[发明专利]一种基于3D视觉的点云关键点提取方法

权利要求书

1.一种基于3D视觉的点云关键点提取方法，其特征在于，包括以下步骤：

S10、通过深度摄像头拍摄得到复杂异构件的深度图和颜色图图像，利用公式进行坐标转换；利用深度图和颜色图合成得到点云图和点云数据；

S20、进行统计滤波处理，对点云内每一个点的邻域进行统计分析，计算它到所有临近点的平均距离；平均距离超出标准范围的点定义为离群点，并从数据中去除；

S30、在点云经统计滤波后，计算点云内每个点处的法向量变化程度，选取法向量变化程度较大的点作为特征点，法向量变化程度即为特征度；特征度变化越大，构件表面起伏越大；

S40、计算每一个特征点的SPFH值，并选择一个特征点作为源点云关键点，将该源点云关键点与其近邻匹配并不断重复，通过近邻SPFH的值不停的改变权重，生成该源点云关键点的快速特征点直方图；将需要提取的复杂异构件的特征点定义为目标点云关键点，生成目标点云关键点的快速特征点直方图；利用直方图的统计特性，为源点云关键点和目标点云关键点建立用于描述其局部区域几何特征的特征向量；

S50、计算源点云关键点特征向量和目标点云关键点特征向量之间的欧式距离；根据源点云关键点的特征点直方图和目标点云的特征点直方图，得到源点云关键点Kd-tree和目标点云关键点Kd-tree；基于关键点点云配准方方法，计算获得源点云关键点和目标点云关键点坐标转换矩阵。

2.根据权利要求1所述的一种基于3D视觉的点云关键点提取方法，其特征在于，所述S10中，坐标转换公式如下：

x_w＝z_c*(u-u₀)*d_x(d_y)(d_z)/f

其中，x_w为世界坐标系下的坐标，u为图像的中心坐标在世界坐标系下的坐标，u₀为图像的中心坐标，z_c为相机坐标系的z轴值(即目标物体到相机的距离)，d_x、d_y、d_z为成像元件的每个像素对应的物理宽高，f为相机焦距。

3.根据权利要求1所述的一种基于3D视觉的点云关键点提取方法，其特征在于，所述S30中，特征度计算公式如下：

其中：θ_ij为近邻点法向量夹角，f_i为点云内某一点处的特征值，k为近邻点的个数。

4.根据权利要求1所述的一种基于3D视觉的点云关键点提取方法，其特征在于，所述S40包括以下步骤：

S4001、给定一个特征点作为源点云关键点，计算其经法线分解后的角度差值，并将其定义为SPFH；

S4002、使用加权的临近SPFH计算快速特征点直方图的最终值：

其中，w_k为权重即代表了两点的距离，FPFH(P_q)即关键点快速特征直方图，SPFH为简化的点特征直方图，k为近邻点的个数。

5.根据权利要求1所述的一种基于3D视觉的点云关键点提取方法，其特征在于，所述S50中，欧式距离计算公式如下：

S_i＝(S_i1 S_i2 ... S_i120)

T_j＝(T_j1 T_j2 ... T_j120)

其中，S_i为源点云关键点特征向量，T_j为目标点云关键点特征向量，d(S_i，T_j)为两特征向量之间的欧式距离，p为第p个关键点特征向量。

6.根据权利要求5所述的一种基于3D视觉的点云关键点提取方法，其特征在于，所述S50中，计算源点云关键点和目标点云关键点坐标转换矩阵包括以下步骤：

S5001、在目标点云关键点Kd-tree内搜索源点云关键点的最邻近点及其距离，若距离小于固定阈值，则将此点加入第一预对应关系集合；

S5002、在源点云关键点Kd-tree内搜索目标点云关键点的最邻近点及其距离，若距离小于固定阈值，则将此点对加入第二预对应关系集合；

S5003、取第一预对应关系集合和第二预对应关系集合的交集作为初始对应关系，交集为第一预对应关系集合和第二预对应关系集合中相同的对应关系；

S5004、根据初始对应关系，采用随机采样一致性进行错误关系对应去除，从已获得的对应关系中随机地选择三组对应关系，根据这三组对应关系计算源点云关键点到目标点云关键点的坐标变换矩阵，计算所有对应关系的源点云中点坐标变换后与目标点云中对应点的距离偏差，若偏差小于设定阈值，此对应关系属于模型内样本，否则属于模型外样本；

S5005、保存所有内样本，重复上面过程，统计每组对应关系属于内样本的次数，直到迭代次数达到设定值(设定值取决于想得到的精度，设定值越大，精度越高)，迭代结束，得到最终对应关系集合，找到属于内样本次数最大的三组对应关系，使用奇异值分解计算源点云关键点和目标点云关键点的坐标变换矩阵。