[发明专利]基于最大似然估计法的3D点云目标识别和定位方法

权利要求书

1.基于最大似然估计法的3D点云目标识别和定位方法，其特征在于：应用基于最大似然的位姿参数估计算法对3D点云目标进行识别和定位，具体步骤如下：

步骤1，对3D点云模型预处理，获取点云模型重心和点云模型关键点；

步骤2，对3D点云场景目标进行分割和预处理，获取场景目标重心和场景目标关键点；

步骤3，计算点云模型和场景目标的表面特征向量；

步骤4，进行特征匹配；将点云模型中的关键点与场景目标中的关键点作特征点匹配，找到场景与模型中的匹配特征点对；

步骤5，基于最大似然估计进行目标识别和定位。

2.如权利要求1所述的基于最大似然估计法的3D点云目标识别和定位方法，其特征在于：所述的步骤1中采用向下采样的方法提取点云模型的关键点。

3.如权利要求1所述的基于最大似然估计法的3D点云目标识别和定位方法，其特征在于：所述的步骤2中采用超体素聚类分割与LCCP局部凸链接聚类的方法对3D点云场景目标进行分割，采用向下采样的方法提取点云场景目标的关键点。

4.如权利要求1所述的基于最大似然估计法的3D点云目标识别和定位方法，其特征在于：所述的步骤3中计算表面特征向量的具体步骤如下：

步骤3.1，根据求出的点云模型重心和场景目标重心，计算点云模型重心对应的协方差矩阵和场景目标重心对应的协方差矩阵；分别求两个协方差矩阵的特征向量，将最小的特征值对应的特征向量定义成法线；

步骤3.2，将点云关键点向协方差矩阵的全部特征向量进行投影；利用最近和最远的投影点之间的距离确定点云在每个特征向量定义的方向上的尺寸；根据协方差矩阵的特征向量确定的点云的方位，以及在每个由特征向量确定的方向上的尺寸，构成点云的最小外接长方体，形成点云数据的方位特征；

步骤3.3，依据点云最小外接长方体三个相互垂直方向上的尺寸，对点云图像进一步等分，从而将点云划分成若干体积相等的小长方体；

步骤3.4，统计每个小长方体内的关键点个数并作归一化，形成点云数据的表面积特征向量；

步骤3.5，定义每个关键点的球形邻域，利用主成分分析法计算每个小长方体内关键点的法线。

5.如权利要求4所述的基于最大似然估计法的3D点云目标识别和定位方法，其特征在于：所述的步骤4中进行特征匹配的具体步骤如下：

步骤4.1，根据步骤3.2中得到的方位特征，对模型和场景目标进行方位特征匹配；设向量CA₁、CB₁和CC₁分别表示外接长方体的长、宽、高相对于角点C所表示的向量，当两个外接长方体的尺寸之差小于门限值时，执行步骤4.2，否则将点云模型旋转一个设定的角度，返回步骤4.1；

步骤4.2，根据步骤3.4中得到的表面积特征向量，对模型和场景目标进行表面积特征匹配；假设外接长方体被等分成了k个体积相等的小长方体，每个小长方体内关键点个数分别为f_i，i＝0,…,k-1，由f_i形成的表面积特征向量为{f₀,f₁,…,f_k-1}，对模型和场景目标对应点云进行表面积特征向量匹配的公式如下：

式中：f_m,i是模型的外接长方体的第i个小长方体内关键点个数，f_m,c是模型的外接长方体分成的k个小长方体内关键点个数的平均值，f_s,i是场景目标的外接长方体的第i个小长方体内关键点个数，f_s,c是场景目标的外接长方体分成的k个小长方体内关键点个数的平均值，当归一化互相关系数CC_m,s大于设定的门限值C_thresh时，认为模型与场景目标对应的小长方体是匹配的。