[发明专利]一种基于双偏差角特征直方图的点云目标识别方法

说明书

本发明涉及计算机图形学和三维点云目标识别领域，具体涉及一种基于双偏差角特征直方图的点云目标识别方法。本发明包括以下步骤：(1)对输入点云使用NARF方法进行特征点采样；(2)建立点云的局部坐标系；(3)计算特征点邻域(SR)局部邻域重心与原点的连接线，并算出了连接线与LRF的偏差角以及连接线与SR内各点法线的双偏差角特征；(4)将计算得到的两种偏差角特征构建特征直方图生成双偏差角特征直方图；(5)构建模型库，通过特征匹配的方式识别目标。本发明通过构建目标点云的双偏差角特征直方图来表征其三维特征，通过特征匹配的方式对未知对象进行识别，该方法具有高描述性、强鲁棒性以及高时效性的优点。

技术领域：

本发明涉及计算机图形学和三维点云目标识别领域，具体涉及一种基于双偏差角特征直方图的点云目标识别方法。

背景技术：

三维点云数据(point cloud data，PCD)是一组描述物体三维信息的海量离散点集，激光雷达、三维扫描仪的快速发展使得三维点云数据更容易获取。PCD能真实、全面地表现物体的维度和形态。近年来，利用PCD进行目标识别在医学、机器人、三维重建和自动驾驶等各个应用领域都是一个热门话题。

基于局部参考系(local reference frame，LRF)的三维点云目标识别方法多采用某单一描述方法编码特征点，且对于所有的点都会进行相同的计算，整个算法运行过程中有一部分步骤是冗余的，在网格分辨率变化、时效性等方面表现较差。非LRF的三维点云目标识别方法由于对各特征点邻域的计算都使用同一个坐标系，造成了鲁棒性差、时效性差的后果。

在专利号为：ZL2018103381910的专利文件中，公开了一种基于特征几何收益的目标识别方法，其未使用局部参考系，在特征描述过程中进行了大量的冗余计算，增加了计算时间。

因此，研究一种兼顾高效性、鲁棒性的目标识别算法至关重要。

发明内容：

本发明要提供一种基于双偏差角特征直方图的点云目标识别方法，以克服现有技术存在的鲁棒性和时效性不能兼顾的问题。

为了达到本发明的目的，本发明提供一种基于双偏差角特征直方图的点云目标识别方法，由以下步骤实现：

步骤一、对于包含N个点的输入点云P＝{P₁,P₂,P₃...,P_N}进行特征点采样：使用NARF采样算法对三维点云模型进行下采样到固定分辨率；

步骤二、构建LRF：

步骤三、计算偏差角：

步骤四、构建双偏差角特征直方图：将步骤三计算的结果合并，构建点云的特征直方图；

步骤五、构建模型库、特征匹配。

进一步的，上述步骤二中，构建LRF的具体步骤是：

设P中某一特征点d_i的坐标为为d_i的特征点邻域的第j个点的坐标，对距离d_i较近的点云加大权重，点云的散度矩阵为：/

其中对L进行特征值分解，特征值为/对应的特征向量为x⁺，/对应的特征向量为z⁺。-x⁺和-z⁺分别代表x⁺和z⁺的反方向，记作x^-、z^-。表示LRFx轴方向的函数由式(2)算出：

如果中的元素数量多于/则LRF的x轴选取x⁺方向，否则为x^-方向。z轴的选取方式同理，可由/与/算出。由此可推导出代表x轴与z轴方向的公式：