一种基于显著性分析的3D对象识别分层方法技术

本发明专利技术公开了一种基于显著性分析的3D对象识别分层方法，包括步骤：S1、采集物体对象的红外激光图序列和无激光作用的白光图序列；S2、以所述红外激光图序列和白光图序列为输入，传至由若干不同描述子由上至下建立的分层识别模块中；S3、针对当前层描述子，直接建立代表物体的关键点集；S4、以当前关键点集为目标，计算物体对象在该描述子下的特征，用该特征进行对象的分类识别计算；S5、若无法返回唯一判别结果，则将图序列输送至下一层描述子中并重复步骤S3~S4；S6、若该层描述子的计算返回唯一判别结果时，完成对物体对象分类识别。本发明专利技术解决了目前基于RGB‑D图像分类方法的模式识别系统计算量大且计算复杂等问题。

【技术实现步骤摘要】
一种基于显著性分析的3D对象识别分层方法
本专利技术涉及计算机图像识别
，特别涉及基于显著性分析的3D对象识别分层方法，属于模式识别与智能检测领域。
技术介绍
几乎所有高端智能制造装备如光刻机、贴片机、固晶机、数控机床等均涉及复杂精密的三维位置信息（包括空间三维或二维坐标、旋转角度）检测问题。现有基于解析几何固定坐标系下的相机标定和图像处理技术已不再适用于这些应用场合，迫切需要探索新型视觉图像处理技术和平台，解决复杂环境下海量图像数据的融合与处理问题。近几年，通过深度图像（或深度信息）来识别三维目标，成为目前图像识别发展的新方向之一。因深度信息仅依赖于物体的几何形状，与物体的亮度和反射等属性无关，所以其使用起来比灰度图更为容易，且由于它可获得深度数据，所以具有普通CCD灰度图处理不具有的优势。然而，基于深度数据的方法计算量之大是人们所绕不开的问题。尤其当物体的彩色信息也被加进去时，点云数据会由三维增加到四维，即所谓RGB-D数据。就传统的处理手段，关键点的提取都是先经过三维重构出对象的完整点云，然后对点云上每一个点进行遍历运算得到的。这看上去就像是人们在做大量没必要的重复性的工作。
技术实现思路
本专利技术的目的就是解决上述难题，提供一种基于显著性分析的3D对象快速识别分层方法，从而实现有效且快速的对象识别工作。本专利技术解决所述难题，采用的技术方案是：一种基于显著性分析的3D对象识别分层方法，包括以下步骤：S1、在运动平台的匀速带动下，PC端采集放置于载物台上物体对象的红外激光图序列和无激光作用的白光图序列；S2以所述红外激光图序列和白光图序列为输入，传至由若干不同描述子由上至下建立的分层识别模块中；S3、针对当前层描述子，直接建立代表物体的关键点集，其中每个关键点个都包含物体对象的RGB-D信息；S4、以当前关键点集为目标，计算物体对象在该描述子下的特征，用该特征进行对象的分类识别计算；S5、若无法返回唯一判别结果，则将红外激光图序列和白光图序列输送至下一层描述子中并重复步骤S3~S4；S6、若该层描述子的计算返回唯一判别结果时，则物体对象的类别由此获得，计算结束，不再往下一层描述子传递图像序列。作为一种优选方案，所述步骤S1具体包括：S1.1运动平台由上位机界面发送指令，下位机相应发送脉冲序列以控制其匀速运动；S1.2运动平台控制载物台来回移动两趟，第一躺采集激光作用下物体的红外激光图序列，第二趟采集无激光作用下物体的白光图序列。作为一种优选方案，除了激光成像部分以外，红外激光图序列和无激光作用的白光图序列的视场范围内信息一致。作为一种优选方案，所述红外激光图序列为激光发射器正常工作下，物体随运动平台匀速移动过程中，CCD相机所采集的一帧帧图像；所述白光图序列为激光发射器关闭，物体随运动平台匀速移动过程中，CCD相机所采集的一帧帧图像。作为一种优选方案，步骤S3中，每个关键点所包含的物体对象的RGB-D信息包括关键点的三维坐标和关键点的RGB信息，所述红光图序列可计算出各关键点的三维坐标，所述白光图序列可保存各关键点的RGB信息，从而得出每个关键点都包含的物体对象的RGB-D信息。本专利技术相对于现有技术具有如下的有益效果：本专利技术基于显著性分析建立代表物体对象的关键点集，不仅跳过物体完整三维点云的构建这一大计算量步骤，也毋用对点云进行遍历检测，直接通过图像处理和简单坐标运算即可得到关键点；考虑到在线工作这一识别系统工作方式，该方法是经济与有效的，解决了目前基于RGB-D图像分类方法的模式识别系统计算量大且计算复杂等问题。附图说明图1是本专利技术实施例中基于显著性分析的3D对象识别分层方法的流程示意图。具体实施方式下面结合附图和具体实施例对本专利技术的专利技术目的作进一步详细地描述，实施例不能在此一一赘述，但本专利技术的实施方式并不因此限定于以下实施例。如图1所示，一种基于显著性分析的3D对象识别分层方法，包括以下步骤：S1、在运动平台的匀速带动下，PC端采集放置于载物台上物体对象的红外激光图序列和无激光作用的白光图序列；S2以所述红外激光图序列和白光图序列为输入，传至由若干不同描述子由上至下建立的分层识别模块中；S3、针对当前层描述子，直接建立代表物体的关键点集，其中每个关键点个都包含物体对象的RGB-D信息；S4、以当前关键点集为目标，计算物体对象在该描述子下的特征，用该特征进行对象的分类识别计算；S5、若无法返回唯一判别结果，则将红外激光图序列和白光图序列输送至下一层描述子中并重复步骤S3~S4；S6、若该层描述子的计算返回唯一判别结果时，则物体对象的类别由此获得，计算结束，不再往下一层描述子传递图像序列。具体而言，本实施例中，所述步骤S1具体包括：S1.1运动平台由上位机界面发送指令，下位机相应发送脉冲序列以控制其匀速运动；S1.2运动平台控制载物台来回移动两趟，第一躺采集激光作用下物体的红外激光图序列，第二趟采集无激光作用下物体的白光图序列。除了激光成像部分以外，红外激光图序列和无激光作用的白光图序列的视场范围内信息一致。具体而言，本实施例中，所述红外激光图序列为激光发射器正常工作下，物体随运动平台匀速移动过程中，CCD相机所采集的一帧帧图像；所述白光图序列为激光发射器关闭，物体随运动平台匀速移动过程中，CCD相机所采集的一帧帧图像。具体而言，本实施例中，步骤S3中，每个关键点所包含的物体对象的RGB-D信息包括关键点的三维坐标和关键点的RGB信息，所述红光图序列可计算出各关键点的三维坐标，所述白光图序列可保存各关键点的RGB信息，从而得出每个关键点都包含的物体对象的RGB-D信息。本实施例中，以相机充电器、笔芯盒、瓶盖以及伸缩两种状态下的U盘作为实验对象集，依次建立了类对角线长度、最小包络长方体、物体最高坐标点与最低坐标点的明度信息以及针对物体完整关键点集的PFH(点特征直方图，PointFeatureHistograms)特征这四个特征描述子进行测试。本实施例中的描述子，指的是检测图像的局部特征（比如边缘、角点、轮廓等），然后根据匹配目标的需要进行特征的组合、变换，以形成易于匹配、稳定性好的特征向量，从而把图像匹配问题转化为特征的匹配问题，进而将特征的匹配问题转化为特征空间特征向量的聚类问题。本实施例中的描述子一为类对角线长度，以物体相距最远两关键点间距离作为特征，可将长度区别较大的物体区分开来。本实施例中的描述子二为最小包络长方体，通过求取能囊括物体完整关键点集的最小长方体，以该长方体的长宽高作为特征，可将形状区别度较大的物体区分开来。本实施例中的描述子三为物体最高坐标点与最低坐标点的明度信息，利用这两点在白光图中对应的色彩空间信息作为特征，可将形状相似的物体加以区分。本实施例中的描述子四为针对物体完整关键点集的PFH特征，通过对物体完整关键点集计算的该特征向量，能将上述三个描述子无法区分开来的物体对象们加以识别。本专利技术的上述实施例仅仅是为清楚地说明本专利技术所作的举例，而并非是对本专利技术的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本专利技术的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发本文档来自技高网...

【技术保护点】
一种基于显著性分析的3D对象识别分层方法，其特征在于，包括以下步骤：S1、在运动平台的匀速带动下，PC端采集放置于载物台上物体对象的红外激光图序列和无激光作用的白光图序列；S2 以所述红外激光图序列和白光图序列为输入，传至由若干不同描述子由上至下建立的分层识别模块中；S3、针对当前层描述子，直接建立代表物体的关键点集，其中每个关键点个都包含物体对象的RGB‑D信息；S4、以当前关键点集为目标，计算物体对象在该描述子下的特征，用该特征进行对象的分类识别计算；S5、若无法返回唯一判别结果，则将红外激光图序列和白光图序列输送至下一层描述子中并重复步骤S3~ S4；S6、若该层描述子的计算返回唯一判别结果时，则物体对象的类别由此获得，计算结束，不再往下一层描述子传递图像序列。

【技术特征摘要】
1.一种基于显著性分析的3D对象识别分层方法，其特征在于，包括以下步骤：S1、在运动平台的匀速带动下，PC端采集放置于载物台上物体对象的红外激光图序列和无激光作用的白光图序列；S2以所述红外激光图序列和白光图序列为输入，传至由若干不同描述子由上至下建立的分层识别模块中；S3、针对当前层描述子，直接建立代表物体的关键点集，其中每个关键点个都包含物体对象的RGB-D信息；S4、以当前关键点集为目标，计算物体对象在该描述子下的特征，用该特征进行对象的分类识别计算；S5、若无法返回唯一判别结果，则将红外激光图序列和白光图序列输送至下一层描述子中并重复步骤S3~S4；S6、若该层描述子的计算返回唯一判别结果时，则物体对象的类别由此获得，计算结束，不再往下一层描述子传递图像序列。2.根据权利要求1所述的基于显著性分析的3D对象识别分层方法，其特征在于，所述步骤S1具体包括：S1.1运动平台由上位机界面发送指令，下位机相应发送脉冲序列以控制其匀速运动；...

【专利技术属性】
技术研发人员：胡跃明，李翼，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44