[发明专利]一种基于点云缺失的盘类元件识别方法及系统

说明书

本发明公开了一种基于点云缺失的盘类元件识别方法及系统。所述方法包括：获取盘类元件的参考点云图像和目标点云图像；参考点云图像和目标点云图像的点云缺失位置不同；采用迭代最近点算法，对参考点云图像和目标点云图像进行融合，得到融合点云图像；采用Halcon视觉算法对融合点云图像进行特征提取，得到深度信息；依据深度信息，采用分水岭算法对融合点云图像的目标区域进行边缘提取，得到盘类元件目标区域；采用二次阈值筛选法对盘类元件目标区域进行筛选，并将筛选后的盘类元件目标区域确定为盘类元件识别结果。本发明能够提高对点云缺失的盘类元件识别的准确性，避免出现误识别或漏识别现象。

技术领域

本发明涉及机器视觉技术领域，特别是涉及一种基于点云缺失的盘类元件识别方法及系统。

背景技术

通常将通过3D相机获取到的同一空间参考系下表达物体空间分布与表面特征的三维点的集合称之为点云，点云的属性通常包括位置、法向量与颜色信息等，与传统的三维模型表达方式相比，点云模型具有获取方便、数据结构简单、灵活且表达力强的优点，极大的促进了基于点云数据的图像学的发展。

但是，基于点云获取设备本身的原理及精度限制、被测物体的表面性质、测试环境的影响以及可能的人为干预，导致所得到的点偏离其实际位置而产生误差或造成采样不完全，从而造成图像中对目标物误识别或不识别的现象。

目前，学术界针对点云处理提出了许多行之有效的方法与改进，许多面向机器视觉领域的公司也推出了包含丰富的点云处理功能的商业软件，但总体来说，对点云的处理方法仍然存在着鲁棒性差、效率低等不足。现有的点云处理技术对点云图像的完整性要求较高，在对不完整的盘类元件点云图像进行识别时，并没有较好的处理方法，通常直接通过基于模板的识别匹配方法进行识别，该方法的识别结果精度较差，并且易出现误识别或漏识别现象。

发明内容

基于此，有必要提供一种基于点云缺失的盘类元件识别方法及系统，提高对点云缺失的盘类元件识别的准确性，避免出现误识别或漏识别现象。

为实现上述目的，本发明提供了如下方案：

一种基于点云缺失的盘类元件识别方法，包括：

获取盘类元件的参考点云图像和目标点云图像；所述参考点云图像和所述目标点云图像的点云缺失位置不同；

采用迭代最近点算法，对所述参考点云图像和所述目标点云图像进行融合，得到融合点云图像；

采用Halcon视觉算法对所述融合点云图像进行特征提取，得到深度信息；

依据所述深度信息，采用分水岭算法对所述融合点云图像的目标区域进行边缘提取，得到盘类元件目标区域；

采用二次阈值筛选法对所述盘类元件目标区域进行筛选，并将筛选后的盘类元件目标区域确定为盘类元件识别结果。

可选的，所述采用迭代最近点算法，对所述参考点云图像和所述目标点云图像进行融合，得到融合点云图像，具体包括：

由所述参考点云图像、所述目标点云图像、图像旋转矩阵以及图像平移向量，构建目标函数；

采用四元数法对所述目标函数进行求解，得到最优图像旋转矩阵和最优图像平移向量；所述最优图像旋转矩阵为所述目标函数收敛时对应的图像旋转矩阵，所述最优图像平移向量为所述目标函数收敛时对应的图像平移向量；

以所述目标点云图像为基准，将所述参考点云图像按照所述最优图像旋转矩阵和所述最优图像平移向量进行旋转平移，得到融合点云图像；所述融合点云图像为旋转平移后的参考点云图像。

可选的，在所述采用迭代最近点算法，对所述参考点云图像和所述目标点云图像进行融合，得到融合点云图像之后，还包括：

采用形态学开运算对所述融合点云图像进行处理，得到开运算后的融合点云图像；