1.一种基于点云VFH描述子和神经网络的复杂曲面物体分类方法,其特征在于,该方法具体是按照以下步骤进行的:
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,...,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:
Ωi=wTdi(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di投影到特征vfh描述子空间的坐标ΩΓ:
ΩΓ=wT(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。
2.根据权利要求1所述一种基于点云VFH描述子和神经网络的复杂曲面物体分类方法,其特征在于:步骤二中根据步骤一的vfh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、根据步骤一的vfh特征描述子计算得到平均vfh向量Ψ:
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。
3.根据权利要求1或2所述一种基于点云VFH描述子和神经网络的复杂曲面物体分类方法,其特征在于: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;
其中,A为向量di的集合;
步骤三二、求出ATA的特征值λi和正交归一化特征向量νi;采用奇异值分解定理选取ATA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)。
4.根据权利要求3所述一种基于点云VFH描述子和神经网络的复杂曲面物体分类方法,其特征在于:步骤三一中A=(d1,d2,...,di,...,dM)。
5.根据权利要求3所述一种基于点云VFH描述子和神经网络的复杂曲面物体分类方法,其特征在于: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。