随着三维扫描技术的迅猛发展,点云数据的数据量变得异常庞大,这对点云计算的性能提出了更高的要求。因此,如何有效提高算法的执行效率一直是该领域的研究热点和难点。日益增大的数据量隐藏了丰富的三维(3D)形状模型,将形状模型参与到点云计算过程中,为提高点云计算的执行效率提供了一种新的方法和思路。利用3D几何特征分析技术,获取与形状相关的特征参数,并使其参与到点云分割过程中,提出了形状分割方法。利用八叉树算法组织点云数据,发现数据之间的相邻关系,依靠点云数据的密度自适应地双向线性调整八叉树并建立数据索引。使用规则图形建立3D形状模型库,实现模型与分割区域的匹配,进而提取分割区域的形状参数,为提高点云数据计算的精度和速度奠定基础。在分割效果和分割时间上,对比了不同算法,验证了基于形状的点云分割算法的可行性以及稳健性。

在形状匹配过程中为了提升高度函数描述子的检索精度和对边界噪声与局部变形的鲁棒性, 本文提出了一种精确型高度函数特征描述算法。首先提取目标形状外轮廓, 构造轮廓采样点的精确型高度函数描述子并进行特征降维, 接着利用优化后的并行动态规划进行形状匹配, 最后引入形状复杂度分析提升匹配效果。基于点的几何特征显著性, 提出形状精度理论, 进一步分析局部形变与边缘噪声对形状特征描述的影响。在MPEG-7数据库、Swedish Leaf数据库、Tools数据库和ETH-80大型3D数据库上进行匹配实验以及在Kimia99数据库上进行抗噪实验, 实验结果表明: 本文提出的算法效率高, 匹配时间仅为高度函数描述子的12.5%, 在MPEG-7和ETH-80上的检索率最高分别为90.38%和9007%; 在Swedish Leaf和Tools上, 检索精度最高分别为95.07%和94.86%, 检索性能和鲁棒性均优于高度函数和其他重要算法; 在添加噪声的Kimia 99上, 该算法的抗噪性能优于高度函数描述子, 即使在噪声水平为2.0的情况下, 依旧能保持91.92%的检索率。本文提出的算法检索精度高, 效率高, 鲁棒性好, 抗噪性强, 具有较好的可扩展性, 能有效地应用于形状检索领域。

基于机器视觉的加工控制过程中，对工件上待加工点的定位是关键，其难点在于构建一种形状描述方法，既要能实现形状匹配，又要能完成定位，且满足加工过程中的精度和实时性要求。为解决上述问题，提出了一种基于多边形拟合的形状匹配和定位算法。该方法针对平面二维(2D)轮廓，通过对轮廓进行多边形拟合，获取轮廓上关键点，然后构建形状描述子用于形状匹配，再利用这些关键点坐标进行定位计算，获得模板轮廓到目标轮廓的变换关系。结果表明，通过运用所提出的旋转不变性形状描述算法，可获得高精度、高实时性的形状匹配和定位算法。

为了在兼顾形状匹配算法的检索率和运算效率的同时实现部分遮挡目标的精确匹配, 提出了一种基于弦角轮廓特征的形状描述算法。该算法基于轮廓点的空间位置关系构造每个轮廓采样点的弦角轮廓特征描述子, 利用描述子的自包含属性描述开轮廓的形状特征。采用L1度量方法计算两个轮廓点的弦描述子之间的距离, 获得匹配代价矩阵。最后利用积分图算法计算匹配代价矩阵的相似度, 实现部分遮挡目标的识别。基于MPEG-7形状数据库和Kimia216形状数据库进行了目标识别实验。实验结果表明: 该算法对部分遮挡目标具有良好的鲁棒性, 而且有较高的运算效率, 部分匹配的检索率达到83.63%, 提高了19.09%, 实验结果优于现有部分遮挡形状匹配算法。该算法较好地满足了遮挡形状的匹配和识别对速度、准确率和抗遮挡能力等方面的要求。

基于形状上下文(Shape Context)算法并融合主成分分析(PCA)的降维思想, 提出了一种PCA-SC算法来提高形状匹配和目标识别的速度和抗噪能力。该算法将SC算法获取的特征矩阵构成协方差矩阵, 按照特征值由大到小的准则进行降维, 形成新的特征矩阵用于匹配和识别, 既抑制了噪声干扰, 提高了识别准确率, 又能够提高匹配速度, 易于满足工程应用对实时性的要求。利用MNIST图像数据库中的图像进行了实验分析, 结果表明, PCA-SC算法在保持了SC算法原有的定位准确、抑制噪声等优点的基础上, 识别速度提高了1倍; 准确率达到了96.15%, 提高了约0.5%; 而且抗噪性更强, 可用于匹配和识别较复杂的形状和目标。该算法基本满足匹配和识别对速度、准确率和抗干扰性等方面的要求。

针对傅里叶描述子对物体轮廓细节特征描述的不足, 提出了综合傅里叶描述子和角点特征的轮廓描述方法。利用尺度空间 DOG算子或傅里叶变换逆差方法检测轮廓角点提高检测速度, 采用最小循环距离方法对角点序列进行比对, 增强了匹配鲁棒性。实验结果表明, 与傅里叶描述子方法相比, 该方法准确率有了较大提高, 与 CSS方法相比, 运算速度提高了近 10倍。

自然物体的检测与识别是机器视觉以及模式识别的重要任务。由于自然物体形状的多样性与柔性以及视觉判别的复杂性，使基于计算机的自然形状物体的准确检测与识别变得比较困难。提出了基于多模板子空间的支持向量机(SVM)多类自然形状识别方法。利用广义Hough变换表示自然形状物体轮廓，针对每个类别通过训练得到多个匹配模板；检测时利用多模板最近邻相关匹配进行粗检测，使用支持向量机进行分类。在相关匹配限定的子空间内收集训练样本，有效地降低了训练样本数目。实验结果证明所提出的自然形状检测与识别方法是十分有效的，大大改进了经典检测算法的检测效果以及自动化程度。

针对形状匹配中小波表达对起始点依赖的问题,提出一种结合Zernike矩的多尺度模板进行形状匹配的方法.该算法对输入图像进行预处理后提取目标轮廓,经过归一化处理得到目标形状的平移、尺度不变的链状表达,再通过小波变换进行多尺度分析;引入Zernike矩,利用Zernike矩的特性,实现小波表达的旋转不变性,解决了小波变换对起始点的依赖.匹配过程是以小波表达的各阶Zernike矩为特征向量,在由粗到精的尺度上进行的.实验结果表明,对于同一目标,原图像与旋转不同角度的图像的正确匹配率为91%.该算法适用于轮廓较明显的目标.