一种基于点云配准的深度图像匹配方法组成比例

本发明专利技术提出了一种基于点云配准的深度图像匹配方法。本发明专利技术在传统两阶段点云配准过程中加入校正配准，解决了粗配准失效使得精配准无法收敛并导致最终配准失败问题。在粗配准过程中，使用了深度神经网络提取出的特征，相较于传统点云特征描述，提高了特征描述的准确性。具体包括以下步骤：接收模板深度图像和目标深度图像并转为点云形式数据；使用深度神经网络提取两幅的关键点与特征点信息；使用计算出特征信息，对模板点云和目标点云依次进行粗配准处理，校正配准和精配准，获得两幅点云间的姿态变换矩阵并计算出模板图像相对于目标图像在X轴，Y轴，Z轴上的平移和旋转。利用本发明专利技术公开的方法，可以有效地实现对不同分辨率下的深度图像匹配。

【技术实现步骤摘要】
一种基于点云配准的深度图像匹配方法
本专利技术涉及计算机技术及图像处理领域，尤其涉及一种基于点云配准的深度图像匹配方法。
技术介绍
在如今的现代化、自动化工业生产中，机器视觉起到了关键性的作用。工件的自动检测，分类识别，产品质量的自动检测，编码的自动识别，目标跟踪，无序抓取等主要的机器视觉应用广泛应用于工业生产中。在这些应用中，匹配作为高层机器视觉中的流程第一步，往往决定了整套解决方案的稳定性，准确性，可用性。近些年三维深度相机的使用越发广泛，使用三维深度相机可以得到比普通相机更多的工件信息，如工件尺寸，摆放角度，样品斜率等数据。然而在样品匹配这一关键步骤中，往往还对深度图采用传统图像处理中基于二维图像边缘信息或局部特征点信息的匹配方法，没有充分利用三维数据带来的高准确性和更大的适用场景。当工件出现较大倾翻转斜，需要得到样品具体的六个自由度的运动情况，或需要准确定位在三维空间中的位置时，传统的基于二维图像的方法往往无能为力。现有的点云配准方法通常包括粗配准和精配准两个过程，一般期望粗配准能为精配准提供较为粗略但准确的配准初值，精本文档来自技高网...

【技术保护点】
1.一种基于点云配准的深度图像匹配方法，其特征在于，该方法包括以下具体步骤：/n步骤1：采集目标物体的无倾斜无旋转的深度图像作为模板图像，采集生产流程中的任意姿态目标物体的深度图像为目标图像；/n步骤2：对步骤1中采集得到的模板图像和目标图像进行图像预处理，得到预处理后的模板图像和预处理后的的目标图像；/n步骤3：根据相机标定参数，将步骤2中得到的预处理后的模板图像生成模板点云，将步骤2中得到的预处理后的目标图像生成目标点云；/n步骤4：对步骤3中得到的模板点云和目标点云进行滤波处理，得到滤波后模板点云和滤波后目标点云；/n步骤5：使用基于点云卷积的深度神经网络提取步骤4中得到的滤波后模板点云...

【技术特征摘要】
1.一种基于点云配准的深度图像匹配方法，其特征在于，该方法包括以下具体步骤：
步骤1：采集目标物体的无倾斜无旋转的深度图像作为模板图像，采集生产流程中的任意姿态目标物体的深度图像为目标图像；
步骤2：对步骤1中采集得到的模板图像和目标图像进行图像预处理，得到预处理后的模板图像和预处理后的的目标图像；
步骤3：根据相机标定参数，将步骤2中得到的预处理后的模板图像生成模板点云，将步骤2中得到的预处理后的目标图像生成目标点云；
步骤4：对步骤3中得到的模板点云和目标点云进行滤波处理，得到滤波后模板点云和滤波后目标点云；
步骤5：使用基于点云卷积的深度神经网络提取步骤4中得到的滤波后模板点云和滤波后目标点云各自的特征点和每个特征点的特征信息；
步骤6：使用步骤5得到的滤波后模板点云的特征点、特征点的特征信息与滤波后目标点云的特征点、特征点的特征信息一起作为配准依据，对步骤4得到的滤波后模板点云和滤波后目标点云进行粗配准处理，获得粗配准变换矩阵；
步骤7：将步骤6中的粗配准变换矩阵作为配准初始参数，对步骤4得到的滤波后模板点云和滤波后目标点云进行校正配准处理，获得校正配准变换矩阵；
步骤8：将步骤7中的校正配准变换矩阵作为初始参数，对步骤4得到的滤波后模板点云和滤波后目标点云进行精配准处理，获得精配准变换矩阵，使用该精配准变换矩阵将步骤1中的模板图像变换至步骤1中的目标图像，完成深度图像匹配。


2.如权利要求1所述的基于点云配准的深度图像匹配方法，其特征在于，步骤2所述进行图像预处理，采用卷积的方法，使...

【专利技术属性】
技术研发人员：吕岳，刘鑫，吕淑静，屠晓，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：上海;31