[发明专利]一种基于显著性分析的3D对象识别分层方法

说明书

技术领域

本发明涉及计算机图像识别技术领域，特别涉及基于显著性分析的3D对象识别分层方法，属于模式识别与智能检测领域。

背景技术

几乎所有高端智能制造装备如光刻机、贴片机、固晶机、数控机床等均涉及复杂精密的三维位置信息（包括空间三维或二维坐标、旋转角度）检测问题。现有基于解析几何固定坐标系下的相机标定和图像处理技术已不再适用于这些应用场合，迫切需要探索新型视觉图像处理技术和平台，解决复杂环境下海量图像数据的融合与处理问题。

近几年，通过深度图像（或深度信息）来识别三维目标，成为目前图像识别发展的新方向之一。因深度信息仅依赖于物体的几何形状，与物体的亮度和反射等属性无关，所以其使用起来比灰度图更为容易，且由于它可获得深度数据，所以具有普通CCD灰度图处理不具有的优势。

然而，基于深度数据的方法计算量之大是人们所绕不开的问题。尤其当物体的彩色信息也被加进去时，点云数据会由三维增加到四维，即所谓RGB-D数据。

就传统的处理手段，关键点的提取都是先经过三维重构出对象的完整点云，然后对点云上每一个点进行遍历运算得到的。这看上去就像是人们在做大量没必要的重复性的工作。

发明内容

本发明的目的就是解决上述难题，提供一种基于显著性分析的3D对象快速识别分层方法，从而实现有效且快速的对象识别工作。

本发明解决所述难题，采用的技术方案是：

一种基于显著性分析的3D对象识别分层方法，包括以下步骤：

S1、在运动平台的匀速带动下，PC端采集放置于载物台上物体对象的红外激光图序列和无激光作用的白光图序列；

S2 以所述红外激光图序列和白光图序列为输入，传至由若干不同描述子由上至下建立的分层识别模块中；

S3、针对当前层描述子，直接建立代表物体的关键点集，其中每个关键点个都包含物体对象的RGB-D信息；

S4、以当前关键点集为目标，计算物体对象在该描述子下的特征，用该特征进行对象的分类识别计算；

S5、若无法返回唯一判别结果，则将红外激光图序列和白光图序列输送至下一层描述子中并重复步骤S3~ S4；

S6、若该层描述子的计算返回唯一判别结果时，则物体对象的类别由此获得，计算结束，不再往下一层描述子传递图像序列。

作为一种优选方案，所述步骤S1具体包括：

S1.1 运动平台由上位机界面发送指令，下位机相应发送脉冲序列以控制其匀速运动；

S1.2 运动平台控制载物台来回移动两趟，第一躺采集激光作用下物体的红外激光图序列，第二趟采集无激光作用下物体的白光图序列。

作为一种优选方案，除了激光成像部分以外，红外激光图序列和无激光作用的白光图序列的视场范围内信息一致。

作为一种优选方案，所述红外激光图序列为激光发射器正常工作下，物体随运动平台匀速移动过程中，CCD相机所采集的一帧帧图像；所述白光图序列为激光发射器关闭，物体随运动平台匀速移动过程中，CCD相机所采集的一帧帧图像。

作为一种优选方案，步骤S3中，每个关键点所包含的物体对象的RGB-D信息包括关键点的三维坐标和关键点的RGB信息，所述红光图序列可计算出各关键点的三维坐标，所述白光图序列可保存各关键点的RGB信息，从而得出每个关键点都包含的物体对象的RGB-D信息。

本发明相对于现有技术具有如下的有益效果：

本发明基于显著性分析建立代表物体对象的关键点集，不仅跳过物体完整三维点云的构建这一大计算量步骤，也毋用对点云进行遍历检测，直接通过图像处理和简单坐标运算即可得到关键点；考虑到在线工作这一识别系统工作方式，该方法是经济与有效的，解决了目前基于RGB-D图像分类方法的模式识别系统计算量大且计算复杂等问题。

附图说明

图1是本发明实施例中基于显著性分析的3D对象识别分层方法的流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明的发明目的作进一步详细地描述，实施例不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施例。

如图1所示，一种基于显著性分析的3D对象识别分层方法，包括以下步骤：

S1、在运动平台的匀速带动下，PC端采集放置于载物台上物体对象的红外激光图序列和无激光作用的白光图序列；

S2 以所述红外激光图序列和白光图序列为输入，传至由若干不同描述子由上至下建立的分层识别模块中；