基于点云中心约束的点对特征三维物体识别算法

目标姿态识别系统中能够快速、准确在复杂场景里识别目标物体是实现机器人在线抓取的关键,针对传统点对特征(PPF)算法相邻物体点云干扰的问题,提出了一种基于点云中心约束点对特征的三维物体识别算法。首先通过法向量相交约束为条件提取物体中心,然后根据模型的大小筛选出相关的点对特征,最后利用共面点对和物体中心特征,实现计算三维物体的姿态,以此来提高识别速度。实验结果表明,该算法显著减少特征描述符数量,提高了三维物体在复杂场景中的识别速度。与原始的点对特征算法相比,该方法对三维目标识别具有较好的性能与速度。

基于点对特征的无序散乱堆叠工件位姿估计算法

针对无序分拣场景中物体相互堆叠遮挡导致的位姿估计误差大的问题,提出了一种基于点对特征(point pair feature,PPF)的杂乱堆叠工件位姿估计算法。离线训练阶段,使用更优的点云降采样方案和更为细致的点云法线计算方式,以保留更多具有区分性的点对,实现模型更为精确的全局描述;在线匹配阶段,通过快速投票方案获得杂乱堆叠场景中目标的候选位姿,并提出了一种基于体素索引和位姿交并比的聚类策略完成位姿聚类和误匹配位姿的剔除,实现目标位姿的粗估计,最后采用ICP(iterative closest points)算法完成目标位姿的优化,获得目标的精确的6D位姿。分别进行了仿真场景实验和机械臂分拣实验。结果表明:所提算法在杂乱场景中对3种类型工件的平均识别率为98.4%,单个工件识别时间均小于0.86s,且位姿估计精度较原始PPF算法有明显提升;在实际分拣实验中识别成功率达96.7%,分拣成功率达95.3%,验证了算法在实际应用中对于噪声和杂乱遮挡的鲁棒性较强。

基于点对特征的三维点云匹配算法

针对现有的基于全局特征的三维物体识别方法和基于局部特征的三维物体识别方法在有遮挡和混叠场景中识别效果均不理想的问题,提出了一种基于点对特征的三维点云匹配算法。利用模型上的所有点对特征来完成全局模型描述构建,并在减少的二维空间上,利用快速投票方案,在局部对模型点云和场景点云进行匹配,从而恢复模型在场景中的全局姿态。实验结果表明:该算法在有遮挡和混叠的场景中识别效果比较理想。

基于点对特征和局部参考系的六维位姿估计算法

针对大量物件分拣工作中单目视觉无法精确估计目标位姿从而无法完成随机堆叠工件分拣的问题,以点对特征为基础,提出了基于点云的目标识别和位姿估计算法的改进算法.模型训练阶段,使用改进的下采样方法,保留更多有区分性的点对,构建局部参考系作为补充特征;在线匹配阶段,以距离作为投票权重,并利用匹配点对的局部参考系相似度验证候选位姿;最后通过模型与场景的重叠率筛选未遮挡的多实例目标作为可抓取目标候选.结果表明:在方差为3%,5%倍模型尺寸的高斯噪声下,目标识别率分别可达97%,78%;所有试验的识别耗时均在1 s以内,满足实际需求.

基于局部点对特征与ICP的粗-精点云配准算法

三维点云配准在机器视觉与智能检测领域中有着广泛应用,也是近年来工业机器人自动拾取的基础技术。针对传统迭代最近点(ICP)配准算法存在收敛速度慢、对点云初始位置要求高等问题,提出一种基于局部点对特征与ICP的粗-精点云配准算法。配准实验表明,该算法在最优的情况下可使ICP算法的迭代次数减少73%,有效解决ICP算法鲁棒性差、效率低等问题。

基于点对特征的工业零件位姿检测研究

针对工业零件生产过程中对无序摆放的工业零件进行抓取的情景,提出了一种新的基于加权投票的位姿估计方法。在原始点对特征(point-pair feature,PPF)算法的基础上引入加权投票方法,可以解决离线建模阶段由模型表面大量的短线段点对造成的误投票问题,实现目标工件的点云配准,最终得到目标零件的位姿估计结果。经验证,与三维扫描设备重构模型相比,本研究提出的方法可进行配准试验,减少离线建模阶段的工作量,且能很好地适应机械手抓取工业零件的工作情景。

基于边缘点对特征的板型物体识别与定位系统

针对工业环境中板型物体(如钢板),在基于投票策略的匹配算法基础上加入了边缘点对特征,提出了一种基于边缘点对特征的三维目标识别与定位方法,并利用该算法设计实现了一个钢板识别与定位系统,已成功应用于工业机器人自动钢板打磨项目中。另外,对匹配结果使用位姿聚类以及位姿验证与优化,进一步提高了算法的准确性和鲁棒性。根据系统在工作现场的运行统计结果得出,该方法不仅定位精度在项目容忍范围之内,而且满足项目对实时性的要求。

基于点对特征及分层全连接聚类的三维目标识别方法

针对基于原始点对特征的三维目标识别算法中存在的效率低、易受干扰的问题,提出了一种分层全连接聚类算法来对三维目标进行识别。利用模型上的所有点对特征来完成全局模型的描述构建,并在局部坐标的二维空间上,利用投票方案和分层全连接聚类算法对候选位姿进行筛选,从而获得最优位姿。在UWA的数据集上的实验结果表明,与原始点对特征算法相比,所提出的分层全连接聚类算法在识别率和效率上都有一定程度的提升,并且该方法满足实用性和有效性要求。

一种针对大规模场景的点云匹配算法

针对大规模点云匹配时传统算法速度慢和匹配结果不一致的问题,提出一种新的点云匹配方法。该方法首先利用KD树找到点云中深度最小的点并以该点作为种子点,然后通过在深度信息和曲率两个方面做以改进的区域生长分割算法提取出点云上表面区域,并在该区域提取点云边界。最后使用改进的点对特征完成点云匹配算法验证。实验结果表明,相比传统算法,该方法在匹配速度以及匹配结果的一致性方面得到了显著的提升,在处理大规模点云匹配上具有实际应用价值。

基于增强型点对特征的三维目标识别方法

针对基于原始点对特征的三维目标识别算法中存在的内存浪费、效率不高的问题,提出了一种基于增强型点对特征的三维目标识别算法。通过在原始点对特征的第4个分量上乘以一个符号函数,得到了一种区分性更强的点对特征,消除了原始点对特征存在的二义性。考虑到待识别目标三维模型存在的自遮挡,利用点对之间的视点可见性约束,剔除了目标三维模型哈希表中存在的大量冗余点对,节省了内存开销并提高了三维目标识别算法的识别准确率和效率。在开放数据集和实际采集的数据集上的实验结果表明,与基于原始点对特征的算法相比,所提三维目标识别算法在识别准确率和效率上都有一定程度的提升。

基于点对特征的散乱堆放物体的位姿估计算法

现有的三维物体识别和位姿估计方法无法很好地用于散乱堆放物体的场景,尤其是有严重遮挡和混叠的场景。使用基于点对特征的点云匹配和位姿估计算法,针对工业环境中乱序物体的特点,进行了一系列改进,如场景点云法线方向一致性调整、抓取位姿筛选策略调整、旋转对称引起的角度偏差调整,以取得更理想的位姿估计结果。在仿真环境和真实场景下进行了一系列实验,实验结果表明,所采用的算法在乱序物体场景中的位姿估计效果比较理想。

基于机器视觉的三维点云匹配算法在散货物料实时检测中的应用与研究

面对杂乱堆叠的散货物料实时检测场景,传统机器视觉会受物体遮挡限制,使得识别结果存在偏差。为解决此问题,本文运用三维点云算法,设计基于点对特征的位姿估计算法,同时调整场景点云中法线方向使其朝向点云成像设备视点,以优化其一致性,最后基于该算法构建实际物体抓取系统。结果显示,此次研究设计的位姿检测算法的平均重合率为98%,平均内点均方根误差为0.0003 mm,点云匹配成功率为100%,抓取成功率为97.1%。结果表明,该基于点对特征的三维点云算法在散货物料场景中的检测准确率较高,且在抓取场景中也有较理想的表现,具有一定的实际应用意义。

面向三维点云识别的体素网格降采样

三维点云往往包含大量冗余数据,降采样是点云预处理过程中的关键环节。对OpenCV点对特征(point pair feature)三维物体识别模块中的体素网格降采样算法进行了深入研究,分析并发现了OpenCV中体素网格降采样算法存在着体素索引转换的错误,验证了该算法错误会导致点云中位于包围盒表面上的点不能得到正确的降采样结果。为此,提出一种体素网格降采样算法。该算法的关键之处:一是对三维点云中的每一个点正确划分网格归属;二是将网格的三维索引转换为一维索引,且满足一一对应的关系。实验结果表明,该方法不但在计算时间上与OpenCV中的方法无明显差异,而且通过对降采样后的点云分布和差异进行分析来看,该方法能正确有效地对各种情形的点云进行降采样。

前背景骨架区域随机点对策略驱动下的车标识别方法

目的现有的车标识别算法均为各种经典的图像特征算子结合不同的分类器组合而成,均未分析车标图像的结构特点。综合考虑车标图像的灰度特征和结构特征,提出了一种前背景骨架区域随机点对策略驱动下的车标识别方法。方法本文算法将标准车标图像分为前景区域和背景区域,分别提取前、背景的骨架区域,在其中进行随机取点,形成点对,通过进行点对的有效性判断,提取能表示车标的点对特征。点对特征表示两点周围局部区域的相似关系,反映了实际车标成像过程中车标图案部分与背景部分的灰度明暗关系。结果在卡口系统截取的19 044张车标图像上进行实验,结果表明,与其他仅基于灰度特征的识别方法相比,本文提出的点对特征识别方法具有更好的识别效果,识别率达到了95.7%。在弱光照条件下,本文算法的识别算法效果同样优于其他仅基于灰度特征的识别方法,识别率达到了87.2%。结论本文提出的前背景骨架区域随机点对策略驱动下的车标识别方法,结合了车标图像的灰度特征和结构特征,在进行车标的描述上具有独特性和排他性,有效地提高了车标的识别率,尤其是在弱光照条件下,本文方法具有更强的鲁棒性。