[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

说明书

本发明是基于最大似然估计法的3D点云目标识别和定位方法，该方法对采集到的3D点云数据进行预处理，通过向下采样的方法提取点云关键点。对关键点进行聚类分割。对分割出的目标，计算目标重心和目标关键点的局部参考坐标系。通过主成分分析法求得关键点的法线，由于法线方向不一定指向远离重心的方向，因此对法线进行视线约束。通过点云的方位特征和表面特征向量，对点云模型中的关键点与场景目标中的关键点作特征匹配，找到场景目标与模型中的匹配特征点对。通过对匹配点对的坐标差和法线角度差值的建模，进行基于最大似然估计的目标位姿检测，能够识别有遮挡的目标物体，实现形状，大小不同的物体或工件的定位，具有稳健性强，计算效率高的特点。

技术领域

本发明涉及工业机器人视觉引导技术领域，具体的说是基于最大似然估计法的3D点云目标识别和定位方法。

背景技术

3D物体的识别和定位是机器视觉中最复杂的问题之一，也是满足柔性生产系统，实现机器视觉引导的工业机器人快速识别3D目标并且准确定位，完成零件分拣、物品码垛等应用要解决的重要问题。3D物体的识别和定位常采用的流程为3D点云模型和目标同时进行关键点提取，关键点特征描述，通过特征匹配，产生模型与目标之间的匹配点，对匹配点对采用随机采样一致性(RANSAC)算法进行粗略位姿估计。虽然RANSAC算法的模型参数估计具有一定鲁棒性，但它的缺点是计算参数时的迭代次数没有上限，而且只有一定概率能够得到可靠的模型参数。其次，RANSAC算法要求设置参数估计误差阈值，并且阈值的选择直接影响参数估计结果的准确性。

发明内容

本发明要解决的技术问题是提供基于最大似然估计法的3D点云目标识别和定位方法，该种3D点云目标识别和定位方法应用基于最大似然的位姿参数估计算法，能够识别有遮挡情况下的目标物体，实现形状，大小不同的物体或工件的准确定位，可应用于码垛、分拣和装配等工业领域。

为解决上述技术问题，本发明采用的技术方案为：

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。

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。

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。

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；