本發(fā)明涉及識(shí)別空間物體位姿方法，特別涉及基于點(diǎn)云vfh描述子的識(shí)別空間物體位姿方法。

背景技術(shù)：

點(diǎn)云的是噴漆機(jī)器人視覺的重要環(huán)節(jié)，但是實(shí)時(shí)采集的局部點(diǎn)云和樣本中的完整點(diǎn)云配準(zhǔn)存在著很大的精度問題。但是靠深度攝像機(jī)獲取全面的物體三維點(diǎn)云需要人手工完成，且成功率不高，因此基于單視角的識(shí)別有重要意義，如圖1～2。

現(xiàn)有的位姿估計(jì)方法計(jì)多采用簡單的采集一定數(shù)量的點(diǎn)云樣建立特征數(shù)據(jù)庫，既沒有可行的手段確保采集樣本的代表性，也無法做到精確，同時(shí)大量的樣本導(dǎo)致運(yùn)算時(shí)間過于冗長。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是為了解決現(xiàn)有技術(shù)沒有可行的手段確保采集樣本的代表性，也無法做到精確，同時(shí)大量的樣本導(dǎo)致運(yùn)算時(shí)間過于冗長的問題，而提出的基于點(diǎn)云vfh描述子的識(shí)別空間物體位姿方法。

上述的發(fā)明目的是通過以下技術(shù)方案實(shí)現(xiàn)的：

步驟一、在訓(xùn)練階段，對(duì)每個(gè)物體均勻分成m個(gè)角度，在m角度中的每一角度所在的視角上采集點(diǎn)云并計(jì)算點(diǎn)云對(duì)應(yīng)的vfh特征描述子x＝(x1,x2,...,xi,...,xm)^t；xi表示構(gòu)成vfh特征描述子x的向量；

步驟二、根據(jù)步驟一的vfh特征描述子xi計(jì)算每個(gè)向量xi和平均vfh向量ψ的差值向量di；

步驟三、運(yùn)用主成分分析法計(jì)算向量di的特征vfh描述子空間w；

步驟四、將步驟一計(jì)算得到的vfh特征描述子和差值向量di投影到特征vfh描述子空間的坐標(biāo)為ωi；

步驟五、計(jì)算待識(shí)別物體每個(gè)vfh特征向量γ與差值向量di投影到特征vfh描述子空間的坐標(biāo)ω^γ：

ω^γ＝w^t(γ-ψ)

步驟六、確定訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)的輸入維數(shù)和輸出維數(shù)，其中，輸入維數(shù)是點(diǎn)云vfh描述子在特征vfh描述子空間下投影的維數(shù)，輸出維數(shù)為m；輸出維數(shù)的每一維代表步驟一中所采集的m個(gè)視角中的每一個(gè)視角；

步驟七、將輸入視角下的點(diǎn)云的vfh描述子在特征vfh描述子空間w下進(jìn)行投影，將投影后的vfh描述子對(duì)應(yīng)角度輸出為1，其余輸出為0；

步驟八、在識(shí)別過程中，輸入待識(shí)別物體點(diǎn)云的vfh描述子在特征vfh描述子空間w下的投影，取輸出值中相似度最高的前k個(gè)視角的坐標(biāo)，采用knn分類方法，將離群坐標(biāo)對(duì)應(yīng)的視角去掉，然后將k個(gè)視角中剩余視角取平均值作為當(dāng)前點(diǎn)云的視角。

發(fā)明效果

本發(fā)明利用主成分分析法得到最能描述點(diǎn)云表面特征的k個(gè)vfh描述子；將所有訓(xùn)練數(shù)據(jù)vfh描述子轉(zhuǎn)變?yōu)橛锰卣鱲fh算子來表示；

利用已經(jīng)采集的vfh描述子的特征表示和位姿的角度表示進(jìn)行機(jī)器學(xué)習(xí)的回歸問題學(xué)習(xí)，以得到vfh算子表示和位姿的角度表示之間的關(guān)系，對(duì)于需要識(shí)別的點(diǎn)云用學(xué)習(xí)到的回歸關(guān)系估計(jì)其位姿。

在原始的全面物體點(diǎn)云里以這個(gè)角度進(jìn)行模擬采集，得到對(duì)應(yīng)角度單視角點(diǎn)云；用實(shí)際單視角點(diǎn)云和模擬單視角點(diǎn)云進(jìn)行匹配，然后在此基礎(chǔ)上還原完整點(diǎn)云。

對(duì)于點(diǎn)云位姿的估計(jì)精度顯著提高，從而配準(zhǔn)精度進(jìn)一步提高。運(yùn)算時(shí)間也大大減短。

附圖說明

圖1為背景技術(shù)提出的完整視角點(diǎn)云模型示意圖；

圖2為背景技術(shù)提出的片面視角點(diǎn)云模型示意圖。

具體實(shí)施方式

具體實(shí)施方式一：本實(shí)施方式的基于點(diǎn)云vfh描述子的識(shí)別空間物體位姿方法，具體是按照以下步驟制備的：

引入機(jī)器學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)到分類過程中

步驟一、在訓(xùn)練階段，根據(jù)物體實(shí)際情況，對(duì)每個(gè)物體均勻分成m個(gè)角度，在m角度中的每一角度所在的視角上采集點(diǎn)云并計(jì)算點(diǎn)云對(duì)應(yīng)的vfh(viewpointfeaturehistogram，視點(diǎn)特征直方圖描述子)特征描述子x＝(x1,x2,...,xi,...,xm)^t；xi表示構(gòu)成vfh特征描述子x的向量；

步驟二、根據(jù)步驟一的vfh(viewpointfeaturehistogram)特征描述子xi計(jì)算每個(gè)向量xi和平均vfh向量ψ的差值向量di；

步驟三、運(yùn)用主成分分析法計(jì)算向量di的特征向量空間即特征vfh描述子空間w；

步驟四、將步驟一計(jì)算得到的vfh特征描述子和差值向量di投影到特征vfh描述子空間的坐標(biāo)為ωi；

步驟五、計(jì)算待識(shí)別物體每個(gè)vfh特征向量γ與差值向量di投影到特征vfh描述子空間的坐標(biāo)ω^γ：

ω^γ＝w^t(γ-ψ)

步驟六、確定訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)的輸入維數(shù)和輸出維數(shù)，其中，輸入維數(shù)是點(diǎn)云vfh描述子在特征vfh描述子空間下投影的維數(shù)，輸出維數(shù)為m；輸出維數(shù)的每一維代表步驟一中所采集的m個(gè)視角中的每一個(gè)視角；

步驟七、將輸入視角下的點(diǎn)云的vfh描述子在特征vfh描述子空間w下進(jìn)行投影，將投影后的vfh描述子對(duì)應(yīng)角度輸出為1，其余輸出為0；

步驟八、在識(shí)別過程中，輸入待識(shí)別物體點(diǎn)云的vfh描述子在特征vfh描述子空間w下的投影，取輸出值中相似度最高的前k個(gè)視角的坐標(biāo)，采用knn分類方法，將離群坐標(biāo)對(duì)應(yīng)的視角去掉，然后將k個(gè)視角中剩余視角取平均值作為當(dāng)前點(diǎn)云的視角。

本實(shí)施方式效果：

本實(shí)施方式利用主成分分析法得到最能描述點(diǎn)云表面特征的k個(gè)vfh描述子；將所有訓(xùn)練數(shù)據(jù)vfh描述子轉(zhuǎn)變?yōu)橛锰卣鱲fh算子來表示；

利用已經(jīng)采集的vfh描述子的特征表示和位姿的角度表示進(jìn)行機(jī)器學(xué)習(xí)的回歸問題學(xué)習(xí)，以得到vfh算子表示和位姿的角度表示之間的關(guān)系，對(duì)于需要識(shí)別的點(diǎn)云用學(xué)習(xí)到的回歸關(guān)系估計(jì)其位姿。

在原始的全面物體點(diǎn)云里以這個(gè)角度進(jìn)行模擬采集，得到對(duì)應(yīng)角度單視角點(diǎn)云；用實(shí)際單視角點(diǎn)云和模擬單視角點(diǎn)云進(jìn)行匹配，然后在此基礎(chǔ)上還原完整點(diǎn)云。

對(duì)于點(diǎn)云位姿的估計(jì)精度顯著提高，從而配準(zhǔn)精度進(jìn)一步提高。運(yùn)算時(shí)間也大大減短。

具體實(shí)施方式二：本實(shí)施方式與具體實(shí)施方式一不同的是：步驟二中根據(jù)步驟一的vfh(viewpointfeaturehistogram)特征描述子計(jì)算每個(gè)向量xi和平均vfh向量ψ的差值向量di具體為：

步驟二一、根據(jù)步驟一得到的vfh特征描述子計(jì)算得到平均vfh向量ψ：

其中，m＝200；

步驟二二、計(jì)算每個(gè)向量xi和平均vfh向量ψ的差值向量di：

di＝xi-ψ,i＝1,2......m。其它步驟及參數(shù)與具體實(shí)施方式一相同。

具體實(shí)施方式三：本實(shí)施方式與具體實(shí)施方式一或二不同的是：步驟三中運(yùn)用主成分分析法計(jì)算向量di的特征vfh描述子空間w具體為：

步驟三一、構(gòu)建協(xié)方差矩陣c；

a＝(d1,d2,...,dm)

其中，a為向量di的集合；

步驟三二、求出a^ta的特征值λi和正交歸一化特征向量νi；采用奇異值分解(singularvaluedecomposition,svd)定理選取a^ta特征值λi的貢獻(xiàn)率最大的前p個(gè)特征值及p個(gè)特征值對(duì)應(yīng)的特征向量；

步驟三三、求出協(xié)方差矩陣c的特征向量ui；

步驟三四、則特征vfh描述子空間w為：

w＝(u1,u2,...，up)。其它步驟及參數(shù)與具體實(shí)施方式一或二相同。

具體實(shí)施方式四：本實(shí)施方式與具體實(shí)施方式一至三之一不同的是：所述貢獻(xiàn)率是指選取的p個(gè)特征值的和與占所有特征值的和比，即：

其中，a為訓(xùn)練樣本在前p個(gè)特征向量集上的投影。其它步驟及參數(shù)與具體實(shí)施方式一至三之一相同。

具體實(shí)施方式五：本實(shí)施方式與具體實(shí)施方式一至四之一不同的是：所述a＝99％即使訓(xùn)練樣本在前p個(gè)特征向量集上的投影有99％的能量。其它步驟及參數(shù)與具體實(shí)施方式一至四之一相同。

具體實(shí)施方式六：本實(shí)施方式與具體實(shí)施方式一至五之一不同的是：步驟四中ωi＝w^tdi(i＝1,2,...,m)。其它步驟及參數(shù)與具體實(shí)施方式一至五之一相同。