基于分层高斯混合模型的机器人快速鲁棒三维重建方法技术

本发明专利技术公开了基于分层高斯混合模型的机器人快速鲁棒三维重建方法。该方法包含以下步骤：机器人获取测量对象点云数据，GPU加速生成分层高斯混合模型和测试集，构建及更新配准网络，全局优化配准网络，更新重建的高斯混合模型，重复上述步骤直到机器人在所有测量点完成测量，重建测量对象的三维点云模型，分析和评估重建结果。该方法通过GPU并行计算加速点云数据生成分层高斯混合模型，同时能有效处理噪声和测量的不确定性，提高三维重建的速度和效率，通过构建配准网络和更新配准网络，以及全局优化配准网络来减少联合配准误差，保证三维重建的精度。本发明专利技术自动化程度高、重建速度快、鲁棒性强，特别适用于工业场景大型测量对象的稠密点云三维重建。稠密点云三维重建。稠密点云三维重建。

【技术实现步骤摘要】
基于分层高斯混合模型的机器人快速鲁棒三维重建方法


[0001]本专利技术涉及三维重建
，特别涉及基于分层高斯混合模型的机器人快速鲁棒三维重建方法。

技术介绍

[0002]三维重建技术就是获取环境中物体的三维信息，从而确定不同物体所在位置并建立相应的空间模型，在自动驾驶、遥感测绘、虚拟博物馆、建筑设计、电子商务、临床医学等高科技领域有着很重要的应用。特别在工业应用中，三维重建是实现对工业产品整体型面尺寸参数测量的关键，对工业产品的加工有着重要指导意义。
[0003]三维点云数据的处理目前面临的问题主要包括采样密度不均匀、输入数据非结构化、对不同细节层次的处理速度不够、内存要求高以及传感器噪声和测量不确定性等。此外，这些光学测量设备每秒产生几万甚至数百万个数据点，使得三维点云数据的存储、显示和传输带来了极大的不便，并且大大降低了三维点云数据后续处理的效率，使得在有限计算资源的设备上很难实时有效地利用所有传入数据。目前研究大多通过对数据进行降采样和稠密、稀疏或分层的体素化技术来处理大量点云数据。体素化和降采样点云使空间处理过程变得复杂，而且体素表示的几何模型会产生附加的离散化，没有明确的方法来处理噪声和数据不确定性。
[0004]如何解决上述问题，成为近年来科学研究重点关注的问题，而对三维点云数据高斯混合模型表示的研究为解决这些问题提供了新的途径。

技术实现思路

[0005]本专利技术要解决的技术问题是，克服现有技术存在的上述缺陷，提供基于分层高斯混合模型的机器人快速鲁棒三维重建方法，精简三维点云数据的数据量，降低数据测量中的噪声，提高三维点云数据的处理效率。
[0006]本专利技术解决其技术问题采用的技术方案是：提供基于分层高斯混合模型的机器人快速鲁棒三维重建方法，包括以下步骤：
[0007]S1：规划机器人测量点，机器人在测量点测量目标对象，获取测量对象的点云数据；
[0008]S2：将点云数据加速生成分层高斯混合模型，用高斯混合模型表示，并提取平滑后的点云数据和测试集；
[0009]S3：构建及更新配准网络；
[0010]S4：全局优化配准网络；
[0011]S5：更新重建的高斯混合模型；
[0012]S6：重复步骤S1～S5直到机器人在所有测量点完成测量，重建测量对象的三维点云模型，分析和评估重建结果。
[0013]进一步的，所述步骤S2包括以下步骤：
[0014]S21：初始化参数：L、J、λ
s
、λ
d
、λ
c
、λ
t
、λ
s
，其中L为分层高斯混合模型的层数，J为父节点拥有的子节点数量，λ
s
为收敛阈值，λ
d
为置零阈值，λ
c
为自适应阈值，λ
t
为测试集控制因子，λ
s
为平滑控制因子，以及累加变量聚类层数l＝0，分层高斯混合模型参数Θ＝Θ
init
，分类索引其中N
r
为第r次测量获得的点云数据S
r
中点的数量，当前分类索引currIdx＝parentIdx，
[0015]S22：并行计算EM算法的E_step和M_step，将点云数据聚类生成分层高斯混合模型，其中，EM算法为期望最大算法，E_step为计算联合分布的条件概率期望，M_step为极大化联合分布的条件概率期望估计模型参数；
[0016]S23：通过收敛阈值λ
s
判断EM算法是否收敛，若收敛，则更新索引parentIdx＝currIdx，否则返回步骤S22；
[0017]S24：更新l
←
l+1，判断分层高斯混合模型的聚类层数l是否为L，若是则执行下一步骤S25，否则返回步骤S22；
[0018]S25：加速搜索分层高斯混合模型的叶子节点，并生成具有不同细节层次的高斯混合模型；
[0019]S26：提取平滑后的点云和测试集。
[0020]进一步的，所述步骤S22具体步骤为：
[0021]S221：输入机器人测量获得的点云数据S
r
和初始化参数；
[0022]S222：并行计算E_step，其中S
r
中的每个点均由一个线程处理：
[0023]首先，若点z
i
所属节点G
s
的权重π
s
＞0，则计算：
[0024][0025]h
i
＝π
s
(1-Σ
j
π
j
)/η
ꢀꢀ
(2)
[0026]α
ij
＝γ
ij
/(Σ
j
γ
ij
+h
i
)
ꢀꢀ
(3)
[0027][0028]其中，η为噪声簇的体积(噪声在S
r
分布空间的凸壳体积)，γ
ij
为S
r
中的点z
i
属于高斯分量G
j
的概率，α
ij
为归一化的概率，为原子操作，N
r
为点云的数量，Children(i)＝[(i+1)J...(i+2)J-1]为父子节点索引函数，s＝parentIdx(i)，i＝1,...,N
r
，j＝(s+1)J,...,(s+2)J-1，π
s*
＝(1-Σ
j
π
j
)为节点包含的子节点中噪声分布的权重；
[0029]然后，采用硬分配策略，将点z
i
分配到期望γ
ij
最大值对应的高斯分量G
k
中，即更新currIdx[i]＝k，其中j∈Children(s)，s＝parentIdx(i)；
[0030]S223：完成点云数据S
r
中所有点的处理后，并行计算M_step，其中每一个高斯分量G
j
均由一个线程处理：
[0031][0032][0033][0034]Θ
j
＝{π
j
,μ
j
,Σ
j
} (8)
[0035]其中，μ
j
、Σ
j
分别为高斯分布的均值和协方差矩阵，N
r
为S
r
中点的数量，j∈Level(l)，为第l层节点索引函数；
[0036]S224：若则高斯分量G
j
中聚类的点很少，则该节点可以删除，即设置π
j
＝0；若Complexity(Θ
j
)<λ
c
，其中Complexity(Θ
j
)为模型复本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于分层高斯混合模型的机器人快速鲁棒三维重建方法，其特征在于，包括以下步骤：S1：规划机器人测量点，机器人在测量点测量目标对象，获取测量对象的点云数据；S2：将点云数据加速生成分层高斯混合模型，使用高斯混合模型表示，并提取平滑后的点云数据和测试集；S3：构建及更新配准网络；S4：全局优化配准网络；S5：更新重建的高斯混合模型；S6：重复步骤S1～S5直到机器人在所有测量点完成测量，重建测量对象的三维点云模型，分析和评估重建结果。2.根据权利要求1所述的基于分层高斯混合模型的机器人快速鲁棒三维重建方法，其特征在于，所述步骤S2包括以下步骤：S21：初始化参数：L、J、λ
s
、λ
d
、λ
c
、λ
t
、λ
s
，其中L为分层高斯混合模型的层数，J为父节点拥有的子节点数量，λ
s
为收敛阈值，λ
d
为置零阈值，λ
c
为自适应阈值，λ
t
为测试集控制因子，λ
s
为平滑控制因子，以及累加变量聚类层数l＝0，分层高斯混合模型参数Θ＝Θ
init
，分类索引其中N
r
为第r次测量获得的点云数据S
r
中点的数量，当前分类索引currIdx＝parentIdx，S22：并行计算EM算法的E_step和M_step，将点云数据聚类生成分层高斯混合模型，其中，EM算法为期望最大化算法，E_step为计算联合分布的条件概率期望，M_step为极大化联合分布的条件概率期望估计模型参数；S23：通过收敛阈值λ
s
判断EM算法是否收敛，若收敛，则更新索引parentIdx＝currIdx，否则返回步骤S22；S24：更新l
←
l+1，判断分层高斯混合模型的聚类层数l是否为L，若是则执行下一步骤S25，否则返回步骤S22；S25：加速搜索分层高斯混合模型的叶子节点，并生成具有不同细节层次的高斯混合模型；S26：提取平滑后的点云和测试集。3.根据权利要求2所述的基于分层高斯混合模型的机器人快速鲁棒三维重建方法，其特征在于，所述步骤S22具体步骤为：S221：输入机器人测量获得的点云数据S
r
和初始化参数；S222：并行计算E_step，其中S
r
中的每个点均由一个线程处理：首先，若点z
i
所属节点G
s
的权重π
s
＞0，则计算：h
i
＝π
s
(1-Σ
j
π
j
)/η
ꢀꢀꢀꢀ
(2)α
ij
＝γ
ij
/(Σ
j
γ
ij
+h
i
)
ꢀꢀꢀꢀ
(3)
其中，η为噪声簇的体积即噪声在S
r
分布空间的凸壳体积，γ
ij
为S
r
中的点z
i
属于高斯分量G
j
的概率，α
ij
为归一化的概率，为原子操作，N
r
为S
r
中云的数量，Children(i)＝[(i+1)J...(i+2)J-1]为父子节点索引函数，s＝parentIdx(i)，i＝1,...,N
r
，j＝(s+1)J,...,(s+2)J-1，π
s*
＝(1-Σ
j
π
j
)为节点包含的子节点中噪声分布的权重；然后，采用硬分配策略，将点z
i
分配到期望γ
ij
最大值对应的高斯分量G
k
中，即更新currIdx[i]＝k，其中j∈Children(s)，s＝parentIdx(i)；S223：完成点云数据S
r
中所有点的处理后，并行计算M_step，其中每一个高斯分量G
j
均由一个线程处理：由一个线程处理：由一个线程处理：Θ
j
＝{π
j
,μ
j
,Σ
j
}
ꢀꢀꢀꢀꢀꢀꢀ
(8)其中，μ
j
、Σ
j
分别为高斯分布的均值和协方差矩阵，N
r
为S
r
中点的数量，j∈Level(l)，为第l层节点索引函数；S224：若则高斯分量G
j
中聚类的点很少，则该节点可以删除，即设置π
j
＝0；若Complexity(Θ
j
)<λ
c
，其中Complexity(Θ
j
)为模型复杂度，则高斯分量G
j
对应的聚类点集分布变得十分平坦，不需要进一步细化，若G
j
有子节点，则π
k
＝0，k＝(j+1)J,...,(j+2)J-1；S225：完成第l层所有高斯分量的处理后，更新分层高斯混合模型参数Θ。4.根据权利要求3所述的基于分层高斯混合...

【专利技术属性】
技术研发人员：王耀南，唐永鹏，毛建旭，朱青，张辉，周显恩，江一鸣，武子杰，聂静谋，
申请(专利权)人：湖南大学，
类型：发明
国别省市：