GASD是一种全局描述子，其构建方法如下:
第一步是估计点云的参考系，计算点云与标准坐标系对齐的变换，使描述符有位姿不变性。对齐后，根据三维点的空间分布计算点云的形状描述符。还可以加入点云上的颜色分布，从而获得具有更高分辨能力的形状和颜色描述符(图1中心)。然后通过匹配部分视图的查询和训练描述符来执行对象识别。每个被识别对象的位姿也从匹配查询和训练部分视图的对齐变换中计算出来。所有这些步骤将在下面的小节中详细介绍。
A. Reference Frame Estimation
利用PCA（主成分分析）建立参考系，最小的特征值对应的特征向量作为坐标系的z轴，为了保证z轴指向观察点，如果z轴和观察方向不同（根据夹角范围判断），就舍弃（然后呢？）。最大的特征值对应的特征向量作为坐标系的z轴，y轴通过x轴和z轴叉乘得到。得到坐标轴就可以获取点云在估计坐标系下的描述。
B. Shape Description
从原点开始将空间分成ms*ms*ms格，对于每个网格单元，统计其中点的数量，形成一个直方图。每个样本对直方图的贡献是相对于云中的总点数标准化的（不同的识别过程可能采集的点云点数不同，标准化排除这个因素产生的干扰）。可选地，可以使用三线性插值将每个样本的值分布到相邻的单元格中，以避免在样本从一个单元格移动到另一个单元格时可能导致直方图突变的边界效应（不同的识别过程有些点可能落在其他格中？？）。然后将计算出的直方图串联起来得到描述符。
C. Shape and Color Description
颜色信息也可以被合并到描述符，以增加其鉴别能力。描述符的颜色部分与形状部分类似，网格大小为mc *mc *mc，但是根据属于它的点的颜色为每个单元生成颜色直方图（mc是ms的偶数倍？相等似乎更直接）。点云颜色用HSV空间表示，色度用l个bins以直方图的形式累加（？？shape和color怎么对应）。与形状分量计算类似，对点的数量进行标准化。此外，还可以对直方图样本进行二次插值。形状和颜色组件连接在一起，形成最终的描述符。
HSV:
色调H:用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°,蓝色为240°。它们的补色是：黄色为60°，青色为180°,品红为300°；
饱和度S:饱和度S表示颜色接近光谱色的程度。一种颜色，可以看成是某种光谱色与白色混合的结果。其中光谱色所占的比例愈大，颜色接近光谱色的程度就愈高，颜色的饱和度也就愈高。饱和度高，颜色则深而艳。光谱色的白光成分为0，饱和度达到最高。通常取值范围为0%～100%，值越大，颜色越饱和。
明度:V明度表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关；对于物体色，此值和物体的透射比或反射比有关。通常取值范围为0%（黑）到100%（白）。
D. Descriptor Matching and Pose Estimation
查询和训练描述符使用最近邻搜索方法匹配。然后，对于每个匹配的对象实例，使用从各自查询和训练部分视图的参考坐标系中获得的对齐转换计算一个粗略的位姿。给定[Rqjtq]和[Rt|tt]分别对查询进行对齐和训练局部视图的变换，得到目标粗位姿[Rc|tc]：
视点的方向不能改变吗？视点是固定的坐标系，Rc是测试点云到训练点云的变换。
然后，可以使用迭代最近点(ICP)算法对粗估计姿态进行细化。
关于颜色描述的具体细节可在论文实验部分找到：
Different configurations of (GASD-S, ms = 6) extended with color information were also tested, considering versions
with (GASD-SCI) and without (GASD-SC) interpolation and different values of mc and l. The best configuration was
GASD-SC with mc = 4 and l = 12, as shown in Fig. 9, resulting in a final descriptor that contains 216+4*4*4*12 =
984 elements.
可以看出颜色和形状描述是独立的。将色度分为l个区间，统计格子中落入每个颜色区间的个数。
参考文献：An Efficient Global Point Cloud Descriptor for Object Recognition and Pose Estimation