[发明专利]一种基于特征几何收益的目标识别方法

摘要

本发明具体涉及一种基于特征几何收益的目标识别方法，解决了现有的三维点云目标识别过程中关键点检测、特征匹配和误匹配剔除等结果不理想，且在包含噪声、分辨率不同和存在遮挡重叠等复杂场景中识别目标效果不佳等问题。首先，在关键点检测阶段增加了剔除边缘关键点的步骤；其次，在特征匹配阶段利用最近邻比剔除有二义性的特征匹配对；然后，在假设生成阶段本文提出了特征几何收益方法，对正确的匹配进行聚合并生成假设变换；最后，在假设验证阶段进行精配准验证假设变换，并精准的估计目标的姿态。该方法适用于杂乱的三维点云场景目标模型的识别，用于机器视觉的目标识别。可广泛应用于无人车驾驶、机器人、自动化装配以及智能监控等领域。

主权项

1.一种基于特征几何收益的目标识别方法，其特征在于：所述目标识别方法包括以下步骤：步骤1，利用PCL库中提供的SIFTKeypoint算法对点云模型和场景进行关键点检测，分别得到模型和场景的关键点集合，分别记为和其中N_M和N_S分别为模型和场景的候选关键点数；步骤2，对步骤1中得到的模型和场景关键点集合P_M和P_S中的点p_i进行边缘点检测；认为如果点p_i与邻域内每个点的向量两两之间的最小夹角大于阈值L_TH，则认为点p_i为边缘点，从关键点集合中将其剔除；对关键点集合P_M和P_S中所有的点进行边缘点检测，如果为边缘点，则将其剔除，最终得到具有可再现和易识别的模型和场景的关键点集合，分别记为和步骤3，利用SHOT描述子对模型和场景的关键点KP_M和KP_S的邻域进行特征描述得到模型和场景的特征描述子，分别记为和n_m和n_s分别为模型和场景的关键点的数量，即为模型和场景的特征描述子数量；步骤4，对模型的特征描述子FM采用KD‑TREE进行索引，通过KD‑TREE快速检索对场景特征描述子集合FS中的每个特征描述子fsi与模型的所有特征描述子进行检索得到最近邻和次紧邻两个匹配对，分别记为(fsi,fml)和(fsi,fmk)，其最近距离分别为dil和dik；然后利用最近邻比的方法剔除具有二义性的匹配对，选择特征明显的特征匹配对，得到一组特征匹配对，记为C＝{c1,c2,...,cnc}，其中nc为特征匹配对的个数；步骤5，为获得场景中可能存在的候选目标通过特征几何收益方法对特征匹配对集合C进行聚合；通过计算关于关键点描述子特征直方图相似度的相关收益Pdesc和关于几何一致性相关的收益Pgeom，获得满足特征相似收益与几何一致收益的特征匹配对子集；对于每个子集其特征匹配对的个数大于阈值τn的子集，对应一个候选模型；步骤6，获得候选模型后，采用SVD算法利用关键点的位置计算模型与候选目标之间的变换关系(Rc,Tc)，Rc为刚性变换中的旋转矩阵，Tc为平移向量；步骤7，进行假设验证，将模型M通过变换关系(R_c,T_c)变换到场景S坐标系下，经过改进的ICP算法优化进行精确配准；在实现精确配准后，计算配准误差d_ε和模型M在场景中的匹配度sa，如果满足d_ε小于阈值且sa大于阈值τ_sa，则模型M存在于场景中识别成功，并接受假设变换；对每个候选模型和候选模型的每个假设变换进行假设验证，最终完成对场景目标的识别。