[发明专利]一种车辆三维扫描台的构造和生成货物随机采样点的方法

说明书

技术领域

    本发明主要应用于交通运输、物流管理和工业生产领域，通过本发明建立三维实物扫描台，三维实物扫描台对车辆扫描的数据形成完整的数据文件，对文件的分析以达到对车体的各个部分进行区分，再选择货物部分，货物的部分中生成随机点，即将物体通过三维数据点分析以及识别，然后生成随机采样点的方法。本发明主要适用于物体识别定位。

背景技术

    基于三维数据点的车厢进行识别属于点云数据的分割问题。

    点云数据的分割就是将数据分割成若干个互不相交的子集，每一个子集中的数据同属于一个具有单一特征的曲面。目前点云分割方法主要有基于边的方法、基于面的方法、基于聚类的方法。

    基于边的区域分割方法是根据数据点的局部几何特性在点集中检测到边界点，再进行边界点的连接，最后根据检测的边界点将整个数据集分割成独立的多个点集。此方法是从纯数学的角度出发，认为测量点的法矢或曲率的突变是一个区域与另一个区域的边界，并将封闭边界的区域作为最终的分割结果。该方法对尖锐边界的识别能力强，但对于边界的确定仅用到边界的局部数据，受测量噪声影响较大，而且对于型面缓变或圆角半径较大的曲面往往找不准边界。

    基于面的区域分割方法是将属于同一基本几何特征的点集分割到同一区域。相比较基于边的方法，基于面的方法具有发展优势基于面的分割方法对于二次曲面的分割比较有效，但是难以选择合适的种子点以及难以区分光滑边界，而且其区域生长受设定阈值的影响较大，选择合适的生长准则也比较困难。

    基于聚类的方法是利用人工神经网络等数学工具作为“分类器”，对数据点的局部几何特征参数进行聚类。聚类的依据主要是根据高斯曲率和平均曲率的符号组合划分曲面元的方法。

    该方法对于曲面类型较为明显的曲面分块存在一定的优势，但是对于复杂的曲面而言，要直接确定曲面的分类个数和曲面类型比较困难，对容易出现的细碎面片进行二次处理也增加了算法的难度。

    上述三种方法存在的共性问题是速度慢，多用于数据的事后处理，难以在工业现场实时应用。

    随机采样点的生成多采用随机数生成的方法，如迭代取中，乘同余法，混合同余法等，我们称之为取随机数。该方法虽然能够保证生成采样点的随机性，但在实际应用中，往往难于应用到复合数列当中，同时也不能做到基于策略的随机数生成的应用环境。

发明内容

    本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种原理简单、操作简便、检测精度高，实时性好，实施后整体结构紧凑、工作稳定可靠的实时车辆轮廓识别与随机点采样方法。

    为解决上述技术问题，本发明采用以下技术方案，其特征在于步骤如下。

（1）建立坐标：建立由传感器构造的空间坐标，同时建立客观现实环境中的空间绝对值坐标；将物体扫描的实时坐标值与实际物体的实时位置建立一一对应关系，形成统一的物体轮廓坐标和物体的位置参数。

（2）数据采集：通过传感器采集物体轮廓和位置数据。

（3）车辆轮廓识别：通过对物体扫描数据的建模分析，按照物体的特征将物体进行分类，例如大小、几何图形、宽窄高低尺寸数据对比、相互之间位置关系等特征的分析与识别，可以对物体具体的某个部分及位置进行选择。

（4） 随机点采样：物体随机点采样的方法包括：格栅式随机方法f（f（x），f（y），f（z））、基于平面与纵深的随机方法f（f（x，y），f（z））、基于坐标值的完全随机方法f（x，y，z）等。

（5） 人机界面：具备可视化的实时交互人机界面，即物体扫描的过程中或物体扫描完毕后，用户可以在显示器上观看到被扫描物体的三维外形图以及被标注为放大或高亮的随机点。