[发明专利]一种基于特征几何收益的目标识别方法

说明书

本发明具体涉及一种基于特征几何收益的目标识别方法，解决了现有的三维点云目标识别过程中关键点检测、特征匹配和误匹配剔除等结果不理想，且在包含噪声、分辨率不同和存在遮挡重叠等复杂场景中识别目标效果不佳等问题。首先，在关键点检测阶段增加了剔除边缘关键点的步骤；其次，在特征匹配阶段利用最近邻比剔除有二义性的特征匹配对；然后，在假设生成阶段本文提出了特征几何收益方法，对正确的匹配进行聚合并生成假设变换；最后，在假设验证阶段进行精配准验证假设变换，并精准的估计目标的姿态。该方法适用于杂乱的三维点云场景目标模型的识别，用于机器视觉的目标识别。可广泛应用于无人车驾驶、机器人、自动化装配以及智能监控等领域。

技术领域

本发明属于机器视觉技术领域，具体涉及一种基于特征几何收益的目标识别方法。该方法适用于杂乱的三维点云场景目标模型的识别，用于机器视觉的目标识别。

背景技术

视觉是人类感知和认识世界的重要手段。计算机视觉技术通过模拟人类的视觉让计算机对图像进行获取、处理、分析和识别以实现对现实世界的认识。目标识别一直是计算机视觉领域的研究热点之一，可广泛应用于无人车驾驶、机器人、自动化装配以及智能监控等领域。目标识别的目的在于从场景中鉴别出感兴趣目标并获得其位置和方位等姿态信息。

目标识别方法通常由：关键点检测、特征描述、特征匹配三个阶段完成对三维点云场景中目标的识别，并进行姿态估计。现实生活中采集的点云存在孔洞、噪声和遮挡等，利用现有的算法和识别流程很难准确的对场景目标完成识别和姿态估计。

发明内容

针对现有的三维点云目标识别过程中关键点检测、特征匹配和误匹配剔除等结果不理想，且在包含噪声、分辨率不同和存在遮挡重叠等复杂场景中识别目标效果不佳等问题，本发明提出了一种基于特征几何收益的目标识别方法。

为解决上述技术问题，本发明采用的技术方案为：

基于特征几何收益的目标识别方法包括以下步骤：

步骤1，利用PCL库中提供的SIFTKeypoint算法对点云模型和场景进行关键点检测，分别得到模型和场景的关键点集和，分别记为和其中N_M和N_S分别为模型和场景的候选关键点数；

步骤2，对步骤1中得到的模型和场景关键点集合P_M和P_S中的点p_i进行边缘点检测；认为如果点p_i与邻域内每个点的向量两两之间的最小夹角大于阈值L_TH，则认为点p_i为边缘点，从点集中将其剔除；对关键点集合P_M和P_S中所有的点进行边缘点检测，如果为边缘点则将其剔除，最终得到具有可再现和易识别的模型和场景的关键点集合，分别记为和

步骤3，利用SHOT描述子对模型和场景的关键点KP_M和KP_S的邻域进行特征描述得到模型和场景的特征描述子，分别记为和n_m和n_s分别为模型和场景的关键点的数量，即为模型和场景的特征描述子数量；

步骤4，对模型的特征描述子F_M采用KD-TREE进行索引，通过KD-TREE快速检索对场景特征描述子集合F_S中的每个特征描述子f_si与模型的所有特征描述子进行检索得到最近邻和次近邻两个匹配对，分别记为(f_si,f_ml)和(f_si,f_mk)，其最近距离分别为d_il和d_ik；然后利用最近邻比的方法剔除具有二义性的匹配对，选择特征明显的特征匹配对，得到一组特征匹配对，记为C＝{c₁,c₂,...,c_nc}，其中nc为特征匹配对的个数；