基于点云VFH描述子的识别空间物体位姿方法与流程

本发明涉及识别空间物体位姿方法，特别涉及基于点云vfh描述子的识别空间物体位姿方法。

背景技术：

点云的是喷漆机器人视觉的重要环节，但是实时采集的局部点云和样本中的完整点云配准存在着很大的精度问题。但是靠深度摄像机获取全面的物体三维点云需要人手工完成，且成功率不高，因此基于单视角的识别有重要意义，如图1～2。

现有的位姿估计方法计多采用简单的采集一定数量的点云样建立特征数据库，既没有可行的手段确保采集样本的代表性，也无法做到精确，同时大量的样本导致运算时间过于冗长。

技术实现要素：

本发明的目的是为了解决现有技术没有可行的手段确保采集样本的代表性，也无法做到精确，同时大量的样本导致运算时间过于冗长的问题，而提出的基于点云vfh描述子的识别空间物体位姿方法。

上述的发明目的是通过以下技术方案实现的：

步骤一、在训练阶段，对每个物体均匀分成m个角度，在m角度中的每一角度所在的视角上采集点云并计算点云对应的vfh特征描述子x＝(x1,x2,...,xi,...,xm)^t；xi表示构成vfh特征描述子x的向量；

步骤二、根据步骤一的vfh特征描述子xi计算每个向量xi和平均vfh向量ψ的差值向量di；

步骤三、运用主成分分析法计算向量di的特征vfh描述子空间w；

步骤四、将步骤一计算得到的vfh特征描述子和差值向量di投影到特征vfh描述子空间的坐标为ωi；

步骤五、计算待识别物体每个vfh特征向量γ与差值向量di投影到特征vfh描述子空间的坐标ω^γ：

ω^γ＝w^t(γ-ψ)

步骤六、确定训练bp神经网络的输入维数和输出维数，其中，输入维数是点云vfh描述子在特征vfh描述子空间下投影的维数，输出维数为m；输出维数的每一维代表步骤一中所采集的m个视角中的每一个视角；

步骤七、将输入视角下的点云的vfh描述子在特征vfh描述子空间w下进行投影，将投影后的vfh描述子对应角度输出为1，其余输出为0；

步骤八、在识别过程中，输入待识别物体点云的vfh描述子在特征vfh描述子空间w下的投影，取输出值中相似度最高的前k个视角的坐标，采用knn分类方法，将离群坐标对应的视角去掉，然后将k个视角中剩余视角取平均值作为当前点云的视角。

发明效果

本发明利用主成分分析法得到最能描述点云表面特征的k个vfh描述子；将所有训练数据vfh描述子转变为用特征vfh算子来表示；

利用已经采集的vfh描述子的特征表示和位姿的角度表示进行机器学习的回归问题学习，以得到vfh算子表示和位姿的角度表示之间的关系，对于需要识别的点云用学习到的回归关系估计其位姿。

在原始的全面物体点云里以这个角度进行模拟采集，得到对应角度单视角点云；用实际单视角点云和模拟单视角点云进行匹配，然后在此基础上还原完整点云。

对于点云位姿的估计精度显著提高，从而配准精度进一步提高。运算时间也大大减短。

附图说明

图1为背景技术提出的完整视角点云模型示意图；

图2为背景技术提出的片面视角点云模型示意图。

具体实施方式

具体实施方式一：本实施方式的基于点云vfh描述子的识别空间物体位姿方法，具体是按照以下步骤制备的：

引入机器学习中的神经网络到分类过程中

步骤一、在训练阶段，根据物体实际情况，对每个物体均匀分成m个角度，在m角度中的每一角度所在的视角上采集点云并计算点云对应的vfh(viewpointfeaturehistogram，视点特征直方图描述子)特征描述子x＝(x1,x2,...,xi,...,xm)^t；xi表示构成vfh特征描述子x的向量；

步骤二、根据步骤一的vfh(viewpointfeaturehistogram)特征描述子xi计算每个向量xi和平均vfh向量ψ的差值向量di；

步骤三、运用主成分分析法计算向量di的特征向量空间即特征vfh描述子空间w；

步骤四、将步骤一计算得到的vfh特征描述子和差值向量di投影到特征vfh描述子空间的坐标为ωi；

步骤五、计算待识别物体每个vfh特征向量γ与差值向量di投影到特征vfh描述子空间的坐标ω^γ：

ω^γ＝w^t(γ-ψ)

步骤六、确定训练bp神经网络的输入维数和输出维数，其中，输入维数是点云vfh描述子在特征vfh描述子空间下投影的维数，输出维数为m；输出维数的每一维代表步骤一中所采集的m个视角中的每一个视角；

步骤七、将输入视角下的点云的vfh描述子在特征vfh描述子空间w下进行投影，将投影后的vfh描述子对应角度输出为1，其余输出为0；

步骤八、在识别过程中，输入待识别物体点云的vfh描述子在特征vfh描述子空间w下的投影，取输出值中相似度最高的前k个视角的坐标，采用knn分类方法，将离群坐标对应的视角去掉，然后将k个视角中剩余视角取平均值作为当前点云的视角。

本实施方式效果：

本实施方式利用主成分分析法得到最能描述点云表面特征的k个vfh描述子；将所有训练数据vfh描述子转变为用特征vfh算子来表示；

利用已经采集的vfh描述子的特征表示和位姿的角度表示进行机器学习的回归问题学习，以得到vfh算子表示和位姿的角度表示之间的关系，对于需要识别的点云用学习到的回归关系估计其位姿。

在原始的全面物体点云里以这个角度进行模拟采集，得到对应角度单视角点云；用实际单视角点云和模拟单视角点云进行匹配，然后在此基础上还原完整点云。

对于点云位姿的估计精度显著提高，从而配准精度进一步提高。运算时间也大大减短。

具体实施方式二：本实施方式与具体实施方式一不同的是：步骤二中根据步骤一的vfh(viewpointfeaturehistogram)特征描述子计算每个向量xi和平均vfh向量ψ的差值向量di具体为：

步骤二一、根据步骤一得到的vfh特征描述子计算得到平均vfh向量ψ：

其中，m＝200；

步骤二二、计算每个向量xi和平均vfh向量ψ的差值向量di：

di＝xi-ψ,i＝1,2......m。其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：步骤三中运用主成分分析法计算向量di的特征vfh描述子空间w具体为：

步骤三一、构建协方差矩阵c；

a＝(d1,d2,...,dm)

其中，a为向量di的集合；

步骤三二、求出a^ta的特征值λi和正交归一化特征向量νi；采用奇异值分解(singularvaluedecomposition,svd)定理选取a^ta特征值λi的贡献率最大的前p个特征值及p个特征值对应的特征向量；

步骤三三、求出协方差矩阵c的特征向量ui；

步骤三四、则特征vfh描述子空间w为：

w＝(u1,u2,...，up)。其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述贡献率是指选取的p个特征值的和与占所有特征值的和比，即：

其中，a为训练样本在前p个特征向量集上的投影。其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述a＝99％即使训练样本在前p个特征向量集上的投影有99％的能量。其它步骤及参数与具体实施方式一至四之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：步骤四中ωi＝w^tdi(i＝1,2,...,m)。其它步骤及参数与具体实施方式一至五之一相同。