一种基于点云VFH描述子和神经网络的复杂曲面物体分类方法与流程

本发明涉及复杂曲面物体分类方法，特别涉及一种基于点云VFH描述子和神经网络的复杂曲面物体分类方法。

背景技术：

随着3D摄像头的出现，引入深度信息的三维图像成了机器人视觉领域的新的焦点，如何让机器人对物体进行分类并配准有着重要的意义。现有的基于点云vfh描述子直方图的分类方法存在着显著的问题，如果大量采集数据建立Kd树则会造成搜索数据的过分庞大，如果采集数据过少则会造成分类识别效果的减弱。

技术实现要素：

本发明的目的是为了解决如果大量采集数据建立Kd树则会造成搜索数据的过分庞大，如果采集数据过少则会造成分类识别效果的减弱的问题，而提出的一种基于点云VFH描述子和神经网络的复杂曲面物体分类方法。

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个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,...,x_i,...,x_M)^T；x_i表示构成vfh特征描述子x的向量；

步骤二、根据步骤一得到的vfh特征描述子计算每个向量x_i和平均vfh向量Ψ的差值向量d_i；

步骤三、运用主成分分析法计算向量d_i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d_i投影到特征vfh描述子空间的坐标为Ω_i：

Ω_i＝w^Td_i(i＝1,2,...,M)

步骤五、计算待识别物体每个vfh特征向量Γ与差值向量d_i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个角度中所在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、将物体重复步骤一至步骤六得到BP神经网络库；

步骤九、将待识别物体都通过BP神经网络库的每个BP神经网络进行识别判断；若神经网络的输出大于阈值，则待识别物体为当前BP神经网络所属物体的视角的点云；

步骤十、比较作为当前BP神经网络所属物体的视角点云的待识别物体的输出值，将待识别物体的输出值的最大值接近为1的作为最终结果；

步骤十一、旋转步骤九中的作为当前BP神经网络所属物体的视角点云的待识别物体，若旋转两次的该待识别物体的输出均大于阈值，则将该BP神经网络所属的待识别物体作为最终结果。

发明效果

本发明虽然训练阶段可能耗时较多，但是通过神经网络的训练，将判别当前vfh与大量样本的相似程度转化成一次神经网络的运算和判别，在使用时可以极大的提高分类准确率和减小计算时间，同时采用特征vfh描述向量的概念，可以极具代表性的涵盖物体的主要空间特征，识别准确率提高，可以识别大量物体。

附图说明

图1为具体实施方式一提出的点云模型示例图，

图2为具体实施方式一提出的vfh描述子示例图。

具体实施方式

具体实施方式一：本实施方式的一种基于点云VFH描述子和神经网络的复杂曲面物体分类方法，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个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(Viewpoint Feature Histogram)特征描述子x＝(x₁,x₂,...,x_i,...,x_M)^T如图1和图2；

步骤二、根据步骤一得到的vfh(Viewpoint Feature Histogram)特征描述子x_i计算每个向量x_i和平均vfh向量Ψ的差值向量d_i；

步骤三、运用主成分分析法计算向量d_i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d_i投影到特征vfh描述子空间的坐标为Ω_i：

Ω_i＝w^Td_i(i＝1,2,...,M)

步骤五、计算待识别物体每个vfh特征向量Γ与差值向量d_i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个角度中所在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、将物体重复步骤一至步骤六得到BP神经网络库；

步骤九、识别阶段，将待识别物体都通过BP神经网络库的每个BP神经网络进行识别判断；若神经网络的输出大于阈值，则待识别物体为当前BP神经网络所属物体的视角的点云；

步骤十、比较作为当前BP神经网络所属物体的视角点云的待识别物体的输出值，将待识别物体的输出值的最大值接近为1的作为最终结果；

步骤十一、旋转步骤九中的作为当前BP神经网络所属物体的视角点云的待识别物体，若旋转两次的该待识别物体的输出均大于阈值，则将该BP神经网络所属的待识别物体作为最终结果。

本实施方式效果：

本实施方式虽然训练阶段可能耗时较多，但是通过神经网络的训练，将判别当前vfh与大量样本的相似程度转化成一次神经网络的运算和判别，在使用时可以极大的提高分类准确率和减小计算时间，同时采用特征vfh描述向量的概念，可以极具代表性的涵盖物体的主要空间特征，识别准确率提高，可以识别大量物体。

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(Viewpoint Feature Histogram)特征描述子x_i计算每个向量x_i和平均vfh向量Ψ的差值向量d_i具体为：

步骤二一、根据步骤一的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x_i和平均vfh向量Ψ的差值向量d_i：

d_i＝x_i-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d_i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；

其中，A为向量d_i的集合；

步骤三二、求出A^TA的特征值λ_i和正交归一化特征向量ν_i；采用奇异值分解(SingularValue Decomposition,SVD)定理选取A^TA特征值λ_i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u_i；

步骤三四、则特征vfh描述子空间w为：

w＝(u₁,u₂,...，u_p)。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：步骤三一中A＝(d₁,d₂,...,d_i,...,d_M)。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：步骤三二中贡献率是指选取的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；一般取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。