Face au problème que les descripteurs manuellement conçus existants ne décrivent pas de manière suffisamment complète les caractéristiques géométriques locales des surfaces, cet article propose un descripteur multi-vue de distribution géométrique à forte discriminabilité et robustesse (Multi-View Geometric Distribution Signatures, MGDS). Tout d'abord, basé sur les points clés et leurs points voisins, un cadre de référence local (Local Reference Frame, LRF) est construit, la surface locale est voxelisée, et la distribution du centre de gravité des voxels 3D, les caractéristiques du contour du secteur 2D, la distribution de la densité des points de la grille 2D ainsi que les fluctuations de profondeur de la surface locale sont calculées pour générer un descripteur de caractéristiques géométriques. Ensuite, la surface locale est tournée plusieurs fois sur la base du LRF pour produire une nouvelle représentation de forme, et la surface tournée est codée en utilisant les informations du centre de gravité, des points du contour, de la densité et des fluctuations des valeurs de z. En obtenant ces descripteurs géométriques sous plusieurs angles de vue, ils sont concaténés en un vecteur de caractéristiques pour obtenir le descripteur final MGDS. Des expériences ont été menées sur quatre ensembles de données (RandomView, SpaceTime, Kinect et B3R) avec différents niveaux de bruit gaussien et résolutions de maillage, et une comparaison a été réalisée avec 10 descripteurs existants. Par rapport à d'autres descripteurs, MGDS présente de meilleures performances que les descripteurs locaux existants. Les résultats expérimentaux montrent que le MGDS proposé possède une bonne descriptivité et robustesse, et peut être utilisé pour un appariement précis de nuages de points 3D.

nuage de points; descripteur local; caractéristiques multi-vues; fusion multi-caractéristiques; correspondance des caractéristiques