三维大场景中的目标模型识别方法、装置及系统制造方法及图纸

本发明专利技术公开了一种三维大场景中的目标模型识别方法、装置及系统，所述方法包括获取三维大场景的点云数据；将所述点云数据进行聚类处理，获得三维大场景中各独立物体的点云数据；针对各独立物体的点云数据，提取出特征点，形成各独立物体的特征点集合；对模型库中各目标物体的模型进行采样，并基于采样后的数据提取出特征点，形成各目标物体的特征点集合；将各独立物体的特征点集合与各目标物体的特征点集合进行配准，完成独立物体与目标物体的配对，获得独立物体的目标模型。本发明专利技术能够在复杂场景下实现点云的快速识别。杂场景下实现点云的快速识别。杂场景下实现点云的快速识别。

【技术实现步骤摘要】
三维大场景中的目标模型识别方法、装置及系统


[0001]本专利技术属于计算机视觉与自动化领域，具体涉及一种三维大场景中的目标模型识别方法、装置及系统。

技术介绍

[0002]三维模型作为点、面、其他信息集合的数据，在影视、游戏、医疗、建筑等领域有重要应用。但是在自动化标注和生产过程中，三维模型的生产成本比较高，并且在固定场景下，存在着大量的重新使用的情况，因此需要一种快速的点云识别算法，能够对扫描得到的三维点云进行快速识别定位。
[0003]目前的点云识别主要可以依赖于深度学习技术，依靠大量带有标注信息的点云样本进行训练学习，在大部分场景下可以取得优异的性能。但针对于大场景的点云识别问题，则很难解决训练样本少以及场景过大带来的问题，并且这种方法在重新加入待识别的设备模型后，需要重新进行训练。

技术实现思路

[0004]针对上述问题，本专利技术提出一种三维大场景中的目标模型识别方法、装置及系统，能够在复杂场景下实现点云的快速识别。
[0005]为了实现上述技术目的，达到上述技术效果，本专利技术通过以下技术方案实现：
[0006]第一方面，本专利技术提供了一种三维大场景中的目标模型识别方法，包括：
[0007]获取三维大场景的点云数据；
[0008]将所述点云数据进行聚类处理，获得三维大场景中各独立物体的点云数据；
[0009]针对各独立物体的点云数据，提取出特征点，形成各独立物体的特征点集合；
[0010]对模型库中各目标物体的模型进行采样，并基于采样后的数据提取出特征点，形成各目标物体的特征点集合；
[0011]将各独立物体的特征点集合与各目标物体的特征点集合进行配准，完成独立物体与目标物体的配对，获得独立物体的目标模型。
[0012]可选地，所述将所述点云数据进行聚类处理，获得三维大场景中各独立物体的点云数据，包括以下步骤：
[0013]使用聚类算法对三维大场景的点云数据进行聚类处理，获得若干个聚类族；
[0014]删除所包含的点云数小于预设阈值的聚类族，获得三维大场景中各独立物体的点云数据，一个聚类族对应一个独立物体。
[0015]可选地，所述聚类算法为DBSCAN聚类算法。
[0016]可选地，所述预设阈值为100
‑
120。
[0017]可选地，各独立物体的特征点集合的形成方法包括：
[0018]使用PointNet算法从对各独立物体的点云数据中提取出特征点；
[0019]基于提取到的特征点，形成各独立物体的特征点集合。
[0020]可选地，各目标物体的特征点集合的形成方法包括：
[0021]使用PointNet算法从采样后的数据中提取出特征点；
[0022]基于提取到的特征点，形成各目标物体的特征点集合。
[0023]可选地，所述将各独立物体的特征点集合与各目标物体的特征点集合进行配准，完成独立物体与目标物体的配对，包括以下步骤：
[0024]针对各独立物体的特征点集合，分别执行计算和判断步骤，直至找到与该独立物体的特征点集合配对的目标物体的特征点集合；
[0025]所述计算和判断步骤包括：
[0026]分别计算独立物体的特征点集合与各目标物体的特征点集合之间的倒角距离；
[0027]若某一倒角距离小于预设的第二阈值，则判定该独立物体与目标物体代表同一物体，完成独立物体与目标物体的配对。
[0028]可选地，所述倒角距离的计算公式为：
[0029][0030]其中，P为独立物体的特征点集合，Q为目标物体的特征点集合，x
i
、y
j
为特征点集合中特征点的位置坐标。
[0031]第二方面，本专利技术提供了一种三维大场景中的目标模型识别装置，包括：
[0032]获取模块，用于获取三维大场景的点云数据；
[0033]聚类模块，用于将所述点云数据进行聚类处理，获得三维大场景中各独立物体的点云数据；
[0034]第一特征提取模块，用于针对各独立物体的点云数据，提取出特征点，形成各独立物体的特征点集合；
[0035]第二特征提取模块，用于对模型库中各目标物体的模型进行采样，并基于采样后的数据提取出特征点，形成各目标物体的特征点集合；
[0036]配准模块，用于将各独立物体的特征点集合与各目标物体的特征点集合进行配准，完成独立物体与目标物体的配对，获得独立物体的目标模型。
[0037]第三方面，本专利技术提供了一种三维大场景中的目标模型识别系统，包括存储介质和处理器；
[0038]所述存储介质用于存储指令；
[0039]所述处理器用于根据所述指令进行操作以执行根据第一方面中任一项所述方法的步骤。
[0040]与现有技术相比，本专利技术的有益效果：
[0041]本专利技术能够很好地解决现有方法无法在大场景中实现点云的识别，以及极大地提升了少样本情况下的点云识别的准确率。本方法综合考虑了场景点云与目标物体的模型存在的差距，对不同的扫描噪声以及扫描过程中存在遮挡等极端情况都能取得良好的效果，相较于基于分布的点云识别算法，本专利技术方法具有更好的应对噪声的效果。
附图说明
[0042]为了使本专利技术的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本专利技术作进一步详细的说明，其中：
[0043]图1为本专利技术一种实施例的三维大场景中的目标模型识别方法的流程示意图；
[0044]图2为本专利技术一种实施例的三维大场景点云示意图；
[0045]图3为本专利技术一种实施例的识别结果示意图。
具体实施方式
[0046]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术的保护范围。
[0047]下面结合附图对本专利技术的应用原理作详细的描述。
[0048]实施例1
[0049]本专利技术实施例中提供了一种三维大场景中的目标模型识别方法，如图1所示，包括以下步骤：
[0050](1)获取三维大场景的点云数据；
[0051](2)将所述点云数据进行聚类处理，获得三维大场景中各独立物体的点云数据；
[0052](3)针对各独立物体的点云数据，提取出特征点，形成各独立物体的特征点集合；
[0053](4)对模型库中各目标物体的模型进行采样，并基于采样后的数据提取出特征点，形成各目标物体的特征点集合；
[0054](5)将各独立物体的特征点集合与各目标物体的特征点集合进行配准，完成独立物体与目标物体的配对，获得独立物体的目标模型。
[0055]在本专利技术实施例的一种具体实施方式中，所述将所述点云数据进行聚类处理，获得三维大场景中各独立物体的点云数据，包括以下步骤：
[0056]使用聚类算法对三维大场景的点云数据进行聚类处理，获得若本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种三维大场景中的目标模型识别方法，其特征在于，包括：获取三维大场景的点云数据；将所述点云数据进行聚类处理，获得三维大场景中各独立物体的点云数据；针对各独立物体的点云数据，提取出特征点，形成各独立物体的特征点集合；对模型库中各目标物体的模型进行采样，并基于采样后的数据提取出特征点，形成各目标物体的特征点集合；将各独立物体的特征点集合与各目标物体的特征点集合进行配准，完成独立物体与目标物体的配对，获得独立物体的目标模型。2.根据权利要求1所述的一种三维大场景中的目标模型识别方法，其特征在于：所述将所述点云数据进行聚类处理，获得三维大场景中各独立物体的点云数据，包括以下步骤：使用聚类算法对三维大场景的点云数据进行聚类处理，获得若干个聚类族；删除所包含的点云数小于预设阈值的聚类族，获得三维大场景中各独立物体的点云数据，一个聚类族对应一个独立物体。3.根据权利要求2所述的一种三维大场景中的目标模型识别方法，其特征在于：所述聚类算法为DBSCAN聚类算法。4.根据权利要求2所述的一种三维大场景中的目标模型识别方法，其特征在于：所述预设阈值为100
‑
120。5.根据权利要求1所述的一种三维大场景中的目标模型识别方法，其特征在于：各独立物体的特征点集合的形成方法包括：使用PointNet算法从对各独立物体的点云数据中提取出特征点；基于提取到的特征点，形成各独立物体的特征点集合。6.根据权利要求1所述的一种三维大场景中的目标模型识别方法，其特征在于：各目标物体的特征点集合的形成方法包括：使用PointNet算法从采样后的数据中提取出特征点；基于提取到的特征点，形成各目标物体的特征点集合。7.根据权利要求1所述的一种三维...

【专利技术属性】
技术研发人员：黄祥，王红星，郭昭艺，王海楠，孟悦，顾徐，陈露，
申请(专利权)人：江苏方天电力技术有限公司，
类型：发明
国别省市：