｏｎｉｓ

ａ

ｈｏｔｒｅｓｅ雅ｃｈｔｏｐｉｃｉｎｃｏＩｎｐｕｔｅｒｖｉｓｉｏｎ．Ｌｏｃａｌｆｅａｔｕｒｅ

ｅｘｔｒａｃｔｉｏｎｉｓ

ａ

ｋｅｙｓｔａｇｅｆｏｒ３Ｄｏｂｊｅｃｔｒｅｃｏｇｎｉｔｉｏｎｗｉｔｈｔｈｅｐｒｅｓｅｎｃｅｏｆｏｃｃｌｕｓｉｏｎａｎｄｃｌｕｔｔｅｒ．Ｆｉｒｓｔｌｙ，

ｍｎｇｅｉｍａｇｅｓａｎｄｔｈｅｉｒｒｅｐｒｅｓｅｎｔａｔｉｏｎｓａｒｅ

ｄｅｓｃｒｉｂｅｄ．Ｔｈｅｄｉｆｂｒｅｎｔｉａｌｇｅｏｍｅｔｒｉｃａｔｔｒｉｂｕｔｅｓ

ａｒｅ

ｉｎｔｒｏｄｕｃｅｄ，

ｉｎｃｌｕｄｉｎｇｔｈｅｓｕｄ’ａｃｅ

ｎｏ瑚ａｌ，

ｔｈｅ

ｃｕｎ，ａｔｕｒｅ

ａｎｄｔｌｌｅｓｈａｐｅｉｎｄｅｘ．Ｔｈｅｎ，

ｔｈｅｌｏｃａｌｆｅａｔｕｒｅｄｅｔｅｃｔｉｏｎ

ｍｅｔｈｏｄｓ

ａｒｅ

ｃｌａｓｓｉｆｉｅｄｉｎｔｏ

６ｘｅｄｓｃａｌｅｍｅｔｈｏｄａｎｄ

ａｄａｐｔｉｖｅ

ｓｃａｌｅ

ｍｅｔｈｏｄ．

Ａｎｄ

ｔｈｅｌｏｃａｌｆｅａｔｕｒｅ

ｄｅｓｃｒｉｐｔｉｏｎｍｅｔｈｏｄｓ

ａｒｅ

ｃｌａｓｓｉ６ｅｄｉｎｔｏｄｅｐｔｈＶａｌｕｅｂａｓｅｄ，ｐｏｉｎｔｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｂａｓｅｄａｎｄｇｅｏｍｅｔｒｉｃ

ａｔｔｒｉｂｕｔｅｓｄｉｓｔｒｉｂｕｔｉｏｎｂａｓｅｄｍｅｔｈｏｄｓ．ＴｈｅｓｅｍｅｔｈｏｄｓｗｉｔｈｔＩｌｅｉｒｍｅｒｉｔｓａｎｄｄｅｍｅｒｉｔｓ

ａｒｅ

ｄｅｓｃｒｉｂｅｄ．

Ｆｉｎａｕｙ，ｔｈｅｅｘｉｓｔｉｎｇｍｅｔｈｏｄｓａｒｅ

ｓｕｍｍ撕ｚｅｄ

ａｎｄｓｅｖｅｒａｌｃｈａＵｅｎｇｅｓａｎｄｆｕｔｕｒｅｒｅｓｅａｒｃｈｄｉｒｅｃｔｉｏｎｓ

４ｒｅ

Ｄｏｉｎｔｅｄｏｕｔ．

Ｋｅｙ

Ｗｏｒｄｓ

３Ｄ

ＯｂｊｅｃｔＲｅｃｏｇｎｉｔｉｏｎ，ＲａｎｇｅＩｍａｇｅ，ＬｏｃａｌＦｅａｔｕｒｅ，ＦｅａｔｕｒｅＥｘｔｒａｃｔｉｏｎ

女国家自然科学基金项目（Ｎｏ．６０９７２１１４）、国家博士后科学基金项目（Ｎｏ．２０１００４８１５１１）、国家留学基金委ｃｓｃ奖学金项目（Ｎｏ．２０１１６１１０６７）资助

收稿日期：２０１１一０４—０７；修回日期：２０１１一ｌＯ一２８

作者简介郭裕兰，男，１９８５年生，博士研究生，主要研究方向为三维目标识别、激光雷达数据处理等．Ｅ．ｍａｉｌ：ｙｌｌｌ蚰．ｇｕｏ＠ｎｕｄｔ．ｅｄｕ．ｃｎ．鲁敏，男，１９７７年生，副教授，主要研究方向为激光雷达目标识别．谭志国，男，１９７８年生，博士后，主要研究方向为图像处理、模式识别等．万建伟，男，１９“年生，教授，博士生导师，主要研究方向为现代信号处理、计算机视觉等．

万方数据

模式识别与人工智能２５卷

１

引言

近年来，随着三维（３Ｄ）成像技术如激光雷达和结构光主动成像等的快速发展，距离图像的获得变得越来越便捷．距离图像反映物体的三维空间几何形状信息，相对于二维图像而言，其不受光照、视点和尺度变化等¨屯。因素的影响，有望克服二维图像目标识别中存在的诸多瓶颈，目前已在人脸识别∞。ｊ、人耳识别∽Ｊ、人头识别∽ｊ、三维模型建模ｎ０］、自主驾驶Ⅲ１以及导航与制导‘１２—４１等领域得到广泛关注，成为新的研究热点．

Ｂｅｓｌ［１５］、Ｂｒａｄｖ㈨、Ｃａｍｐｂｅｌｌ㈣和Ｍｉａｎ㈣等对

特征提取、三维建模和匹配识别等进行详细分析，并将三维目标识别系统划分为离线建库和在线识别两部分¨９【．特征提取作为三维目标识别中最关键的一个环节，在很大程度上决定着识别系统的性能．特征主要包括全局特征和局部特征两类，全局特征计算量小，便于实现，在三维模型检索中得到广泛应

用怛０｜．但它对细节的鉴别力不强，要求对目标预先

分割且三维数据完整，因而应用范围受限．局部特征

对遮挡和背景干扰有很强的适应性¨７Ｉ，被广泛应用

于距离图像配准、三维建模和目标识别中，成为当前研究的热点，因而本文将只对局部特征提取方法进

行分析．

在距离图像局部特征提取领域，已取得大量的

研究成果．Ｃａｍｐｂｅｌｌ［１７］、Ｍａｍｉｃ㈨和Ｍｉａｎ㈨等分别

于２００１年、２００２年和２００４年对现有的三维建模和识别算法进行较为全面的评述．近１０年来，又有大量的局部特征提取算法陋“’弘冽涌现，然而尚缺乏

文献对该领域的成果进行总结梳理和分析．本文与

文献［１５］“１８］、［２１］等对三维建模、表征和识别

整个过程进行总结分析不同，本文将重点分析局部特征提取技术，因而更具有针对性；与文献［３］、［４］、［７］￣［９］、［２７］等只对人脸、人耳或人头等特定目标的识别和特征提取问题进行分析不同，本文将研究对象扩展为三维自由形态目标∞Ｊ，因而有助于为更多领域的研究人员提供思路；与文献［１７］、［１８］等现有综述相比，本文大量增加了近十年的新成果，因而能更准确地反映该领域的最新研究进展．２

理论基础

２．１基本概念

二维图像通常由光学相机获得，可分为二维彩

万方数据

色图像和二维灰度图像∽Ｊ．从数学角度看，二维彩色图像（ｃｏｌｏｒｅｄＩｍａｇｅ）是一个五维矢量［Ｍ。，可；，Ｒ。，

Ｇ；，召ｉ］，ｉ＝１，２，…，Ⅳ，其中，￡￡和移为像素坐标，尺、Ｇ

和Ｂ为对应的红绿蓝分量，Ⅳ为总的像素数．二维灰

度图像（Ｇｒａｙ

ｓｃａｌｅ

Ｉｍａｇｅ）是一个三维矢量［“ｉ，秽ｉ，

‘］，其中，为光的反射强度．二维强度图像（ＩｎｔｅｎｓｉｔｙＩｍａｇｅ）与二维灰度图像类似，只不过这里的光反射强度是由成像传感器的主动光而非自然光照射物体而获得的．

距离图像（ＲａｎｇｅＩｍａｇｅ）也称为深度图像，可

采用伪灰度、点云或者网格表示［２８｜．从数学角度看，

伪灰度表示的距离图像是一个三维矢量［ｕ。，秽。，‘］，其中，ｒ为传感器焦平面到目标成像点之间的距离．点云表示的距离图像是结合成像点的距离和角度信息而获得的，是一个三维矢量［戈ｊ，，，；，气］，其中石、），和ｚ为成像点的空间坐标．为了更好地表示目标的表面特征，并减少点云数据冗余，使用点云数据构建多边形网格，得到网格表示的距离图像．网格表示的距离图像包含一个ｎ×３的三维顶点坐标矩阵和一个ｍ×３的三角面片顶点索引矩阵，其中，ｎ为顶点数，ｍ

为面片数．

受自遮挡的影响，一个视点下获得的距离图像

并没有包含三维目标的全部形状，因而是２．５维的¨Ｊ，若将多个视点下的２．５维距离图像经配准拼接和重构便可获得目标的三维完整模型，这即是三维建模的过程．局部特征提取作为三维模型建模和

三维目标识别的关键环节，包含特征检测和特征描

述两个部分．法向量、曲率、主曲率、平均曲率、高斯

曲率和形状索引等微分几何屙｜生作为局部表面的固

有特性，构成局部特征提取的理论基础．

２．２

微分几何属性

法向量是垂直于采样点所在局部曲面的单位向量，为获得噪声下的强稳健性，法向量通常由采样点一定邻域的法向量加权得到．曲率则是曲线上切线

方向角对弧长的转动率，表明曲线偏离直线的程度。

对于三维欧几里德空间中可微曲面上的任一点０可

在任意方向上定义曲率，因而有无数多个曲率值珙

中最大和最小的曲率定义为主曲率墨和毛，对应的方向为主方向．两个主曲率的平均值定义为平均曲率日，乘积定义为高斯曲率Ｋ，均方根定义为曲度Ｒ，即

日＝—｝，Ｋ＝Ｋｌ砭，Ｒ＝．／—｝．日：茎学，Ｋ瑙砭，肛．／半．

二

Ｖ

二

日和Ｋ与一定的曲面几何类型相对应，Ｂｅｓｌ

等¨纠利用胃和Ｋ的符号将曲面量化成离散的８类，表１给出不同曲面与日、Ｋ之间的对应关系．

５期

郭裕兰等：距离图像局部特征提取方法综述

７８５

表１

曲面类型与曲率日、置的关系

Ｔａｂｌｅ１

ＲｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｓｕＩｆａｃｅｔｙｐｅａｎｄ日ａｎｄＫ

由于日和Ｋ之间本身具有较强的相关性，故简

单利用日和Ｋ构造的特征描述性不强，于是

Ｋｏｅｎｄｅｒｉｎｋ引入一种几何属性：形状索引（ｓｈａｐｅ

Ｉｎｄｅｘ）‘圳，即

ｓ，：三哪ｔａｎｆ逊１．

＼

Ｓ，＝二二＿ａｒｃｔａｎＩ：兰一』—．：二三Ｉ．

７ｒ

、Ｋｌ一如，

形状索引取值范围为［一１，１］．与前述日和Ｋ对

应于８种离散的曲面类型不同，形状索引对应于从ｃｕｐ到ｃａｐ的连续曲面类型，且除平面之外的每种

曲面类型都具有唯一的形状索引值．

３局部特征检测

局部特征检测是指在距离图像上提取部分满足

某种显著性指标的特征点的过程，其目的在于采用

最少的特征点实现对目标的有效表征，从而减小运

算量，同时提高目标识别的性能∞０｜．一个优秀的特

征点必须满足以下条件旧３｜：１）特征点应具有较好的

可重复提取性；２）特征点上应能定义唯一的三维坐

标系以提取局部不变特征；３）特征点邻域应包含对

其进行有效描述的足量信息以减小错误匹配的概率∞１‘．本文依据特征检测的尺度将其分为固定尺度特征检测算法和自适应尺度特征检测算法两类．

３．１

固定尺度特征检测算法

固定尺度特征检测算法是最早出现的一类特征

检测算法，该方法首先确定采样点邻域的大小即尺度（有时甚至是全局），然后在该邻域内依据一定的方式检测出满足某种显著性指标的采样点作为特征

点．依据所采纳的显著性指标，可将这类方法分为随机采样法和基于曲率的方法．３．１．１随机采样法

作为最简单最直观的方法，随机采样法∞２≈４ｏ随机选取距离图像中的部分点作为特征点．该方法计

算量小，实现简便，效率较高，但它没有考虑采样点

万方数据

之间的差异性，即点所代表的几何信息，因而不能保证提取的特征点具有较好的可重复性和描述性［２

３。．

Ｆｈｍｅ‘３２｜、Ｊ０ｈｎｓｏｎ‘３３３和ｓｈｉｌａｎｅ㈨等都采用这类算

法，在随机选取的特征点上分别计算３ＤＳｈ印ｅ

Ｃｏｎ—

ｔｅｘｔ、ｓｐｉｎ

Ｉｍａｇｅ和调和形状描述子以实现特征

描述．

３．１．２基于曲率的方法

心理学实验表明，人类视觉系统能依据表面曲

率进行显著点的提取并将复杂形状分解成各个部件以完成识别旧５｜．受此启发，基于曲率的方法利用采样点及其邻域的曲率信息来检测特征点旧６｜．这类方

法比随机采样法得到的特征点具有更好的可重复提取性、有效性和变换不变性，但曲率计算要求距离图像包含较为稠密的点，且曲率中的微分运算易受噪

声的影响．下面将对一些典型方法进行阐述．

ｎｉｒｉｏｎ口７。３８１依据主曲率Ｋ，和Ｋ的极值定义特

征点，并利用检测出的特征点实现多种三维医学图

像的配准，结果表明该方法提取的特征点具有良好的刚体变换不变性，但其稳健性和一致性还有待进

一步分析∞９。．Ｙａｍａｎｙ旧引采用单形角（Ｓｉｍｐｌｅｘ

Ａｎ－

ｄｅ）来描述曲率，并以单形角大于某一阈值的点定义为特征点，并理论证明特征点的存在性、有限性和

对噪声的适应性．但由于Ｙ砌ａｎｙ方法中固定阈值

的选取依赖于具体的目标曲面，因而适应性不强．ｃｈｅｎⅢｏ选择形状索引极值超过均值一定倍数且经过非极大值抑制的点作为特征点．该方法有较好的

适应性．Ｃｈｅｎ算法性能的提升得益于两个方面：形

状索引比主曲率和高斯曲率能更好地描述局部曲面；采用与邻域点比较而非固定阈值的方式提取特征点有助于提高算法的适应性．

与上述方法直接利用曲率信息实现特征检测不同，Ｍｉａｎ㈣１首先将距离图像点云三角网格化，再采用Ｇａｒｌａｎｄ的方法对网格进行精简，并将精简后的网格顶点作为特征点．Ｇ脚ａｎｄ网格简化方法本质上还是利用目标表面的几何曲率信息，能最大限度地保留目标细节．

由于固定尺度特征检测算法的尺度是预设的，固定不变的，因而存在一些先天的不足：１）不能同

时兼顾大尺度的粗特征和小尺度的细节特征，小尺

度特征在大尺度算法中将无法检测出来；２）不能自适应地确定特征点的尺度，而预设的尺度依赖于经

验选取，难以具有普适性．

３．２

自适应尺度特征检测算法

为克服固定尺度特征检测的不足，近年来大量

的研究投入到自适应尺度特征的检测上．该方法首

模式识别与人工智能

２５卷

先在多个尺度上提取几何属性，并依据几何属性的极值检测特征点并确定特征点所在的尺度．这类方法能自动确定特征点所在的尺度，其特征点的可重复提取性和有效性明显高于固定尺度特征点汪引，更有利于识别的实现．依据自适应尺度特征的提取思路，可将这类方法分为基于尺度空间的方法和基于

邻域缩放的方法．

３．２．１基于尺度空间的算法

基于尺度空间的算法首先构造距离图像的尺度空问表示，然后在尺度空间中寻找几何属性极值以完成特征点定位和尺度估计．

Ａｋａｇｕｎｄｕｚ【４卜４２ｏ通过对距离图像进行高斯平滑和下采样构建高斯金字塔，在金字塔的每层计算平均曲率Ｈ和高斯曲率Ｋ，再依据表ｌ将局部曲面分成８种类型从而构成ＨＫＭａｐ，最后将尺度空间ＨＫＭ印中具有相同曲面类型的点构成连通区域，以每个连通区域内所有采样点的坐标和尺度加权均值作

为特征点的坐标和尺度．

‘

ｃａｓｔｅｌｌａｎｉＨ列采用一系列高斯滤波器作用于距离图像得到尺度空间表示，并选择在不同尺度间沿法向方向上有最大位移的点作为特征点．与此相类

似，一钏采用不同尺度的高斯加权函数获得局部曲

面的尺度空间表示，然后计算该点在不同尺度间沿法向方向的差值，以具有局部极大或极小差值的点

作为特征点．

上述方法都是借鉴二维图像尺度空间构建的思路，直接对距离图像的坐标进行平滑运算，然而与二维图像的像素代表目标的表象信息不同，距离图像的三维坐标代表目标的几何形状信息，因而直接修改三维坐标容易破坏目标表面的几何拓扑关系．为此，部分研究人员转而研究如何构建不破坏内在几

何形状的尺度空间．

ＮｏｖａｔｎａｃｋⅢ１首先将目标三维距离图像参数化为二维法向量图，并对法向量图进行高斯平滑得到

离散尺度空间，进而采用与图像中的Ｈａ而ｓ角点Ⅲ１相类似的方法在法向量图中提取特征点，最后将二

维法向量图中的特征点反向映射到三维点云中得到自适应尺度特征点．该方法通过构造法向量图尺度空间避免对目标三维形状的直接修改．ｚｏｕＨ刊则采

用Ｒｉｃｃｉ流对几何表面进行变形，获得能够保留目标几何结构的内蕴几何尺度空间（Ｉｎｔｒｉｎｓｉｃ

Ｇｅｏｍｅｔ—

ｒｉｃＳｃａｌｅ

ｓｐａｃｅ，ＩＧＳＳ），并在ＩＧＳＳ中提取极值点作

为特征点．该方法构建的尺度空间满足因果性和尺度不变性，同样避免尺度空间构建对三维形状的破坏．

万方数据

３．２．２基于邻域缩放的算法

基于邻域缩放的方法不直接构建尺度空间，而

是选取不同大小邻域内的采样点计算局部几何属性，并以几何属性的极值来确定特征的尺度．由于这类方法无需对三维表面进行直接修改，因而不会带来目标几何结构变化，且受噪声的影响较小Ｈ

８｜．

这类方法中，Ｐａｕｌｙｌ４９１计算邻域内采样点的协方差矩阵，得到３个特征值Ａ，，Ａ：和Ａ，，进而计算

表面变化度

昵２

ｉ了丽’

Ａ１

变化邻域大小，以盯。在不同邻域间取极值的点作为特征点，并以极值对应的邻域大小作为该特征的尺度．Ｍｉａｎ旧列计算邻域内采样点的主方向和主轴长度，以两个主轴长度的比值超过某一阈值且在不同邻域间取极大值的点作为特征点，以极值对应的邻域大小确定特征点尺度．ＨｏＨ副计算邻域内采样点的形状索引方差，以该方差的极值确定特征点及其所

在的尺度．

４局部特征描述

局部特征描述是将检测到的特征点邻域包含的

曲面形状信息转化为高维描述向量的过程．一个有效的特征描述子必须满足以下条件：１）描述子应具有较强的鉴别力；２）描述子应具有丰富的描述性和稳健的变换不变性旧引；３）描述子应易于计算和匹配；４）描述子应对噪声和背景干扰具有较强的稳健性．依据描述向量的内容，本文将其分为３类：基于深度信息的方法、基于点云分布的方法和基于几何

属性的方法．

４．１基于深度信息的方法

由于距离图像真实反映目标的几何形状信息，因而当确定一个参考坐标后，点云的深度信息显然可用于特征描述．基于深度信息的方法首先在特征点处构造参考平面或参考坐标系，进而以邻域点到

该平面的距离或其数学变换作为特征描述向量．哒

类方法实现简单，计算量小，但其描述性有限．

此类方法中最早出现的是ＣｈｕａＬ５０１于１９９７年提出的Ｐｏｉｎｔｓｉｇｎａｔｕｒｅ特征．该方法首先用以特征点为

中心，半径为ｒ的球面与三维目标表面相交，得到空：

问曲线ｃ．然后对Ｃ进行平面拟合，进而以Ｃ中离特

征点距离最远的点作为起始点，以Ｃ上的点到该拟合平面的有向距离作为描述向量．该特征具有平移和旋转不变性．其不足之处在于：１）特征容易受噪

５期郭裕兰等：距离图像局部特征提取方法综述

７８７

声影响，一个较大的噪声就会使起始点发生错误；２）特征的起始点可能不唯一，因而一个特征点可能拥有多个描述向量拉引；３）对于点云数据和网格表示的距离图像，需要通过插值来获取球面和曲面的交线∞１｜，因而增加计算量，且降低特征质量．

Ｍｉａｎ旧到引入局部坐标定义，以特征点法向量和

曲面的两个主方向构成直角参考坐标系，以邻域点

在该参考坐标系下的深度值作为特征描述向量，坐标系的定义避免Ｐｏｉｎｔｓｉｇｎａｔｕｒｅ特征不唯一的问题．其不足之处在于将所有邻域点平等对待，而外围的

邻域点容易受遮挡的影响从而使得描述向量不够稳健．针对此，Ｍａｓｕｄａ¨纠基于特征点的切平面上定义对数极坐标系，以邻域点到该切平面的距离作为特征描述向量．采用对数极坐标系有利于减少外围采

样点对特征描述的影响，具有一定的抗遮挡性能，实验结果表明其性能优于ｓｐｉｎＩｍａｇｅ方法．４．２基于点云空间分布的方法

距离图像的点云可认为是物体三维外形的采

样，其分布直观表达目标的形状信息．为获得刚体变换不变性，基于点云空间分布的方法首先要在特征

点处构造参考坐标系，进而以邻域点在该坐标系下

的二维或三维空问分布作为描述向量．这类方法描

述性较强，得到较广泛的应用。

最为经典的是Ｊｏｈｎｓｏｎ旧列于１９９９年提出的

Ｓｐｉｎ

Ｉｍａｇｅ特征．该方法以特征点位置为圆心，以特

征点法向量为轴构建圆柱参考坐标系，以邻域点在该圆柱坐标系下的分布密度作为描述特征．该方法可理解为将一个图像绕法向量旋转３６０。，以图像中每个像素栅格所遇到的点云数作为其灰度值．ＳｐｉｎＩｍａｇｅ对遮挡和背景干扰具有很强的稳健性，在距离图像配准和三维目标识别中得到广泛应用．其不足之处在于不具有尺度不变性，需要较大的存储空

间和要求点云均匀分布．针对这些问题，也出现大量的改进算法，如Ａｓｓ瞰ｇｂ到通过将ＳｐｉｎＩｍａｇｅ进行扇

区划分并转化为一维向量以减少数据量，Ｄｉｎｈ＂４１则

通过改变ｓｐｉｎＩｍａｇｅ的单元大小和支持域长度获得

多分辨率ｓｐｉｎＩｍａｇｅ以实现由粗到精的匹配识别．

由于ＳｐｉｎＩｍａｇｅ是二维描述向量，从三维空间到二维图像的信息损失导致ｓｐｉｎＩｍａｇｅ的描述性不强．于是，Ｆｒｏｍｅ【３２１将特征点邻域划分为三维球形栅格，统计栅格内的点云数得到３ＤＳｈ印ｅＣｏｎｔｅｘｔｓ特征．实验结果表明该特征在噪声和背景干扰下的识别性能

均高于ｓｐｉｎＩｍａｇｅ方法，其不足之处在于只定义ｚ轴方向，因而特征匹配时需要将场景特征描述向量绕ｚ

轴旋转并计算与模型描述特征向量的相关度，计算量万方数据

较大．而ｚｈｏｎｇ∞纠采用主成分分析法得到的特征矢量

构建直角参考坐标系，并采用与３ＤＳｈ印ｅｃｏｎｔｅｘｔｓ类

似的方法获得特征向量ＩⅡｔｒｉｎｓｉｃＳｈ印ｅＳｉｇＩｌａｔｕｒｅｓ

（Ｉｓｓ），避免只定义ｚ轴带来的方位模糊．

上述方法均采用点云数目作为特征统计量，容易受噪声和点云分布不均匀性的影响，导致特征稳

健性不强．于是，Ｍｉａｎ㈤ｏ首先对点云进行三角网格

化，然后在特征点处构建直角参考坐标系，并将特征

点邻域划分为三维方形栅格，统计栅格内的三角网格面积得到三阶Ｔｅｎｓｏｒ特征．实验表明，Ｔｅｎｓｏｒ比

Ｐｏｉｎｔ

ｓｉｇｎａｔｕｒｅ和ｓｐｉｎＩｍａｇｅ等有更强的稳健性和

更好的鉴别力．该算法的优势在于采用网格表面积作为描述向量比采用点云数更加稳健，其不足之处

在于需要尝试大量满足几何约束的邻域点对来构造参考坐标系．

４．３基于几何属性分布的方法

目标表面采样点的法向量、曲率、形状索引等几何属性是局部表面的固有特性，不同局部表面具有不同的几何属性分布．基于几何属性分布的方法以特征点邻域内采样点的几何属性分布（如一维／二维直方图统计等）作为特征描述向量．这类方法对

局部表面的描述性较强，应用较广，但法向量和曲率

等的计算涉及微分操作，因而对噪声较为敏感．

其中的一类方法只采用一种几何属性的分布来

构建描述向量．最早出现的是ＳｔｅｉｎＬ５钊１９９２年提出

的ｓｐｌａｓｈ特征，该方法首先得到与特征点距离为ｒ的邻域点，进而以这些邻域点的法向量分布作为特征描述向量．ＩＪｉⅢ１则将邻域点的法向量投影到特征点的切平面上，并进行离散余弦变换和离散傅里叶变换以得到Ｎｏ咖ａＪ

Ｂ船ｅｄＳｉｇＩＩａｔｕｒｅ（ＮＢＳ）特征，实

验结果表明其性能优于后文的ｋａｌ

ＦｅａｔｕｒｅＨｉｓｔｏ—

ｇｒａＩｎ方法．Ｄｏｒａｉ【５７１提出的ｓｈａｐｅｓｐｅｃｔｍｍ以邻域点

的形状索引值作为直方图的维向量，以落人该形状索引值范围内的目标表面积作为直方图对应单元的数值．该特征能较好地表征局部表面的曲面类型分布，在噪声下具有较好的性能．

为比较法向量、形状索引和深度（Ｄｅｐｔｈ）的描述性能，Ｈｅｔｚｅｌ”驯分别以这３种几何属性单独构造一维直方图，以及两两组合或三者组合构造一维直

方图得到特征描述向量，并对比分析各自的目标识别性能．结果表明：１）法向量直方图及形状索引直方图比深度直方图有更好的识别性能；２）将法向量

与形状索引或深度组合构造直方图能获得比单个属

性直方图更好的识别性能；３）三者组合构造的直方

图有最佳的识别性能．

７８８

模式识别与人工智能２５卷

受此启发，部分研究人员转而将多个几何属性此外，也有部分算法是在对距离图像进行变换进行组合来构造直方图统计．Ｙａｍａｎｙ∞引以特征点与的基础上再提取特征，如Ｂａｙｒａｍｏｇｌｕ旧叫提出的ＳＩ．

邻域点的距离以及特征点法向量与特征点到邻域点

ＳＩ订特征首先计算距离图像每一个点的形状索引

向量的夹角作为特征向量的两维得到二维直方图特

以得到形状索引图像，然后采用ｓＩＦｒ方法旧川完成征Ｓｕ血ｃｅ

Ｐｏｉｎｔ

Ｓｉｇｎａｔｕｒｅ（ＳＰＳ），ＳＰＳ特征中包含法

特征检测和描述，即以形状索引图像的梯度方向直向量的变化即曲率的信息．实验结果表明其比

方图作为描述向量．该方法认为形状索引图像反映ｓｐｌａｓｈ、Ｐｏｉｎｔ

Ｓｉｇｎａｔｕｒｅ和ｓｐｉｎＩｍａｇｅ有更强的鉴别

局部曲面的形状信息，包含比距离图像更多的信息，力．相类似的，ｃｈｅｎⅢｏ则以邻域点的形状索引值以更有利于特征提取．实验结果表明该方法对于背景及特征点法向量与邻域点法向量的夹角作为特征向干扰和遮挡具有稳健性，性能优于ＳＩ．Ｎｏ瑚ａ１．Ｈｉｓｔ和

量的两维得到二维直方图特征ＳＩ－Ｎｏ瑚ａｌ—Ｈｉｓｔ．２．５Ｔ）ＳＴ胛．

Ｌ０旧纠在采用与尺度不变特征变换（ＳｃａｌｅＩｎｖ枷ａｎｔ

Ｆｅａｔｕｒｅ

Ｔｍｎｓｆ０Ｈｎ，ｓＩＦｒ）旧川类似的方法完成特征检

５算法总结及面临的挑战

测后，以邻域点的形状索引和梯度方向构建一维直

方图作为描述向量得到２．５Ｄ

Ｓｌ丌．由于该特征不

５．１现有算法总结

仅包含距离图像的内在属性（如形状索引对应的表上文对局部特征提取中的特征检测和特征描述面拓扑类型），且包含空间分布信息（如梯度方向），进行分类、归纳和阐述，在此以算法提出的年份为序

因而具有较高的鉴别力，其不足在于需要对距离图

对现有算法进行总结，得到表２．

像进行较为复杂的预处理．

表２典型的局部特征提取算法

Ｔａｂｌｅ２

聊ｉｃａｌ

ｌｏｃａｌｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄｓ

序号算法名称作者，年份，文献特征检测特征描述算法性能

万方数据

５期

郭裕兰等：距离图像局部特征提取方法综述

７８９

由表２及上文分析，总结如下．

１）特征提取技术的发展．在经过２０世纪９０年

代的摸索后，近十年来得到大量的研究和发展，并取得许多可喜的成果．这主要得益于计算机视觉领域对三维目标识别特有优势的逐渐认识，以及近年来三维成像传感器的飞速发展和计算机处理能力的迅

速提高．

２）特征检测．早期的特征提取算法基本没有包含特征检测的步骤，后来采用随机采样法以减少特征点的数量，但随机采样得到的特征点没有考虑目

标表面的形状信息，不具有可重复提取性，因而特征匹配的质量不高．于是研究人员利用曲率信息提取

固定尺度的特征点，从而获得较好的可重复提取性．

但固定尺度特征检测不能自动确定特征所在的尺度，不能应用于尺度缩放目标之问的匹配，因而近年

来大量研究投入到自适应尺度特征的检测中．

３）特征描述．采用深度信息构建特征描述向量是最直观的思路，但深度信息表征能力有限．点云的空间分布良好地反映目标三维外形，为了获得刚体变换不变性，需要确定一个参考坐标系以描述邻域点云的空间分布，不同的坐标系在很大程度上影响

着特征的描述性和匹配效率．几何属性是目标表面

的曲面类型和几何特性的反映，采用不同的几何属性或组合多种几何属性获得特征描述是一个主要的研究思路．

４）性能评价．目前的特征提取算法测试结果大都是在不同数据集、不同的测试环境下获得的，缺乏算法之间的定量比较、分析和评价．大部分算法都是

选取ｓｐｉｎＩｍａｇｅ特征进行对比实验，因而从这个意

义上来说ＳｐｉｎＩｍａｇｅ已成为一种事实上的标准算

法．后续的研究中有必要在统一的条件下对典型局

部特征提取算法的可重复性、描述性、稳健性和算法复杂度等进行系统的测试评估．主要工作包括：对比实验数据库的构建和选择，评价指标体系的建立，系统完整的对比实验以及实验结果分析等．

５．２面临的挑战

尽管近年来在距离图像局部特征提取方面取得许多令人鼓舞的结果，但是其仍然面临着许多挑战，这些挑战也进一步指明未来需要继续努力的方向．

１）特征的排序与筛选．距离图像上提取的大量

局部特征中包含部分稳健性和鉴别力不强的特征

点，这些特征点的存在会增加识别中错误匹配的概率，并消耗大量的时间，因而有必要对特征进行排序和筛选．现有算法主要利用某特征与其它目标特征

的差异性来实现特征选择，如ｚｈａｌ５钊依据差异性所

万方数据

定义的显著性系数，Ｓｈａｎ㈣１依据特征匹配的频数，Ｊｏｈｎｓｏｎ∞“、ｓｈｉｌａｎｅ¨４１和Ｆｕｎｋｈｏｕｓｅｒｐ叫等依据特征

相似度来选择特征点．这些方法能选择出鉴别力强的特征点，但往往计算量较大，因而如何获得高效的特征点选择算法还有待研究．

２）特征描述性与计算效率的矛盾．Ｍｉａｎ的分

析∞１表明，三维描述向量的鉴别力和描述性明显优于二维和一维描述向量，但维数的增加同时也带来

计算量和存储量的巨大负担．提取描述性强同时又能满足计算量限制的特征是一个值得研究的方向．３）低分辨率数据的特征提取问题．现有算法大都在较高分辨率的数据上提取，当数据分辨率低时（如激光雷达在远距时得到的距离图像），计算点的法向量和曲率等将存在较大困难，此时现有算法将

面临严峻挑战．

４）融合形状信息和颜色信息的特征提取．现有的局部特征都只利用几何形状信息，这给识别带来

一些困难，如一个同样大小和形状的足球和地球模

型，仅利用几何信息是无法区分的．而实际上三维成像传感器通常都能同时获得距离图像和强度／灰度图像，综合利用几何形状信息和颜色信息构造特征向量将有助于进一步提高识别系统的性能旧］．６

结束语

局部特征提取作为三维目标识别中一个最为关键的环节，是一个具有重要意义和富有挑战性的问题，近年来吸引越来越多的研究人员的关注．本文首先对微分几何属性进行详细阐述，进而对局部特征检测和描述算法进行分类，并详细分析各种算法的基本原理及其优缺点，梳理现有算法的研究脉络，最后在总结现有算法的基础上讨论局部特征提取技术所面临的挑战，并指出值得进一步研究的方向．

参考文献

［１］Ｇｏｒｄｏｎ

Ｇ．ＦａｃｅＲｅｃｏｇｎｉｔｉｏｎＢａｓｅｄ０ｎ

Ｄｅｐｔｌｌ柚ｄ

Ｃｕｒ哪ｕｒｅ

Ｆｅａｔｕｒｅｓ／／Ｐｒｏｃ

ｏｆ

ｔｈｅＩＥＥＥ

Ｃｏｍｐｕｔｅｒ

ＳｏｃｉｅｔｙＣｏｎｆｅｒｅｎｃｅ

ｏｎ

Ｃｏ皿【Ｐｕｔｅｒ

ＶｉｓｉｏｎａｌｌｄＰａｔｔｅｍ

Ｒｅｃｏｇｎｉｔｉｏｎ．Ｃｈ枷ｐａｉ弘，ＵＳＡ，１９９２：１０８一１１０

［２］ＭｅｄｉｏｎｉＧ，ｗａｕｐｏｔｉｔｓｃｈ

Ｒ．Ｆａｃｅ

Ｒｅｃｏ印ｉｔｉｏｎ蚰ｄＭｏｄｅｌｉｎｇｉｎ３Ｄ

／／Ｐｒｏｃ０ｆｔｈｅ１ＥＥＥ

ＩｎｔｅｍａｔｉｏｎａｌＷｏｒｋｓｈ叩ｏｎＡｎａｌｙｓｉｓａＩｌｄＭ０ｄｅｌ・

ＩｎｇｏｆＦａｃｅｓａｎｄＧｅｓｔｕｒｅｓ．Ｎｉｃｅ，Ｆｒａｎｅｅ，２００３：２３２—２３３

［３］Ｂｏｗｙｅｒ

Ｋ

ｗ，ｃｈａｎｇＫ，ｎｙｌｌｎＰ．Ａｓｕｒｖｅｙｏｆ

Ａｐｐｒｏａｃｈｅｓ蛐ｄ

Ｃｈａｌｌｅｎｇｅｓｉｎ３Ｄ帅ｄＭｕｌｔｉ－Ｍ０ｄａｌ３Ｄ＋２ＤＦａｃｅＲｅｃｏｇｎｉｔｉｏｎ．Ｃｏｍ—

ｐｕｔｅｒＶｉｓｉｏｎａｎｄＩｍａｇｅｕｎｄｅｒｓｔａｎｄｉｎｇ，２００６，１０１（１）：１—１５

［４］ｓｃｈｅｅｎｓｔｒａ

Ａ，Ｒｕｉｆｒｏｋ

Ａ，Ｖｅｌｔｋ锄ｐ

Ｒ．Ａｓｕｒｖｅｙ０ｆ３ＤＦａｃｅＲｅｃｏｇ－

ｎｉｔｉｏｎＭｅｔｈｏｄｓ／／Ｐｒｏｃｏｆｔｈｅ５ｔｈＩｎｔｅｍａｔｉｏｎａｌＣｏＩｌｆｅｒｅｎｃｅ

ｏｎ

Ａｕｄｉｏ—

７９０

模式识别与人工智能

２５卷

ａｎｄ

Ｖｉｄｅｏ－Ｂ鹊ｅｄ

Ｂｉｏｍｅｔｒｉｃ

Ｐｅｒｓｏｎ

Ａｕｔｈｅｎｔｉｃａｔｉｏｎ．

Ｈｉｌｔｏｎ

Ｒｙｅ

Ｔ０ｗｎ，ＵＳＡ，２００５：８９ｌ一８９９

［５］ＭｉａｎＡｓ，ＢｅｎｎａＩＩｌｏｕｎＭ，０ｗｅｎｓＲ．Ａｎ

Ｅ位ｃｉｅｎｔＭｕｌｔｉｍｏｄａｌ２Ｄ．

３ＤＨｙｂ—ｄＡｐｐｒｏａｃｈｔｏ

ＡｕｔｏｍａｔｉｃＦａｃｅＲｅｃｑ旨ｎｉｔｉｏｎ．ＩＥＥＥｎ．ａｎｓｏｎ

Ｐ毗哪Ａｎａｌｙｓｉｓ

ａＩｌｄＭａｃｈｉｎｅ

ＩｎｔｅＵｉｇｅｎｃｅ，２００７，２９（１１）：１９２７—

１９４３

［６］ＭｉａｎＡｓ．ＲｅｐｒｅｓｅｎｔａｔｉｏｎｓａｎｄＭａｔｃｈｉｎｇ

Ｔｅｃｈｎｉｑｕｅｓ

ｆｏｒ３Ｄ

Ｆｒｅｅ一

蠡姗０ｂｊｅｃｔ

ａｎｄＦａｃｅＲｅｃｏｇｌｌｉｔｉｏｎ。Ｐｈ．ＤＤｉｓｓｅｒｔａｔｉｏｎ．Ｐｅｎｈ，Ａｕｓ—

ｔｒａｌｉａ：Ｕｎｉｖｅ玛ｉｔｙｏｆＷｅｓｔｅｍＡｕｓｔ珀ｌｉａ，２００６

［７］Ａｂａｔｅ

ＡＦ，Ｎ印ｐｉＭ，ＲｉｃｃｉｏＤ，甜ｏｆ．２ＤａＩｌｄ３ＤＦａｃｅＲｅｃｏｇｎｉ—

ｔｉｏｎ：

Ａ

ｓｕｒｖｅｙ．

Ｐａｔｔｅｍ

Ｒｅｃｏｇｎｉｔｉｏｎ

Ｌｅｔｔｅｒｓ，

２００７，

２８（１４）：１８８５—１９０６

［８］ｃｈｅｎＨ，Ｂｈ叭ｌＢ．ＨｕｍａｎＥａｒＲｅｃｏｇｎｉｔｉｏｎｉｎ３Ｄ．ＩＥＥＥＴｒａｎｓ

ｏｎ

ＰａｔｔｅｍＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅＵｉｇｅｎｃｅ，２００７，２９（４）：７１８～７３７

［９］ＧａｏＢ，ｚｈａＩｌｇＳ．Ａｓｕｒｖｅｙｏｆ３ＤＨｅａｄＭｏｄｅｌＲｅｔｒｉｅｖａｌ／／Ｐｒｏｃｏｆ

ｔｈｅ２ｎｄＩｎｔｅｍａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎ

ＩｍｅｌｌｉｇｅｎｔＣｏｍｐｕｔａｔｉｏｎＴｅｃｈｎｏｌ—ｏｇｙａｎｄ

Ａｕｔｏｍａｔｉｏｎ．Ｃｈ粕ｇｓｈａ，Ｃｈｉｎ８Ｉ２００９：５１５—５１９

［１０］ＭｉａｎＡｓ，ＢｅｎｎａｍｏｕｎＭ，０ｗｅｎｓ

Ｒ．

Ａｕｔｏｍａｔｉｃｃｏｎ．ｅｓｐｏｎｄｅｎｃｅ

ｆｏｒ３ＤＭｏｄｅｌｉｎｇ：ＡｎＥｘｔｅｎｓｉｖｅＲｅｖｉｅｗ．ＩｎｔｅｍａｔｉｏｎａｌＪ叫ｍａｌｏｆ

ｓｈ印ｅＭｏｄｅｌｉｎｇ，２００５，１１（２）：２５３—２９１［１１］Ｉｊｕ

Ｄａｘｕｅ，ＡＲｅｓｅａｒｃｈ

ｏｎ

ＬＡＤＡＲ・ＶｉｓｉｏｎＦｕｓｉｏｎａｎｄＩｔｓＡｐｐｌｉｃａ－

ｔｉｏｎｉｎＣｒｏｓｓ－Ｃ０ｕｎｔｒｙＡｕｔｏｎｏｍｏｕｓＮａｖｉｇａｔｉｏｎＶｅｈｉｃｌｅ，

Ｐｈ．ＤＤｉｓ－

ｓｅｒｔａｔｉｏｎ．Ｃｈａｎｇｓｈａ，Ｃｈｉｎａ：ＮａｔｉｏｎａｌＵｎｉｖｅｒｓｉｔｙｏｆＤｅｆｅｎｓｅ７ｒｅｃｈ—

ｎ０１０９）ｒ，２００９（ｉｎＣｈｉｎｅｓｅ）

（刘大学．用于越野自主导航车的激光雷达与视觉融合方法研究．博士学位论文．长沙：国防科学技术大学，２００９）［１２］Ｇｕｏ

Ｙｕｌａｎ，ＬｕＭｉｎ，７ｒａＩｌｚｈｉｇＩｌｏ，ｅ￡口ｚ．ＡＮｏｖｅｌＭｅｔｈｏｄｆｏｒＬ丑ｄａｒ

Ｔ８ｒｇｅｔＯｒ；ｅｎｔａｔｉｏｎＥｓｔｉｍ砒ｉｏｎ．Ｃｈｉｎｅｓｅ

ＪｏｕｍａｌｏｆＬａｓｅｒｓ，２０１１，３８（４）：ｌ一０４１４００２—７（ｉｎＣｈｉｎｅｓｅ）

（郭裕兰，鲁敏，谭志国，等．一种新的激光雷达目标姿态估计算法．中国激光，２０ｌｌ，３８（４）：１～０４１４００２—７）［１３］Ｇ埔ｎｗａｌｌ

ｃ，ＧｕｓｔａｆｓｓｏｎＦ，ＭｉｌｌｎｅｒＬ

Ｍ．Ｇｍｕｎｄ仉Ⅱ寥ｔＲｅｃｏｇｎｉｔｉｏｎｕｓｉｎｇ

ＲｅｃｔａＩｌ掣ｅ

Ｅｓｔｉｍａｔｉｏｎ．

ＩＥＥＥ

Ｔｈｎｓ

ｏｎ

ＩｍａｇｅＰｍｃｅｓｓｉｎｇ，

２００６，１５（１１）：３４０１—３４０９［１４］ＶａｓｉｌｅＡＮ，ＭａｒｉｎｏＲＭ．Ｐｏｓｅ—ＩｎｄｅｐｅｎｄｅｎｔＡｕｔｏｍａ６ｃＴａ曙ｅｔ

ＤｅｔｅｃｔｉｏｎａＩｌｄＲｅｃｏｇｎｉｔｉｏｎＵｓｉｎｇ３ＤＩ舶ｅｒＲａｄａｒ

Ｉｍ８９ｅｒｙ．Ｌｉｎｃｏｌｎ

Ｌａｂｏ豫ｔｏｒｙ

Ｊｏｕｍａｌ，２００５，１５（１）：６ｌ＿７８

［１５］Ｂｅｓｌ

ＰＪ，ＪａｉｎＲｃ．Ｔｈｒｅｅ—Ｄｉｎｌｅｎｓｉｏｎａｌ

０ｂｊｅｃｔＲｅｃｏｇｎｉｔｉｏｎ．ｃｏｍ—

ｐｕｔｅｒ

ｓｕⅣｅｙ，１９８５，１７（１）：７５—１４５

［１６］Ｂｒａｄｙ

ＪＰ，ＮａＩｌｄｈａｋｕｍａｒＮ，ＡｇｇａｒｗａｌＪＫ．ＲｅｃｅｎｔＰｒｏｇｒｅｓｓｉｎｔｌｌｅ

Ｒｅｃｏ印ｍｏｎｏｆＯｂｊｅｃｔｓ硒ｍＲａ“ｇｅＤａｔａ，ＩｍａｇｅＶｉｓｉ彻ｃｏｍｐｕｔｉｎｇ，１９８９，７（４）：２９５—３０７

［１７］ｃａｍｐｂｅｌｌＲＪ，ｎｙｎｎＰＪ．ＡＳｕｒｖｅｙｏｆＦｒｅｅ・Ｆｏｎｎｏｂｊｅｃｔ

Ｒｅｐｒｅｓｅ卅

ｔａｔｉｏｎａｎｄＲｅｃｏｇＩｌｉｔｉｏｎＴｅｃｈｎｉｑｕｅｓ．ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ｛ｉＩｌｄＩｍａｇｅ

ｕｎｄｅ哺ａｎｄｉｎｇ，２００１，８１（２）：１６６—２１０

［１８］ＭｉａＪｌ

Ａ

ｓ，Ｂｅｎｎａｍ叫ｎＭ，ＯｗｅｎｓＲ．Ａｕｔｏｍａｔｅｄ３ＤＭｏｄｅｌ—ＢａｓｅｄＦｒｅｅ—Ｆｏｎｎ０ｂｊｅｃｔ

Ｒｅｃｏｇｎｉｔｉｏｎ．

ｓｅｎｓｏｒ

Ｒｅｖｉｅｗ，２００４，２４（２）：

２０６—２１５

［１９］ｗｅｉ

Ｙｏｎｇｃｈａｏ，ｓｕｘｉａｎｙｕ．３Ｄ

Ｏｂｊｅｃｔ

ＲｅｃｏｇＩＩｉｔｉｏｎＢａｓｅｄ

ｏｎ

Ｖｅｃ—ｔｏｒ

Ａｎｄｃ．ＡｃｔａＰｈｏｔｏｎｉｃａ

ｓｉｎｉｃａ，２００９，３８（７）：１８６２一１８６６（ｉｎ

Ｃｈｉｎｅｓｅｌ

（魏永超，苏显渝．基于矢量夹角的二维物体识别．光子学报，

２００９，３８（７）：１８６２—１８６６）

万方数据

［２０］０ｓａｄａ

Ｒ，ＦｕｎｋｈｏｕｓｅｒＴ，ＣｈａｚｅｌｌｅＢ，ｅｔ口ｆ．ＳｈａｐｅＤｉｓｔｒｉｂｕｔｉｏｎｓ．

ＡｃＭ

Ｔ啪ｓ

０ｎ

Ｇｍｐｈｉｃｓ，２００２，２１（４）：８０７—８３２

［２１］Ｍ锄ｉｃＧ，Ｂｅｎｎ锄ｏｕｎ

Ｍ．ＲｅｐｒｅｓｅｎｔａｔｉｏｎａｎｄＲｅｅｏｇｎｉｔｉｏｎ０ｆ３Ｄ

ｎ℃ｅ—ＦＯＨｎＯｂｊｅｃｔｓ．Ｄｉ毋ｔ８ｌｓｉｇｎａｌ

Ｐｒ。ｃｅｓｓｉｎｇ，２００２，１２（１）：４７—

７６

［２２］Ｍｉ朋Ａ

Ｓ，ＢｅｎｎａｍｏｕｎＭ，０ｗｅｎｓＲ．３ＤＭｏｄｅｌＢａｓｅｄＯｂ｛ｅｃｔＲｅｃ—

ｏ驴ｉｔｉｏｎａｎｄＳｅｇｍｅｎｔａｔｉｏｎｉｎＣｌｕｔｔｅｒｅｄＳｃｅｎｅｓ．ｍＥＥＴｍｎｓ

ｏｎ

Ｐａｌ—

ｔｅｒｎ

Ａ蒯ｙｓｉｓ

ａｎｄＭａｃｈｉｎｅ

Ｉｎｔｅｌｌｉｇｅｎｃｅ，２００６，２８（１０）：１５８４—

１６０１

［２３］ＭｉａｎＡ

ｓ，Ｂｅｎｎ踟ｏｕｎ

Ｍ，Ｏｗｅｎｓ

Ｒ．

０ｎｔｈｅＲｅｐｅａｔａｂｉｌｌｌｙａｎｄ

Ｑｕａｌｉｔｙ０ｆＫｅｙｐｏｉｎｔｓｆｏｒＩＪ０ｃａｌＦｅａｔｕｒｅ—Ｂａｓｅｄ３Ｄ０ｂｊｅｃｔＲｅｔｒｉｅｖａｌ

ｆｍｍＣｌｕｔｔｅｒｅｄＳｃｅｎｅｓ．

ＩｎｔｅｍａｔｉｏｎａｌＪｏｕｍａｌｏｆ

Ｃ咖ｐｕｔｅｒ

Ｖｉｓｉｏｎ，

２０１０，８９（２）：３４８—３６ｌ［２４］ｃｈｅｎ

Ｈ，ＢｈａｎｕＢ．３ＤＦｒｅｅ—Ｆｏ珊ＯｂｊｅｃｔＲｅｃｏｇｎｉｔｉｏｎｉｎＲａ“ｇｅＩｍ—

ａｇｅｓ

ＵｓｉｎｇＩＪ０ｃａｌ

ＳｕｒｆａｃｅＰａｔｃｈｅｓ．Ｐａｔｔｅｍ

Ｒｅｃｏｇｎｉｔｉｏｎ

ｋｔｔｅｒｓ，

２００７，２８（１０）：１２５２—１２６２

［２５］Ｌｏ

Ｔ

ｗ，ｓｉｅｂｅｎＪＰ．ＬｏｃａｌＦｅａｔｕｒｅＥｘｔｒａｃｔｉｏｎ肌ｄＭａｔｃｈｉｎｇ

ｏｎ

ＲａＩｌｇｅＩｍａｇｅｓ：２．５Ｄ

Ｓｌ盯．

ＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＩｍａｇｅＵｎｄｅｒ－

ｓｔａＩｌｄｉｎｇ，２００９，１１３（１２）：１２３５一１２５０［２６］Ｂａｙｍｍｏ醇ｕ

Ｎ，ＡｌａｔａｎＡ．ｓｈａｐｅＩｎｄｅｘ

ｓＩＦＴ：Ｒ粕ｇｅＩｍａｇｅＲｅｃｏｇ－

ｎｉｔｉｏｎＵｓｉｎｇＬ０ｃａｌＦｅａｔｕｒｅｓ／／Ｐｒｏｃｏｆｔｈｅ２０ｔｈＩｎｔｅｍａｔｉｏｎａｌＣｏｎ．ｆｅｒｅｎｃｅ

ｏｎ

Ｐａｔｔｅｍ

Ｒｅｃｏ印ｉｔｉｏｎ．Ｉｓｔ肌ｂｕｌ，１１ｕｒｋｅｙ，２０１０：３５２—３５５

［２７］ｗａＩｌｇ

Ｙｕｅｍｉ“ｇ，Ｐａｎ

Ｇａｎｇ，ｗｕｚｈａｏｈｕｉ．ＡＳｕｒｖｅｙｏｆ３ＤＦａｃｅ

Ｒｅｃｏｇｎｉｔｉｏｎ．

Ｊｏｕｍａｌ

ｏｆ

Ｃｏｍｐｕｔｅｒ－Ａｉｄｅｄ

Ｄｅｓｉｇｎ

＆

Ｃｏｍｐｕｔｅｒ

ｃｆ印ｈｉｃｓ，２００８，２０（７）：８１９—８２９（ｉｎｃｈｉｎｅｓｅ）

（王跃明，潘纲，吴朝晖．三维人脸识别研究综述．计算机辅助设计与图形学学报，２００８，２０（７）：８１９—８２９）［２８］Ｉｊ

ｓｈｉｆｅｉ，Ｒｅｓｅａｒｃｈ

ｏｎ

ＴｈｒｅｅＤｉｍｅｎｓｉｏｎｓ０ｂｊｅｃｔＲｅｃｏ印ｉｔｉｏｎ

ｆｍｍ

ＲａＪｌｇｅ

Ｉｍａｇｅｓ．

Ｐｈ．Ｄ

Ｄｉｓｓｅｒｔａｔｊｏｎ．

Ｃｈａｎｇｓｈａ，Ｃｈｉｎａ：

№ｔｉｏｎａｌ

ｕｎｉｖｅｒｓｉｔｙｏｆＤｅｆｅｎｓｅＴｅｃｈｎｏｌｏｇｙ，２０１０（ｉｎｃｈｉｎｅｓｅ）

（李世飞．基于深度图像的三维目标识别技术研究．博士学位论文．长沙：国防科学技术大学，２０１０）［２９］Ｋｏｅｎｄｄｎｋ

ｊ，

Ｄ００ｍＡ．

Ｓｕ由ｃｅ

ｓｈａｐｅａｌｌｄＣｕＨａｆｕｒｅＳｃａｌｅｓ．

ＩｍａｇｅａｎｄＶｉｓｉｏｎ

Ｃｏｍｐｕｔｉｎｇ，１９９２，１０（８）：５５７～５６５

［３０］Ｆｕｎｋｈｏｕｓｅｒ

Ｔ，ｓｈｉｌａＩＩｅ

Ｐ．Ｐ缸ｉａｌ

Ｍａｔｅｈｉｎｇｏｆ３Ｄｓｈａｐｅｓ

ｗｉｃｈ蹦．

ｏｒｉｔｙ—ＤｒｉＶｅｎＳｅａｒｃｈ／／Ｐｒｏｃｏｆｔｈｅ４ｔｈＥｕｒｏｇｍｐｈｉｃｓＳｙｍｐｏｓｉｕｍｏ“

Ｇｅｏｍｅｔｒｙ

Ｐｍｃｅｓｓｉｎｇ．ｃａｇｌｉ蒯，Ｉｔａｌｙ，２００６：１３ｌ—１４２

［３１］

【ｏｗｅＤ．

ＤｉｓｔｉｎｃｔｉｖｅＩｍａｇｅ

Ｆｅａｔｕｒｅｓ舶ｍ

ｓｃａｌｅ

Ｉｎｖ商ａＩｌｔ

Ｋｅｙ

Ｐ。ｊｎｔｓ．Ｉｎｌｅｍａ￡ｉｏｎａｌＪ加玎ｌａｌｏｆｃｏｍｐｕｔｅｒＶｉｓｉｏｎ，２００４，６０（２）：

９１一ｌｌＯ

［３２］Ｆｒｏｍｅ

Ａ，Ｈｕｂｅｒ

Ｄ，Ｋｏｌｌｕｒ主Ｒ，ｄｏｚ．ＲｅｃｏＩ弘ｉｚｉ“ｇＯｂｊｅｃ珍ｉｎ

ＲａｎｇｅＤａｔａＵｓｉｎｇＲｅ昏ｏｎａｌＰｏｉｍＤｅｓｃｒｉｐｔｏｒｓ／／Ｐｆｏｃ０ｆｔ｝毛８ｔｈ

ＥｕｍｐｅａＩｌＣｏｎｆｅｒｅｎｃｅｏｎ

ＣｏｎｌｐｕｔｅｒＶｉｓｉｏｎ．Ｐｒａｇｕｅ，Ｃｚｅｃｈ，２００４：

２２４—２３７

［３３］ＪｏｈｎｓｏｎＡＥ，ＨｅｂｅｒｔＭ．ｕｓｉｎｇｓｐｉｎＩｍ。ｇｅｓｆｏｒＥｍｃｉｅｎｔ

ｏ妨ｅｃｔ

ＲｅｃｏｇｎｉｔｉｏｎｉｎＣｌｕｔｔｅｒｅｄ３Ｄｓｃｅｎｅｓ．ＩＥＥＥＴｒａｎｓｏｎ

Ｐａｔｔｅｍ

Ａｎ鱼ｌｙ．

ｓｉｓａＩｌｄＭａｃｈｉｎｅ

Ｉｎｔｅｌｌｉｇｅｎｃｅ，１９９９，２１（５）：４３３—４４９

［３４］ｓｈｉｌａｎｅ

Ｐ，ＦｕｎｋｈｏｕｓｅｒＴ．ｓｅｌｅｃｔｉｎｇＤｉｓｔｉｎｃｔｉｖｅ３ＤｓｈａｐｅＤｅｓｃｒｉｂ－

ｔｏｒｓｆｂｒ

Ｓｉｍｉｌ“ｔｙＲｅ试ｅｖａｌ／／Ｐｒｏｃ

ｏｆｔｈｅＩＥＥＥＩｎｔｅｍａｔｉｏｎａｌＣｏｎ．

ｆｅｒｅｎｃｅ

ｏｎ

ＳｈａｐｅＭｏｄｅｌｉｎｇａＩｌｄ

Ａｐｐｌｉｃａｔｉｏｎｓ．Ｍａｔｓｕｓｈｉｍａ，Ｊａｐａｎ；

２００６：１８—２５

［３５］ＨｏｆｆｎｌａＪｌＤ，ｓｉｎｇｈ

Ｍ．ｓａｌｉｅｎｃｅｏｆＶｉｓｕａｌ

Ｐａｎｓ．ｃｏ弘‰ｎ，１９９７，

６３（１）：２９—７８

５期

郭裕兰等：距离图像局部特征提取方法综述

７９１

［３６］Ｆｒｉｎｔ。叩ｓ，ＮｕｃｈｔｅｒＡ，ｓｕ珊ａｎｎ

Ｈ，既口ｚ．ｓａｌｉｅｎｃｙ—Ｂａｓｅｄ

０ｂｊｅｃｔ

Ｒｅｃｏ印ｉｔｉｏｎｉｎ３Ｄ

Ｄａｔａ／／Ｐｍｃｏｆｔｌｌｅ

ＩＥＥＥ／ＲＳＪＩｎｔｅｍａｔｉｏｎａｌ

Ｃ。ｎｆｅｒｅｎｃｅ

ｏｎ

ＩｎｔｅⅡｉｇｅｎｆＲｏｂｏｔｓ

ａ芏ｌｄ

Ｓｙｓ溆ｎｓ．

Ｓｅｎｄａｌ，ｊａｐａｎ，

２００４：２１６７—２１７２

［３７］７ＩｈｉｒｉｏｎＪ

Ｐ．

Ｅｘｔｒｅｍａｌ

Ｐｏｉｎｔｓ：Ｄｅｎｎｉ吐ｏｎａｎｄＡｐｐｌｊｃａｔｉｏｎ

ｔｏ３Ｄ

Ｉ”ａｇｅ

Ｒｅｇｉｓｔｒａｔｉｏｎ／／Ｐｒｏｃ０ｆｔｈｅＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅｔｙ

Ｃｏ也ｒ－

ｅｎｃｅｏｎ

ＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｍＲｅｅｏｇｎｉｔｉｏｎ，

Ｓｅａｔｄｅ，ＵＳＡ，

１９９４：５８７—５９２

［３８］Ｔｈｉｒｉｏｎ

ＪＰ．ＮｅｗＦｅａｔｕｒｅＰｏｉｎｔｓＢａｓｅｄｏｎ

ＧｅｏｍｅｔｒｉｃＩｎｖａｒｉａｎｔｓｆｏｒ

３ＤＩｍａｇｅ

Ｒｅ西ｓｔｒａｔｉｏｎ．】ｎｔｅｍａｔｉｏｎａｌＪ０ｕｍａＩｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，

１９９６，１８（２）：１２１—１３７

［３９］ＹａｍａＩｌｙｓＭ，Ｂｉａｌｙ

Ａ，Ｆ啪ｇＡ．ｓｕ血ｃｅ

Ｐｏｉｎｔ

ｓｉｇｎａｔｕｒｅ（ＳＰＳ）：Ａ

ＮｅｗＲｅｐｒｅｓｅｎｔａｔｉｏｎｓｃｈｅｍｅｆｏｒ０ｂｊｅｃｔＲｅ磬ｓｔｒａｔｉｏｎａｎｄ

Ｒｅｃｏ印ｉｌｉｏｎ

／／ＰｒｏｃｏｆｔｈｅＳＰＩＥＣｏｎｆｅｒｅｎｃｅ

ｏｎ

ＩｎｔｅｌｌｉｇｅｎｃｅＲｏｂｏｔｓａｎｄＣｏｍｐｕｔ－ｅｒ

Ｖｉｓｉｏｎ．Ｂｏｓｔｏｎ，ＵＳＡ，１９９９：１—７

［４０］ＭｉａｎＡ

ｓ，Ｂｅｎｎ硼ｏｕｎ

Ｍ，ＯｗｅｎｓＲ．

ＡＮｏｖｅｌＲｅｐｒｅｓｅｎｔａｔｉｏｎａｎｄ

Ｆｅａｔｕ凭ＭａｔｃｈｉｎｇＡＩｇｏ—ｔｈｍｆｏｒＡｕｔｏｍａｔｉｃＰａ蜥ｉｓｅＲｅ舀ｓ眦ｉｏｎ

０ｆ

ＲａＩｌｇｅＩｍａｇｅｓ．Ｉｎｔｅｍａｔｉｏｎａｌ

ＪｏｕｍａｌｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，２００６，６６

（１）：１９—４０

［４１］Ａｋａ｜眵ｕｎｄｕｚ

Ｅ，ｕｌｕｓｏｙＩ．３Ｄ０ｂｊｅｃｔＲｅｐｒｅｓｅｎｔａｔｉｏｎｕｓｉｎｇＴｒａＩｌｓ—ｆ０彻卸ｄ

ＳｃａｌｅＩｎｖａ—ａｎｔ３Ｄ

Ｆｅａｔ＿Ｉｌｒｅｓ／／Ｐｍｃ甜ｔｈｅ１１ｔｈＩＥＥＥ

ＩｎｔｅｍａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ

ｏｎ

Ｃｏｍｐｕｔｅｒ

Ｖｉｓｉｏｎ．ｍｏｄｅ

Ｊａｎｅ的。Ｂ陆

ｚｉｌ。２００７：１—８

［４２］ＡｋａｇｕｎｄｕｚＥ，ｕＩｕｓｏｙ

Ｉ．３ＤＦａｃｅＤｅｔｅｃｔｉｏｎｕｓｉｎｇＴｒ锄ｓｆｏｎｎ

ＩＩｌｖ驴

ｉａｎｔ

Ｆｅａｔｕｒｅｓ．Ｅｌｅｃ咖ｎｉｃＩＪｅｔｔｅｒｓ，２０１０，４６（１３）：９０５—９０７

［４３］ｃａｓｔｅｌｌａｎｉｕ，ｃｒｉｓｔａｎｉ

Ｍ，Ｆ肌ｔｏｎｉＳ，ｅ￡ｎｚ．ＳｐａｒｓｅＰｏｉｎｔｓＭａｔｃｈｉｎｇ

ｂｙＣｏｍｂｉｎｉｎｇ３ＤＭｅｓｈＳａｌｉｅｎｃｙｗｉｔｈＳｔａｔｉｓｔｉｃａｌＤｅｓｃｒｉｐｔｏｒｓ．Ｃｏｍ—

ｐｕｔｅｒ

ＧｍｐｈｉｃｓＦｏｍｍ，２００８，２７（２）：６４３—６５２［４４］ＬｉＸ，ＧｕｓｋｏｖＩ．Ｍｕｌｔｉ—ｓｃａｌｅＦｅａｔｕｒｅｓｆｏｒＡｐｐｒｏｘｉｍａｔｅＡｌｉｇｎｍｅｎｔ０ｆ

Ｐｏｉｎｔ—Ｂ船ｅｄｓｕＩｆａｃｅｓ／／Ｐｒｏｃ

ｏｆｔｈｅ３ＩｄＥｕｒｏｇｒａｐｈｉｃｓ

ｓｙｍｐｏｓｉｕｍ

ｏｎ

ｃｅｏｍｅ‘ｒｙ

ＰｒｏｃｅｓｓｉＩｌｇ．Ｖｉｅｎｎａ，Ａｕ“ａ，２００５：２１７—２２６

［４５］ＮｏＶａｔｎａｃｋＪ，Ｎｉｓｈｉｎｏ

Ｋ，ｓｈｏｋｏｕｆａｎｄｅｈＡ．Ｅｘｔｒａｃｔｉ“ｇ３Ｄ

ｓｈ印ｅ

ＦｅａｔｕｒｅｓｉｎＤｉ８ｃｒｅｔｅＳｃａｌｅＳｐａｃｅ／／Ｐｍｃｏｆｔｈｅ３ｒｄＩｍｅｍａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍ

０ｎ

３ＤＤ８ｔａ

Ｐｒｏｃｅｓｓｉｎｇ，Ｖｉｓｕ“ｚａｔｉｏｎａｎｄＴｒａｎｓｍｉｓ—

ｓｉｏｎ．ＣｈａｐｅｌＨｉｌｌ，ＵＳＡ，２００６：９４６—９５３

［４６］Ｈａｎｉｓｃ，ｓｔｅｐｈｅｎｓＭ．ＡｃｏｍｂｉｎｅｄｃｏｍｅｒａｎｄＥｄｇｅＤｅｔｅｃｔｏｒ／／

ｆ’ｒｏｃｏｆｔｈｅ４ｔｈＡｌｖｅｙＶｉｓｉｏｎＣｏｒｌｆｅｒｅｎｃｅ．Ｍａｎｃｈｅｓｔｅｒ，ＵＫ，１９８８：１４７一１５ｌ

［４７］ｚｏｕＧ，ＨｕａＪ，Ｌａｉｚ，耽耐．ＩｎｔｒｉｎｓｉｃＧｅｏｍｅｔｒｉｃｓｃａｌｅｓｐａｃｅｂｙＳｈ８ｐｅ

Ｄｉ怕８ｉｏｎ．

ＩＥＥＥＴｍｎｓ

ｏｎ

ｖｉｓｕａｌｉｚａｔｉｏｎａｎｄ

Ｃｏｍｐｕｔｅｒ

Ｇ“Ｐｈｉｃｓ，２００９，１５（６）：１１９３—１２０ｌ

［４８］Ｈｏ

ＨＴ，ＧｉｂｂｉｎｓＤ．Ｍｕｌｔｉ—ｓｃａｌｅＦｅａｔｕｒｅＥｘｔｒａｃｔｉｏｎｆｏｒ３Ｄｓｕｒｆａｃｅ

Ｒｅ舀ｓｔｒａｔｉｏｎＵｓｉｎｇＩＪ０ｃａｌＳｈ印ｅＶａＴｉａｔｉｏｎ／／Ｐｍｃ０ｆｔｈｅ２３ｒｄＩｎｔｅｒ－

Ｉｌａｔｉｏｎａｌ

Ｃｏｎｆｅｒｅｎｃｅ

ｏｎ

Ｉ删ｇｅ

ａｎｄＶｉｓｉｏｎ

Ｃｏｍｐｕｔｉｎｇ．

Ｃｈｒｉｓｔ—

万方数据

ｃｈｕｒｃｈ，ＮｅｗＺｅａｌ¨ｄ，２００８：１—６

［４９］ＰａｕｌｙＭ，Ｋｅｉ８ｅｒＰ，ＧｒｏｓｓＭ．

Ｍｕｌｔｉ．ｓｃａｌｅＦｅａｔｕｒｅＥｘｔｒａｃｔｉｏｎ

ｏｎ

ｆｈｎｔ—Ｓ锄ｐｉｅｄ

Ｓｕｒｆａｃｅ．ＣｏｍｐｕｔｅｒＧｒａｐｈｉｃｓ

Ｆ（１ｍｍ，２００３，２２（３）：

２８１—２８９

［５０］ｃｈｕａｃｓ，ＲａｙＪ．Ｐ缸ｎｔｓｉｇｎａｔｕｒｅｓ：ＡＮｅｗＲｅｐｒｅｓｅｎｔａｔｉｏｎｆｏｒ３Ｄ０ｂｊｅｃｔ

Ｒｅｃｏｇｎｉｔｉｏｎ．

Ｉｎｔｅｍａｔｉｏｎａｌ

Ｊｏｕｒｎａｌ０ｆ

ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，

１９９７，２５（１）：６３—８５

［５１］ｓａｌｖｉＪ，Ｍａｆａｂｏｓｃｈ

Ｃ，ＦｏｆｉＤ．ＡＲｅｖｉｅｗｏｆＲｅｃｅｎｔ

ＲａｎｇｅＩｍａｇｅ

Ｒｅ舀ｓｔｒａｔｉｏｎＭｅｔｈｏｄｓｗｉｔｈＡｃｃｕｍｃｙＥＶａｌｕａｔｉｏｎ．

ＩｍａｇｅａＪｌｄＶｉｓｉｏｎ

Ｃｏ”ｐｕ【ｉｎｇ，２００７，２５（５）：５７８—５９６［５２］Ｍａｓｕｄａ

Ｔ．ＭｕｌｔｉｐｌｅＲａｎｇｅＩｍａｇｅ

ＲｅｇｉｓｔｍｔｉｏｎｂｙＭａｔｃｈｉｎｇＬ０ｃａｌ

Ｌｏｇ—ＰｏｌａｒＲａｎｇｅＩｍａｇｅｓ／／Ｐｍｃ０ｆｔｈｅ７ｔｌｌＡｓｉａｎＣｏｎｆｅｒｅｎｃｅｏｎ

ＣｏｍｐｕＩｅｒＶｊｓｉｏｎ．Ｈｙｄｅｒａｂａｄ，Ｉｎｄｉａ，２００６：９４８—９５７

［５３］Ａｓｓｆ甜ｇＪ，Ｄ７ＡｍｉｃｏＧ，ＢｉｍｂｏＡＤ，甜ｏｚ．３Ｄｃｏｎｔｅｎｔ—Ｂａｓｅｄ

ＲｅｔｒｉｅｖａｌｗｉｔｈＳｐｉｎＩｍａｇｅｓ／／ＰｒｏｃｏｆｔｌｌｅＩＥＥＥｈｌｔｅｍａｔｉｏｎａｌＣｏｎ—

ｆｂｒｅｎｃｅ

ｏｎ

ＭｕｌｔｉｍｅｄｉａａｎｄＥｘｐｏ．Ｔａｉｐｅｉ，Ｃｈｉｎａ，２００４：７７１—７７４

［５４］Ｄｉｎｈ

Ｈ

Ｑ，Ｋｒｏｐａｃ

ｓ．Ｍｕｌｔｉ—ＲｅｓｏＩｕｔｉｏｎｓｐｉｎ・Ｉｍａｇｅｓ／／Ｐｒｏｃｏｆ七Ｉｌｅ

ＩＥＥＥＣｏｍｐｕｔｅｒ

Ｓｏｃ的Ｃｏ山ｒｅｎｃｅ

ｏｎ

ＣｏｍｐｕｔｅｒＶｉｓｉｏｎａＪｌｄ

Ｐａｔｔｅｍ

ＲｅｃｏｇＩｌｉｔｉｏｎ．ＮｅｗＹｏｒｋ，ＵＳＡ，２００６：８６３—８７０

［５５］ｚｈｏｎｇ

Ｙ．ＩｎｔｒｉｎｓｉｃＳｈａｐｅｓｉｇｌｌａｔｕｒｅｓ：ＡｓｈａｐｅＤｅｓｃ『ｉｐｔｏｒ￡ｏｒ３ＤＯｂｊｅｃｔ

Ｒｅｃｏｇｎｉｔｉｏｎ／／Ｐｒｏｃｏｆｔｌｌｅ１２ｔｈ

ＩＥＥＥ

Ｉｎｔｅｍａｔｉｏｎａｌｃｏｎｆｅｒ－

ｅｎｃｅ

ｏｎ

ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ．Ｋｙｏｔｏ，Ｊａｐａｎ，２００９：６８９—６９６

［５６］ｓ￡ｅｉｎ

Ｆ，ＭｅｄｉｏｎｉＧ．ｓｔｎｌｃｔｕｒａｌＩｎｄｅ）【ｉ“ｇ：Ｅｍｃｉｅｎｔ３Ｄ

ｏｂｊｅｃｔＲｅｃ—

ｏ伊ｉｔｉｏｎ．

ＩＥＥＥ

Ｔｒ柚ｓｏⅡＰａｔＩｅｍＡｎａｌｙｓｉｓ粕ｄＭａｃｈｉｎｅＩｎｔｅｌｌｉ—

ｇｅｎｃｅ，１９９２，１４（２）：１２５一１４５［５７］Ｄｏｒａｉ

ｃ，ＪａｉｎＡＫ．ｃＯｓＭＯＳ：Ａ

Ｒｅｐ嘲ｅｎｔａｔｉ∞Ｓｃｈｅｍｅ

ｆｏｒ３Ｄ

Ｆｒｅｅ－Ｆ０硼Ｏ坛ｅｃｌｓ。ＩＥＥＥ

１‰ｓ

０ｎ

Ｐ且ｔｔｅｍ

Ａｎａｌｙｓｉｓ鞠ｄ地枷ｎｇ

Ｉｎｔｅｌｌ逗ｅｎｃｅ，１９９７，１９（１０）：１１１５—１１３０

［５８］Ｈｅｔｚｅｌ

Ｇ，ＬｅｉｂｅＢ，ＬｅｖｉＰ，酣以．３Ｄ０ｂｊｅｃｔＲｅｃｏ弘ｉｔｉｏｎ

ｆ南ｍ

ＲａｎｇｅＩｍａｇｅｓＵｓｉｎｇ

Ｉ脱ａ１

ＦｅａｔｕｒｅＨｉｓｔｏＦａＩＩｌ８／／ＰｒｏｃｏｆｔｌｌｅＩＥＥＥ

Ｃ呦ｐｕｔｅｒＳｏｃｉｅｔｙ

Ｃｏｎｆｅｒｅｎｃｅ

ｏｎ

ＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｍＲｅｃ・

ｏｇＩＩｉｔｉｏｎ．Ｋａｕａｉ，ＵＳＡ，２００１：３９４—３９９

［５９］ｚｈａＨＢ，Ｎａｇａｔａ

Ｔ，Ｋｕｍ锄ａｍＫ．Ｄｅｔｅ珊ｉｎｉｎｇ

ｓａｌｉｅｎｔ

Ｆｅａｔ啪

Ｐｏｉｎｔｓｏｆ３ＤＣ““ｅｄ

Ｓｕ如ｃｅｓ

ｆｒｏｍＲａ玎ｇｅＩｍａｇｅｓ／／ＰＤ。ｅｏｆ±ｈｅ

ＩｎｔｅｍａｔｉｎｎａＩＣｎｎｆｅｒｅｎｃｅｏｎ

Ｔｎｄｕｓｔｒｉａｌ

Ｅｌｅｃｔｍｎｉｃｓ．

Ｃｏｎｔｒｏｌ

ａｎｄ

Ｉｎｓｔｍｍｅｎｔａｔｉｏｎ．Ｋｏｂｅ，Ｊａｐａｎ，１９９１：１３１８—１３２３

［６０］ｓｈａｎＹ，ＭａｔｅｉＢ。ｓａｗｈｎｅｙＨｓ，眦以．ＬｉｎｅａｒＭ０ｄｅｌＨａｓｈｉｎｇａｎｄ

ＢａｔｃｈＲＡＮＳＡＣｆｏｒＲａｐｉｄａｎｄＡｃｃｕｒａｔｅ

０ｂｊｅｃｔ

Ｒｅｃｏｇｎｉｔｉｏｎ／／

ＰｍｃｏｆｔｈｅＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅｔｙＣｏｒＩｆｅｒｅｎｃｅｏｎＣｏ呷ｕｔｅｒＶｉｓｉｏｎ

ａｎｄ

ＰａｆｔｅｍＲｅｃｏｇｎｉｔｉｏｎ．Ｗａｓｈｉｎｇｔｏｎ，ＵＳＡ，２００１４：１２ｌ一１２８

［６１］ＪｏｈｎｓｏｎＡ，Ｓｕ出ｃｅ

Ｌａｎｄｍ８ｒｋ

ｓｅｌｅｃｔｉｏ玎积ｄＭ越ｃｈｉｎｇｉｎＮ８ｔｕｒａｌ

ＴｅⅡ萄ｎ／／Ｐｍｃ０ｆｔｈｅＩＥＥＥＣｏｍｐｕｔｅｒｓｏｃｉｅｔｙＣｏｎｆｅｒｅｎｃｅｏｎ

Ｃｏｍ—

ｐｕｔｅｒＶｉｓｉｏｎａＩｌｄＰａｔｔｅｍＲｅｃｏ印ｉｔｉｏｎ．ＨｉｌｔｏｎＨｅａｄＩｓＩ锄ｄ，ＵＳＡ，

２０００：４１３—４２０