System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及计算机视觉,尤其涉及一种基于三维点云的机场行李类型识别方法。
技术介绍
1、随着智能技术的迅猛发展,行李搬运机器人逐渐应用于机场等公共场所,用于自动搬运行李,然而在机器人搬运抓取的过程中,对不同类型的行李运输、分拣的要求不同,并且行李由滑槽掉落到滑槽末端,可能会同时出现多个类型不同的行李,此时需要在抓取前以非接触的方式自动判断行李的类型,如硬包、软包、空筐等。
2、机场的行李搬运机器人一般布局在室内,环境光的光照强度不均匀,使用相机对行李拍照并对照片进行识别等二维视觉的方式来识别行李,因受环境光照和行李表面纹理等因素影响,通过相机等拍摄出的二维图像可能会出现拍摄不清晰、局部过度曝光等问题,导致无法进行准确识别。
3、因此,现有技术中开始使用三维点云来对行李类型进行识别和判断,但是现有技术中的方案中,将行李转化为三维点云后,但都通过单一特征识别行李类型,如使用最小二乘法拟合一个平面,计算所有点云在与平面的距离的方差来判断行李表面的平整度等,忽略了行李的形状等特点,无法做到多角度地识别行李,对判断一些特殊类型的行李无法做到准确识别,例如表面平整的软包和表面不平整的硬包等,而且在实际的行李运送过程中,部分小型、重量低的行李会使用空框来装载且行李不会完全填充空框,在使用三维点云进行识别时,会将空框一同识别,若通过方差来判断行李类别,会受到空框的点云数据影响,导致识别结果不准确。
技术实现思路
1、针对现有技术中所存在的不足,本专利技术提供了一种基于三维
2、根据本专利技术的实施例,一种基于三维点云的机场行李类型识别方法,其包括:
3、s1:使用激光扫描仪对行李进行扫描,将行李的形状轮廓转化为三维点云;
4、s2:计算三维点云中每个点的相似度度量值并进行聚类,得到多个点云集合;
5、s3:对所有点云集合进行空框判定,判断点云集合是否为空框的点云,若是则将该点云集合剔除;
6、s4:提取剩余点云集合中的关键点并计算每个关键点的fpfh特征,得到每个关键点对应的fpfh直方图和特征向量;
7、s5:将点云集合中的每个关键点的相似度度量值与特征向量组合成特征矩阵,并将特征矩阵输入到svm分类器中,得到点云集合对应的类型标签,根据类型标签判断该行李为硬包或软包。
8、优选地,在s2之前,还需对三维点云进行滤波处理,剔除z方向的高度大于预设高度的点云。
9、优选地,s2中,计算三维点云中每个点的相似度度量值并进行聚类,得到多个点云集合的步骤如下:
10、a1:创建聚类种子集合和剩余种子集合;
11、a2:选取三维点云中任意一个点云作为初始种子点并加入聚类种子集合中,其余点云加入剩余种子集合中;
12、a3:计算聚类种子集合所有点云与剩余种子集合中的所有点云的相似度度量值,并将小于预设值的相似度度量值对应的位于剩余种子集合中的点云加入聚类种子集合中。
13、a4:重复步骤a3,直至聚类种子集合中的任一点云与剩余种子集合的任一点云的相似度度量值均大于预设值,然后创建新的点云集合,并将聚类种子集合中的所有点云取出并加入点云集合中,之后将剩余种子集合中的任意一个点云取出并加入聚类种子集合。
14、a5:重复步骤a3-a4,直至剩余点云集合为空,此时可得到多个点云集合。
15、优选地,所述相似度度量值的计算公式如下:
16、kj=w0*cj+w1*dj+w2*rj
17、式中,w0、w1和w2分别密度、距离和形状因素的权重,cj为密度特征,dj距离相近的特征,rj为矩形度量。
18、优选地,s3中对云集合进行空框判定,判断点云集合是否为空框的点云的方法如下:
19、将点云集合进行正面投影,得到平面点云;
20、将平面点云在x和y方向的长度与空框的尺寸进行对比,判断是否相同,若不相同,则判断该点云集合为行李的点云,若相同,则进行下一步;
21、计算平面点云的空占比,判断空占比是否小于阈值,若小于阈值,则判断该点云集合为空框的点云,若大于阈值,则判断为该点云集合为行李的点云。
22、优选地,所述平面点云的占空比的计算方法如下:
23、将平面点云的所有点云进行三角化后计算所有三角形的面积,得到平面点云的表面积;
24、根据平面点云上各点云的坐标计算平面点云的最小外接矩形的面积;
25、平面点云的表面积与最小外接矩形的面积之比即为平面点云的占空比。
26、优选地,所述关键点的提取方法如下:
27、根据平面点云得到对应的最小外接矩形,并分别找到与外接矩形四个对角点最近的投影点;
28、将四个投影点对应的点云以及点云集合的初始种子点作为关键点。
29、优选地,s4中,将每个点云集合中的每个关键点的相似度度量值与特征向量组合成特征矩阵的方法如下:
30、对于同一点云集合中的所有关键点,计算并获得所有关键点对应的相似度度量值;
31、分别将每个关键点对应的相似度度量值和特征向量进行加权,得到与关键点对应的加权向量;
32、将所有加权向量组合成一个m*n的特征矩阵,其中m为关键点个数,n为特征向量的维度。
33、优选地,所述特征向量的维度范围为30~40。
34、相比于现有技术,本专利技术具有如下有益效果:
35、将通过激光扫描器将行李形成三维点云后,通过聚类的方式,将行李和空框的点云分开,将点云集合进行投影成平面点云后,计算平面点云的空占比和尺寸,判断该点云是否为空框并将其剔除,以避免空框对行李类型判断的影响,之后计算点云集合中的点的fpfh特征以及相似度度量值,之后直接使用svm分类器进行识,通过fpfh特征计算三维点云各个点之间的关系,来捕获行李的局部几何形状,同时判断出行李的形状和表面类型,通过多个特征的识别来提高对行李类型的判断准确性,提高泛用性。
本文档来自技高网...【技术保护点】
1.一种基于三维点云的机场行李类型识别方法,其特征在于:包括:
2.如权利要求1所述的一种基于三维点云的机场行李类型识别方法,其特征在于:在S2之前,还需对三维点云进行滤波处理,剔除Z方向的高度大于预设高度的点云。
3.如权利要求1所述的一种基于三维点云的机场行李类型识别方法,其特征在于:S2中,计算三维点云中每个点的相似度度量值并进行聚类,得到多个点云集合的步骤如下:
4.如权利要求3所述的一种基于三维点云的机场行李类型识别方法,其特征在于:所述相似度度量值的计算公式如下:
5.如权利要求1所述的一种基于三维点云的机场行李类型识别方法,其特征在于:S3中对云集合进行空框判定,判断点云集合是否为空框的点云的方法如下:
6.如权利要求5所述的一种基于三维点云的机场行李类型识别方法,其特征在于:所述平面点云的占空比的计算方法如下:
7.如权利要求1所述的一种基于三维点云的机场行李类型识别方法,其特征在于:所述关键点的提取方法如下:
8.如权利要求1所述的一种基于三维点云的机场行李类型识别方法,其特征在
9.如权利要求8所述的一种基于三维点云的机场行李类型识别方法,其特征在于:所述特征向量的维度范围为30~40。
...【技术特征摘要】
1.一种基于三维点云的机场行李类型识别方法,其特征在于:包括:
2.如权利要求1所述的一种基于三维点云的机场行李类型识别方法,其特征在于:在s2之前,还需对三维点云进行滤波处理,剔除z方向的高度大于预设高度的点云。
3.如权利要求1所述的一种基于三维点云的机场行李类型识别方法,其特征在于:s2中,计算三维点云中每个点的相似度度量值并进行聚类,得到多个点云集合的步骤如下:
4.如权利要求3所述的一种基于三维点云的机场行李类型识别方法,其特征在于:所述相似度度量值的计算公式如下:
5.如权利要求1所述的一种基于三维点云的机场行李类型识别方法,其特征在于:...
【专利技术属性】
技术研发人员:向勇,马俊勇,廖诗来,彭镭,杨秀清,钟利华,张耀,吴波,李海兵,李振楠,王建,
申请(专利权)人:民航成都物流技术有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。