基于自适应高斯权快速点特征直方图的目标位姿估计方法技术

本发明专利技术公开了基于自适应高斯权快速点特征直方图的目标位姿估计方法，具体包括以下步骤：步骤S1：读取点云数据；步骤S2：数据预处理；步骤S3：获取自适应最优邻域半径；步骤S4：计算法向量；步骤S5：关键点提取；步骤S6：特征提取；步骤S7：点云粗配准；步骤S8：点云精配准；步骤S9：位姿估计。基于邻域特征熵，确定特征提取的自适应最优邻域半径，同时计算关键点和邻域点之间的距离均值和方差，构建新的特征描述符的高斯权函数，使得每个邻域点的权值设定能够更准确地描述邻域点对于关键点特征的影响。采用该方法使整个位姿估计过程精度和效率更高，鲁棒性更强。棒性更强。棒性更强。

【技术实现步骤摘要】
基于自适应高斯权快速点特征直方图的目标位姿估计方法


[0001]本专利技术属于三维点云处理
，具体地说，本专利技术涉及基于自适应高斯权快速点特征直方图的目标位姿估计方法。

技术介绍

[0002]随着工业自动化、智能化的发展，企业对产品的生产效率和质量要求越来越高。传统的人工辅助生产模式，逐步显露出生产效率低、产品质量达标率低、产品质量浮动较大、人工成本高等诸多缺点。机器取代人工，成为了工业发展的趋势和必然选择。
[0003]视觉为人类的活动和生产提供了诸多的便利，使人类能够快速的感知环境并适应环境，机器视觉是通过照相机等设备来模仿并代替人眼，通过机器的自主感知来辅助工业生产。机器人视觉抓取系统将成为未来的趋势，其发展前景广阔，是当下的热门研究课题。通过视觉来识别被抓取物体并判断其位姿不仅可以提高生产线调试的效率，而且也提高了机器人抓取系统的灵活性以及适应性，使其对于复杂环境下的位姿估计与定位引导更具有优势。
[0004]在仓储环境、服务场所、工业生产等机器人需要按照用户命令抓取指定物体的应用场景中，精准的目标位姿估计能够为机械臂抓取、工件安装、物料搬运、质量检测等任务提供有效的信息支持，可以提高工业自动化水平。
[0005]当前技术条件下，位姿估计主要是通过对比物体的模板点云以及深度传感器获取的场景点云数据，提取点云特征描述符进行特征匹配，在场景点云数据中实现位姿估计。根据特征识别出物体后，用配准算法将场景点云数据与物体对应的模板点云数据进行匹配。目前，应用较广泛的点云特征描述符有：点特征直方图（PFH）、视点特征直方图(VFH)、方向直方图签名（SHOT）、快速点特征直方图（FPFH）等，其中，快速点特征直方图（FPFH）是点特征直方图（PFH）的改进版本，这种特征描述符只有33个维度，可以节省运算空间，且运算效率高，使用范围更广。然而，在计算关键点特征时，现有快速点特征直方图（FPFH）算法在选取的权重系数时，仅考虑了关键点和邻域点之间的绝对距离，使得权重系数差距过大，降低了快速点特征直方图（FPFH）特征描述符的鲁棒性；现有的快速点特征直方图（FPFH）特征描述符的计算方法没有考虑邻域半径的选取标准，采用手动多次调试的方法确定邻域半径，降低了位姿估计的效率与精度。
[0006]现有技术中，Peng Wu在论文“3D scene reconstruction based on improved ICP algorithm”（Microprocessors and Microsystems，2020）中，提出用关键点和各邻域点之间的绝对距离以及平均距离来构造指数函数，并以此作为权重系数来计算关键点的快速点特征直方图（FPFH）特征，但是该方法的权重系数差距仍较大，并且该方法没有考虑到特征提取时邻域半径的选取标准。

技术实现思路

[0007]本专利技术提供基于自适应高斯权快速点特征直方图的目标位姿估计方法，克服了现
有位姿估计技术中采用固定邻域半径，邻域点权重系数差距过大，导致精度和效率过低、鲁棒性差的问题。
[0008]为了实现上述目的，本专利技术采取的技术方案为：基于自适应高斯权快速点特征直方图的目标位姿估计方法，具体包括以下步骤：步骤S1：读取点云数据：读取模板点云数据与初始场景点云数据；步骤S2：数据预处理：对读取的初始场景点云数据进行处理，获得预处理后的场景点云数据；步骤S3：获取自适应最优邻域半径：针对模板点云数据与预处理后的场景点云数据，基于邻域特征熵，分别计算每个点的自适应最优邻域半径；步骤S4：计算法向量：依次计算模板点云数据和预处理后的场景点云数据中每个点的邻域协方差矩阵，进行特征值分解，取最小特征值对应的特征向量为该点的法向量；步骤S5：关键点提取：设置固定搜索半径，对模板点云数据以及预处理后的场景点云数据中每个点进行半径搜索得到邻域点，计算这些邻域点的权值以及邻域协方差矩阵，并进行特征值分解，设置特征值比值阈值，分别筛选出模板点云数据以及预处理后的场景点云数据的关键点；步骤S6：特征提取：利用步骤S3中的自适应最优邻域半径，计算每个邻域点的高斯权值，构建自适应高斯权快速点特征直方图（GWFPFH）；步骤S7：点云粗配准：根据步骤S6中的自适应高斯权快速点特征直方图（GWFPFH），在预处理后的场景点云数据中搜索与模板点云数据中特征相似的点作为匹配点对，并去除错误匹配点对，计算粗配准刚体变换矩阵，将模板点云数据进行粗配准变换；步骤S8：点云精配准：根据步骤S7中粗配准变换后的模板点云数据和预处理后的场景点云数据，计算初始精配准刚体变换矩阵，根据设置好的阈值以及最大迭代次数确定最终的精配准刚体变换矩阵；步骤S9：位姿估计：根据步骤S8中最终的精配准刚体变换矩阵的旋转矩阵计算预处理后的场景点云数据相对于模板点云数据的旋转角度，利用最终的精配准刚体变换矩阵的平移矩阵计算预处理后的场景点云相对于模板点云的平移距离。
[0009]优选的，所述步骤S1中，所述模板点云数据采用离线提取算法，所述场景点云数据采用在线提取算法；场景点云数据由深度相机采集获取，包括场景物体点云的空间位置坐标。
[0010]优选的，所述步骤S2中，数据预处理过程为：对模板点云数据和采集到的场景点云数据进行平面分割以及体素网格预处理，得到预处理后的场景点云数据。
[0011]优选的，所述步骤S3中，获取自适应最优邻域半径的方式为：确定最小、最大邻域半径及间隔大小，根据邻域协方差矩阵分解得到的特征值计算每个邻域半径对应的邻域特征熵，最小的邻域特征熵对应的邻域半径为自适应最优邻域半径。
[0012]优选的，所述步骤S4中，计算得到的法向量需要根据指向视点原则重新确定方向，从而保证所有的法向量指向一致。
[0013]优选的，所述步骤S5中，关键点提取采用内部形状签名（ISS）方法。
[0014]优选的，所述步骤S6中，特征提取具体过程为：a、利用步骤S3中获得的自适应最优邻域半径，确定模板点云数据与预处理后的场
景点云数据中每个点的邻域范围；b、利用步骤S4中的法向量在关键点与其对应的邻域点处建立局部坐标系；c、利用局部坐标系，计算关键点与其邻域点的几何关系，得到简化的点特征直方图（SPFH）；d、计算每个关键点以及其邻域点之间的距离均值和方差，构建高斯权函数，确定每个邻域点的高斯权值；e、根据邻域点的高斯权值对每个邻域点的简化的点特征直方图（SPFH）进行加权，得到关键点的自适应高斯权快速点特征直方图（GWFPFH）。
[0015]优选的，所述步骤S7中，利用随机采样一致性的算法去除错误的匹配点对，保留正确的匹配点对，并通过四元数法求得粗配准刚体变换矩阵。
[0016]优选的，所述步骤S8中，精配准的具体过程为：a、采用k
‑
d tree算法，在预处理后的场景点云数据中搜索与模板点云数据中最近的点作为对应点；b、采用奇异值分解法求解初始精配准刚体变换矩阵，并基于初始精配准刚体变换矩阵将模板点云数据进行变换，得到新的模板点云；c、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于自适应高斯权快速点特征直方图的目标位姿估计方法，其特征在于：具体包括以下步骤：步骤S1：读取点云数据：读取模板点云数据与初始场景点云数据；步骤S2：数据预处理：对读取的初始场景点云数据进行处理，获得预处理后的场景点云数据；步骤S3：获取自适应最优邻域半径：针对模板点云数据与预处理后的场景点云数据，基于邻域特征熵，分别计算每个点的自适应最优邻域半径；步骤S4：计算法向量：依次计算模板点云数据和预处理后的场景点云数据中每个点的邻域协方差矩阵，进行特征值分解，取最小特征值对应的特征向量为该点的法向量；步骤S5：关键点提取：设置固定搜索半径，对模板点云数据以及预处理后的场景点云数据中每个点进行半径搜索得到邻域点，计算这些邻域点的权值以及邻域协方差矩阵，并进行特征值分解，设置特征值比值阈值，分别筛选出模板点云数据以及预处理后的场景点云数据的关键点；步骤S6：特征提取：利用步骤S3中的自适应最优邻域半径，计算每个邻域点的高斯权值，构建自适应高斯权快速点特征直方图（GWFPFH）；步骤S7：点云粗配准：根据步骤S6中的自适应高斯权快速点特征直方图（GWFPFH），在预处理后的场景点云数据中搜索与模板点云数据中特征相似的点作为匹配点对，并去除错误匹配点对，计算粗配准刚体变换矩阵，将模板点云数据进行粗配准变换；步骤S8：点云精配准：根据步骤S7中粗配准变换后的模板点云数据和预处理后的场景点云数据，计算初始精配准刚体变换矩阵，根据设置好的阈值以及最大迭代次数确定最终的精配准刚体变换矩阵；步骤S9：位姿估计：根据步骤S8中最终的精配准刚体变换矩阵的旋转矩阵计算预处理后的场景点云数据相对于模板点云数据的旋转角度，利用最终的精配准刚体变换矩阵的平移矩阵计算预处理后的场景点云相对于模板点云的平移距离。2.根据权利要求1所述的基于自适应高斯权快速点特征直方图的目标位姿估计方法，其特征在于：所述步骤S1中，所述模板点云数据采用离线提取算法，所述场景点云数据采用在线提取算法；场景点云数据由深度相机采集获取，包括场景物体点云的空间位置坐标。3.根据权利要求1所述的基于自适应高斯权快速点特征直方图的目标位姿估计方法，其特征在于：所述步骤S2中，数据预处理过程为：对模板点云数据和采集到的场景点云数据进行平面分割以及体素网格预处理，得到预处理后的场景点云数据。4.根据权利要求1所述的基于自适应高斯权快速点特征直方图的目标位姿估计方法，其特征在于：所述步骤S3中，获取自适应最优邻域半径...

【专利技术属性】
技术研发人员：邵益平，朱宝昌，鲁建厦，周敏龙，佐富兴，朱婷婷，李亚云，周晓静，钮超晔，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：