三維視覺下的目標(biāo)識別與位姿估計(jì)方法

　　摘要:為了提高遮擋環(huán)境下三維目標(biāo)點(diǎn)云的識別率,提出將聚類視點(diǎn)特征直方圖(CVFH)算法與方向特征直方圖(SHOT)算法相結(jié)合的特征融合識別(CV-SHOT)算法。利用 CVFH 特征對分割的場景點(diǎn)云進(jìn)行快速粗識別,提取相似目標(biāo)點(diǎn)云 SHOT 特征并獲得模型-場景對應(yīng)點(diǎn)集,通過引入 3D霍夫投票機(jī)制對場景目標(biāo)進(jìn)行精確識別并獲得點(diǎn)云目標(biāo)初始位姿。基于最近點(diǎn)迭代(ICP)算法實(shí)現(xiàn)目標(biāo)精確定位以及位姿估計(jì)并搭建實(shí)驗(yàn)環(huán)境,測試單物體場景以及多物體部分遮擋場景。結(jié)果表明:CV-SHOT 算法識別率達(dá)到90%以上,比傳統(tǒng)的點(diǎn)云識別算法識別率明顯提高、魯棒性更強(qiáng),可對室內(nèi)復(fù)雜場景中目標(biāo)有效識別與位姿估計(jì)。

　　關(guān)鍵詞:機(jī)器視覺;三維目標(biāo)識別;霍夫投票;點(diǎn)云分割;點(diǎn)云配準(zhǔn);位姿估計(jì)

　　王青; 賈秀海; 葉明露; 王啟宇; 盛曉超 西安工程大學(xué)學(xué)報(bào) 2021-12-31

　　0 引 言

　　基于深度相機(jī)采集的三維點(diǎn)云數(shù)據(jù)不僅包括物體表面的幾何特征、顏色信息,而且還包括深度信息[1],即采集的信息更接近現(xiàn)實(shí)場景,因此基于三維點(diǎn)云數(shù)據(jù)的物體識別與位姿估計(jì)技術(shù)是目前機(jī)器視覺領(lǐng)域研究的熱點(diǎn)之一,被廣泛用于機(jī)器人環(huán)境感知和導(dǎo)航、無人汽車自動(dòng)駕駛、自動(dòng)裝配及虛擬現(xiàn)實(shí)等領(lǐng) 域[2]。 文 獻(xiàn) [3]使 用 快 速 點(diǎn) 特 征 直 方 圖 (FPFH)計(jì)算局部特征,相比點(diǎn)特征直方圖[4],極大地提高了點(diǎn)云的計(jì)算速度,并提出了一種基于樣本一致性的初始對齊算法,解決了點(diǎn)云配準(zhǔn)效率低的問題,但對噪聲點(diǎn)云數(shù)據(jù)的魯棒性較差。文獻(xiàn)[5]利用視點(diǎn)特征直方圖(VFH)獲取待配準(zhǔn)點(diǎn)云特征,采用 KNN 算法和ICP 算法估計(jì)物體位姿,具有較強(qiáng)的穩(wěn) 健 性。 文 獻(xiàn) [6]利 用 聚 類 視 點(diǎn) 特 征 直 方 圖 (CVFH)識別物體,可有效識別遮擋的點(diǎn)云以及包含噪聲的點(diǎn)云。文獻(xiàn)[7]通過使用點(diǎn)對特征對在散亂堆放場景中的物體進(jìn)行點(diǎn)云匹配和位姿估計(jì),采用投票策略進(jìn)行模板匹配,在仿真環(huán)境下抓取準(zhǔn)確率達(dá)到了97.1%,但該算法沒有涉及對復(fù)雜場景中多物體的識別。文獻(xiàn)[8]為了識別復(fù)雜場景中的多個(gè)目標(biāo),提出一種基于改進(jìn)法矢的 C-SHOT 特征識別目標(biāo),使用 LM-ICP實(shí)現(xiàn)目標(biāo)點(diǎn)云的位姿估計(jì),對顏色鮮明、區(qū)別性強(qiáng)的物體識別率達(dá)到了99%,但對表面光滑、顏色相近的物體識別率較低。

　　針對在復(fù)雜場景下點(diǎn)云目標(biāo)被遮擋和含有噪聲時(shí)目標(biāo)識別率低的問題,本文結(jié)合 CVFH 與方向特征直方圖(SHOT)描述子[9],提出一種改進(jìn)的 CVSHOT 識別算法,并使用霍夫投票算法優(yōu)化最近點(diǎn)迭代(ICP)算法[10-11],對復(fù)雜場景中目標(biāo)進(jìn)行識別和位姿估計(jì)。

　　1 點(diǎn)云數(shù)據(jù)處理

　　由于環(huán)境光線、相機(jī)本身誤差等原因,深度相機(jī)采集的點(diǎn)云數(shù)據(jù)會(huì)包含數(shù)據(jù)噪點(diǎn)[12],并且除了物體點(diǎn)云信息外,還存在多余的背景信息、載物臺平面信息等。為了得到有效的分割聚類以及提高后續(xù)的識別效率,需要去除多余點(diǎn)云。

　　1.1 數(shù)據(jù)預(yù)處理

　　針對深度相機(jī)采集的原始點(diǎn)云數(shù)據(jù),為了快速找到感興趣區(qū)域,采用點(diǎn)云直通濾波算法[13]去除冗余的背景信息,可以極大地減少點(diǎn)云數(shù)量,完整地保留目標(biāo)特征的信息。待識別的目標(biāo)點(diǎn)云與相機(jī)的距離保持不變,故可以截取空間坐標(biāo)軸方向一定范圍內(nèi)的點(diǎn)云數(shù)據(jù)作為感興趣區(qū)域,然后進(jìn)行目標(biāo)點(diǎn)云的識別。空間坐標(biāo)軸各個(gè)方向上的距離閾值設(shè)置: Xmin ≤x ≤ Xmax Ymin ≤y ≤Ymax Zmin ≤z ≤Zmax ì î í ï ï ï ï (1) 式中:(Xmin,Xmax)、(Ymin,Ymax)、(Zmin,Zmax)閾值可通過計(jì)算獲得。 點(diǎn)云數(shù)據(jù)直通濾波效果如圖 1 所示。

　　圖1中,(a)為原始數(shù)據(jù)點(diǎn)云,其冗余的點(diǎn)云信息主要是背景信息。取Z 方向(-1,0)范圍內(nèi)的點(diǎn)云數(shù)據(jù),直通濾波后的效果圖如(b)所示。濾波前后感興趣區(qū)域的點(diǎn)云數(shù)量、形狀、位置未發(fā)生變化, 原始點(diǎn)云的點(diǎn)數(shù)量為223778,直通濾波后的點(diǎn)數(shù)量為72103,極大地減少了點(diǎn)的數(shù)量,節(jié)約了計(jì)算資源。在使用直通濾波的過程中,可以根據(jù)實(shí)際情況合理設(shè)置方向閾值,在減少點(diǎn)云數(shù)量和保留感興趣區(qū)域之間達(dá)到平衡。深度相機(jī)獲取的點(diǎn)云數(shù)據(jù)比較稠密,為了提高后續(xù)點(diǎn)云處理的速度,在保留物體特征信息的基礎(chǔ)上,采用體素濾波算法[14]對點(diǎn)云進(jìn)行下采樣。體素濾波算法:根據(jù)點(diǎn)云數(shù)據(jù)的特點(diǎn)建立三維體素柵格,組成多個(gè)微小立方體,采用小立方體的重心替代該立方體內(nèi)的點(diǎn),對點(diǎn)云數(shù)據(jù)進(jìn)行稀疏化。該方法簡單高效,不需要建立復(fù)雜的拓?fù)浣Y(jié)構(gòu),滿足三維點(diǎn)云曲面快速重構(gòu)的需求。每個(gè)小立方體重心 (xc,yc,zc)的計(jì)算公式為 xc = ∑ n i=1 xi n yc = ∑ n i=1 yi n zc = ∑ n i=1 zi n ì î í ï ï ï ï ï ï ï ï ï ï ï ï (2) 式中:n 為小立方體中的點(diǎn)云數(shù)量,(xi,yi,zi)為小立方體中的第i個(gè)點(diǎn)。體素內(nèi)的點(diǎn)用小立方體重心表示,以完成點(diǎn)云數(shù)據(jù)的下采樣。

　　體素濾波如圖2所示。從圖2可以看出,體素濾波中小立方體邊長為5 mm,濾波前后點(diǎn)云的位置、形狀保持不變,濾波前的數(shù)量為5713,濾波后的數(shù)量為1168,點(diǎn)云數(shù)量減少極大,提高了后續(xù)點(diǎn)云局部特征的計(jì)算速度。小立方體邊長可根據(jù)場景情況適當(dāng)調(diào)節(jié),在減少點(diǎn)云數(shù)量與保持點(diǎn)云輪廓信息之間達(dá)到平衡。

　　1.2 載物臺平面去除

　　采用隨機(jī)采樣一致(RANSAC)算法[15]去除載物臺平面。RANSAC 算法通過迭代方式在含有外部點(diǎn)的點(diǎn)云數(shù)據(jù)中估計(jì)并優(yōu)化數(shù)學(xué)模型,將數(shù)學(xué)模型設(shè)置為平面模型,將載物臺平面與場景物體分離。根據(jù)實(shí)驗(yàn) 室 場 景 的 復(fù) 雜 度,設(shè) 置 最 大 迭 代 次 數(shù) 為 50,距離閾值為0.01,對場景進(jìn)行多次平面濾除,去除載物臺平面效果如圖3所示。相比左圖,右圖載物臺主平面幾乎被完全濾除,只有零散的幾處小平面點(diǎn)云以及離群點(diǎn)未被濾除,平面上的物體點(diǎn)云形狀、輪廓保持不變。

　　1.3 離群點(diǎn)濾除

　　為了去除因深度相機(jī)采集產(chǎn)生的稀疏離群點(diǎn)、點(diǎn)云邊緣噪聲以及分割載物臺平面留下的離群點(diǎn), 并同時(shí)降低相互遮擋物體的連接性,采用統(tǒng)計(jì)離群點(diǎn)算法[16]進(jìn)行點(diǎn)云數(shù)據(jù)處理,鄰域平均距離的概率密度函數(shù),即 f(li)= 1 2πσ exp - (li -u)2 2σ2 æ è ç ö ø ÷ ,i=1,2,3,… (3) 式中:li 為任意點(diǎn)的鄰域平均距離。該算法對每個(gè)點(diǎn)的k 近鄰點(diǎn)進(jìn)行分析,k 設(shè)置為50。如果當(dāng)前點(diǎn)距離k近鄰點(diǎn)的平均距離超過整個(gè)點(diǎn)云數(shù)據(jù)點(diǎn)之間平均距離的一個(gè)標(biāo)準(zhǔn)差以上,則視該點(diǎn)為離群點(diǎn),離群點(diǎn)濾波效果如圖4所示。

　　經(jīng)過統(tǒng)計(jì)離群點(diǎn)濾波后,相比左圖,右圖中的離群點(diǎn)被濾除,相互接觸的物體也被有效區(qū)別,得到了比較規(guī)則、光滑的多個(gè)物體點(diǎn)云聚類,可使后續(xù)的點(diǎn)云得到有效分割。

　　1.4 點(diǎn)云場景分割

　　點(diǎn)云分割通常依據(jù)點(diǎn)云的法線、幾何特征、顏色等信息將點(diǎn)云分割為互不相交的多個(gè)子集。當(dāng)場景物體經(jīng)過點(diǎn)云預(yù)處理后,點(diǎn)云數(shù)據(jù)量急劇降低,各物體的連接性明顯降低,此時(shí)采用歐式聚類[17]分割算法,相比于區(qū)域生長分割[18]、超體聚類分割[19-20]、最小分割[21]算法,可有效快速分割場景,分割實(shí)時(shí)性滿足目標(biāo)識別的需要。

　　在點(diǎn) 云 維 度 空 間 建 立 數(shù) 據(jù) 索 引 樹 形 結(jié) 構(gòu) (KDTree),利用 KDTree的最近鄰查詢算法加速歐式聚類的過程。歐式聚類是基于歐式距離判斷是否進(jìn)行聚類的算法,點(diǎn)云三維空間中,點(diǎn) (x1,y1,z1) 與點(diǎn)(x2,y2,z2)的歐氏距離,即 dE = (x1 -x2)2 + (y1 -y2)2 + (z1 -z2)2 (4) 首先 在 搜 索 空 間 中 選 取 一 點(diǎn) p,然 后 利 用 KDTree數(shù)據(jù)結(jié)構(gòu)在搜索范圍內(nèi)找到k 個(gè)離p 點(diǎn)最近的點(diǎn),當(dāng)搜索點(diǎn)的歐式距離小于設(shè)定閾值時(shí),則被聚類到集合A 中。當(dāng)集合A 中的點(diǎn)數(shù)不再增加,則完成歐式聚類,否則選取集合A 中除p點(diǎn)以外的點(diǎn), 重復(fù)上述過程,直到 A 中的點(diǎn)數(shù)不再增加,即完成聚類分割。

　　圖5為采用歐式聚類算法分割后的效果圖。從圖5可以看出,當(dāng)場景中的物體不相互粘連時(shí),場景中的牛奶盒、茶葉罐、布仔、可樂罐被有效聚類。能夠滿足點(diǎn)云目標(biāo)識別的要求。

　　2 目標(biāo)識別與位姿估計(jì)

　　在點(diǎn)云目標(biāo)識別過程中,最重要的是三維描述子的設(shè)計(jì),一個(gè)目標(biāo)能否被有效識別,很大程度上取決于三維描述子獲取目標(biāo)特征信息的準(zhǔn)確性與完整性,三維描述子具有分辨率不變性、強(qiáng)魯棒性和旋轉(zhuǎn)不變性[22]等特點(diǎn)。三維特征按照空間搜索范圍分為局部特征和全局特征[23]。局部特征描述子是對點(diǎn)云數(shù)據(jù)局部特征的描述,不需要對場景點(diǎn)云進(jìn)行分割,直接計(jì)算場景物體局部特征,并與模型庫完成匹配,識別速度快、具有旋轉(zhuǎn)尺度不變性,但對點(diǎn)云噪聲比較敏感;全局特征是對整個(gè)點(diǎn)云數(shù)據(jù)特征的描述,容易忽略細(xì)節(jié)信息,為了提高識別率,需要對場景點(diǎn)云進(jìn)行適當(dāng)分割。面對復(fù)雜環(huán)境,特別是物體相互遮擋、存在相似目標(biāo)的場景中,本文提出一種復(fù)合描述子 CV-SHOT,將全局特征的 CVFH 與局部特征的 SHOT 描述子結(jié)合起來,通過粗識別-精匹配兩步法識別目標(biāo),并估計(jì)目標(biāo)在場景中的位姿。

　　2.1 霍夫投票算法

　　3D霍夫變換用于檢測平面、圓柱、球體以及不規(guī)則幾何體[8]。以霍夫投票的票數(shù)為判斷依據(jù),實(shí)現(xiàn)目標(biāo)點(diǎn)云的識別,并利用關(guān)鍵點(diǎn)局部坐標(biāo)系的唯一性,獲取識別目標(biāo)的初始位姿。本文通過計(jì)算模型、場景關(guān)鍵點(diǎn)的局部參考系,利用 SHOT 描述子得到的模型-場景對應(yīng)點(diǎn)集作為投票的特征點(diǎn),提高霍夫投票的準(zhǔn)確性。相機(jī)拍攝角度或場景物體的移動(dòng),使場景中的待識別物體模型發(fā)生旋轉(zhuǎn)平移,因此在霍夫投票之前, 需要將模型參考向量坐標(biāo)和場景坐標(biāo)轉(zhuǎn)換到同一個(gè)三維空間中,參考向量空間坐標(biāo)轉(zhuǎn)換如圖6所示。

　　選取模型質(zhì)心參考點(diǎn)為 CM ,對于每個(gè)模型特征點(diǎn)FM i ,計(jì)算參考點(diǎn)CM 和特征點(diǎn)FM i 的參考向量 VM i,G ,計(jì)算公式為 VM i,G =CM -FM i 為了使參考向量具有旋轉(zhuǎn)平移不變性,模型坐標(biāo)的參考向量VM i,G 必須轉(zhuǎn)換到相應(yīng)特征點(diǎn)的局部坐標(biāo)下,模型局部參考向量VM i,L 轉(zhuǎn)換公式即 VM i,L =RM GL ·VM i,G式中:RM GL 為旋轉(zhuǎn)矩陣,RM GL =[LM i,xLM i,yLM i,z]T,矩陣中每一行分別是3個(gè)坐標(biāo)方向下特征點(diǎn)FM i 及其鄰域內(nèi)點(diǎn)構(gòu)建的局部坐標(biāo)的單位特征向量。在局部坐標(biāo)中參考向量具有旋轉(zhuǎn)平移不變性, 則局部坐標(biāo)下的模型參考向量VM i,L 與場景參考向量 VS i,L 相等,即VS i,L =VM i,L 。最后,全局坐標(biāo)下的參考向量VS i,G 計(jì)算公式: VS i,G =RS LG ·VS i,L +FS j 式中:RS LG 為旋轉(zhuǎn)矩陣,RS LG =[LS j,xLS j,yLS j,z],其每一列分別是3個(gè)坐標(biāo)方向下特征點(diǎn)FS j 及其鄰域內(nèi)點(diǎn)構(gòu)建的局部坐標(biāo)的單位特征向量。 通過上述變換, 特征點(diǎn)FS j 可以利用參考向量VS i,G 進(jìn)行霍夫空間投票,將目標(biāo)識別的問題轉(zhuǎn)化為目標(biāo)上每個(gè)參考向量在霍夫空間上對質(zhì)心投票的問題。

　　對模型-場景的對應(yīng)點(diǎn)通過上述轉(zhuǎn)換過程進(jìn)行投票,利用場景中的匹配點(diǎn)確定每次投票的一個(gè)質(zhì)心位置,根據(jù)特征向量VS i,G 的投票數(shù)值確定目標(biāo)質(zhì)心的真實(shí)位置。在投票過程中,設(shè)計(jì)1個(gè)3D 投票數(shù)組進(jìn)行投票計(jì)數(shù),每對質(zhì)心位置投票1次,此數(shù)組對應(yīng)位置上計(jì)數(shù)器加1,循環(huán)投票計(jì)數(shù)直到所有特征點(diǎn)完成投票,通過投票峰值以及目標(biāo)質(zhì)心的位置識別場景中的目標(biāo)。

　　2.2 目標(biāo)識別

　　CVFH 是 VFH 的擴(kuò)展,可有效獲取復(fù)雜場景下遮擋目標(biāo)的特征,CVFH 將待識別的目標(biāo)點(diǎn)云表面劃分為多個(gè)平滑且連續(xù)的區(qū)域,在每個(gè)區(qū)域中生成 VFH。因此,一個(gè)目標(biāo)的識別可以由多個(gè)平滑且連續(xù)區(qū)域的 CVFH 特征表示。方向直方圖特征(SHOT)描述子將簽名法和直方圖法組合描述點(diǎn)云局部特征,具有旋轉(zhuǎn)及尺度不變性、對點(diǎn)云密度不敏感等特性。在特征點(diǎn)處建立半徑為R 的鄰域空間,將鄰域空間沿縱向劃分為8 份,沿半徑劃分為2份,沿高度劃分為2份,鄰域空間劃分為32份,計(jì)算每份中特征點(diǎn)法線ni 與特征點(diǎn)法線np 的夾角余弦值cosθ,將每份空間中的余弦值劃分為11個(gè)單元用直方圖統(tǒng)計(jì),則每個(gè)特征點(diǎn)的維數(shù)為32×11=352維,其中兩法線夾角余弦值 cosθ,即 cosθ=ni·np (5) 將 CVFH 和 SHOT 描 述 子 結(jié) 合 進(jìn) 行 目 標(biāo) 識別。首先對場景點(diǎn)云使用 CVFH 特征進(jìn)行快速初步識別,得到相似的k 個(gè)目標(biāo),極大地縮小了目標(biāo)搜索空間,提高了識別速度;使用 SHOT 描述子進(jìn)行進(jìn)一步識別,獲得模型-目標(biāo)的初始對應(yīng)點(diǎn)集;計(jì)算關(guān)鍵點(diǎn)的局部參考系,采用霍夫投票算法使匹配的點(diǎn)集生成投票向量;最后通過霍夫投票數(shù)濾除匹配的偽對應(yīng)點(diǎn),實(shí)現(xiàn)目標(biāo)識別。

　　2.3 位姿估計(jì)

　　完成場景中目標(biāo)識別后,需要進(jìn)行點(diǎn)云配準(zhǔn),獲得目標(biāo)物體的精確位姿。點(diǎn)云配準(zhǔn)是不斷迭代優(yōu)化的過程,經(jīng)典的ICP算法通過迭代最近點(diǎn)實(shí)現(xiàn)點(diǎn)云配準(zhǔn),但是當(dāng)匹配的點(diǎn)云間位姿相差較大時(shí),容易陷入局部最大值,因此選取霍夫投票高的目標(biāo)位姿作為配準(zhǔn)的初始位姿,實(shí)現(xiàn)粗配準(zhǔn),再采用ICP 算法進(jìn)行精確配準(zhǔn),得到模型庫目標(biāo)到場景目標(biāo)的旋轉(zhuǎn)矩陣R 與平移向量t。 ICP算法通過在匹配點(diǎn)集中不斷迭代搜索最近點(diǎn)間的距離平方和獲得最優(yōu)的剛性變換,歐式距離平方和計(jì)算公式: E(R,t)= 1 Np∑ Np i=1 ‖xi -Rpi -t‖2 (6) 式中:Np 為匹配點(diǎn)數(shù),xi、pi 分別為模型、場景點(diǎn)。 ICP算法通過不斷迭代,使最近點(diǎn)距離平方和不斷收斂,直到達(dá)到設(shè)定的距離閾值或者迭代次數(shù), 并輸出最優(yōu)的旋轉(zhuǎn)矩陣R 和平移向量t。設(shè)α、β、γ 分別為坐標(biāo)軸的旋轉(zhuǎn)角度,tx 、ty、tz 分別為坐標(biāo)軸的平移向量,則六自由度參數(shù)為 ψ=(α,β,γ,tx ,ty,tz)

　　3 結(jié)果與分析

　　3.1 算法框架

　　目標(biāo)識別算法分為離線訓(xùn)練與在線識別2個(gè)階段,CV-SHOT 識別算法流程如圖7所示。

　　3.1.1 離線訓(xùn)練。

　　Step1 建立目標(biāo)點(diǎn)云數(shù)據(jù)集模型庫。在實(shí)驗(yàn)室真實(shí)場景下,使用深度相機(jī)采集單個(gè)目標(biāo)物體各個(gè)方 向 的 幾 何、顏 色 信 息,利 用 IntelRealSense SDK 生成目標(biāo)點(diǎn)云,采集100個(gè)目標(biāo)點(diǎn)云數(shù)據(jù)構(gòu)成模型庫。 Step2 在 目 標(biāo) 點(diǎn) 云 空 間 中 建 立 KDTree結(jié)構(gòu),計(jì)算模型庫中各個(gè)點(diǎn)云的 CVFH 描述子,建立物體類別數(shù)據(jù)文件。

　　3.1.2 在線識別。

　　Step1 將原始場景點(diǎn)云進(jìn)行點(diǎn)云預(yù)處理,采用歐式聚類分割算法分割場景物體,得到有效的多個(gè)聚類,組成點(diǎn)云集Q。

　　Step2 設(shè)置初步識別時(shí)匹配的目標(biāo)模型數(shù)量為k,取k=3,卡方檢測閾值為D,計(jì)算點(diǎn)云集Q 中第i個(gè)聚類的CVFH 特征(i=1,2,3,…),對模型庫進(jìn)行k 近鄰搜索,利用訓(xùn)練建立的 KDTree結(jié)構(gòu)進(jìn)行近似查找,搜索得到k 個(gè)小于卡方檢測閾值D 的相似點(diǎn)云集合q,完成初步的識別。

　　Step3 將包含k 個(gè)點(diǎn)云聚類的相似點(diǎn)云集q 按卡方距離從小到大排序,采用體素濾波算法提取點(diǎn)云關(guān)鍵點(diǎn),對點(diǎn)云數(shù)據(jù)稀疏化處理。

　　Step4 分 別 計(jì) 算 SHOT 描 述 子,使 用 KDTreeFLANN 方法匹配,通過最近鄰搜索得到相似點(diǎn),當(dāng)相似點(diǎn)對的平方距離S<0.25時(shí),則為模型-場景的對應(yīng)點(diǎn),遍歷整個(gè)點(diǎn)云聚類qm (0

　　Step5 計(jì)算關(guān)鍵點(diǎn)局部參考坐標(biāo)系,采用3D 霍夫投票算法去除偽匹配點(diǎn)對,精確識別目標(biāo),并獲得初始位姿。

　　Step6 根據(jù)獲得的初始位姿,采用經(jīng)典的ICP 算法進(jìn)行點(diǎn)云目標(biāo)的精確配準(zhǔn),得到場景中目標(biāo)的最終位姿估計(jì)。轉(zhuǎn)到步驟2進(jìn)行識別點(diǎn)云集合 Q 中下一個(gè)候選點(diǎn)云聚類。

　　Step7 在場景中被識別到的目標(biāo)用綠 色 標(biāo)識,并輸出其六自由度位姿;迭代下一幀場景點(diǎn)云。

　　以識別真實(shí)場景中布仔為例,運(yùn)行本文算法,有效地識別目標(biāo)并計(jì)算布仔位姿。識別效果如圖8所示。

　　旋轉(zhuǎn)平移矩陣:M =t(tx ,ty,tz)·R(α,β,γ)= 0.99996 -0.00519 0.00773 0.00503 0.00508 0.99988 0.01464 0.00991 -0.00780 -0.01460 0.99987 -0.00115 0 0 0 1 æ è ç ç ç çç ö ø ÷ ÷ ÷ ÷÷ 轉(zhuǎn)化為六自由度位姿: ψ=(α,β,γ,tx ,ty,tz)= (-0.015 0.008 0.005 0.005 0.010 -0.001)

　　3.2 實(shí)驗(yàn)平臺搭建

　　計(jì)算機(jī)操作系統(tǒng)為 window10,硬件配置為Intel (R)Core(TM)i3-4005U CPU @ 1.70 GHz (1700MHz),運(yùn)行內(nèi)存為8GB,結(jié)合PCL1.9.1點(diǎn)云庫,在 VisualStudio2019中編譯運(yùn)行程序。真實(shí)場景中的點(diǎn)云采集設(shè)備使用英特爾公司的 RealSense D435i深度相機(jī),采集實(shí)驗(yàn)室場景制作數(shù)據(jù)集。

　　3.3 數(shù)據(jù)集

　　以識別布仔為例,在布仔場景中分別采用 CSHOT 算法[8]、CSHOT-VFH 算法[24]、本文三維視覺識別 算 法 進(jìn) 行 測 試。使 用 深 度 相 機(jī) RealSense D435i采集200個(gè)真實(shí)環(huán)境中的單物體點(diǎn)云圖作為數(shù)據(jù)來源,單物體識別結(jié)果見表1。

　　從表1可以看出,本文算法識別率比 C-SHOT 算法提高了約3%,相比 C-SHOT、CSHOT-VFH 算法,修正了目標(biāo)與模型點(diǎn)云位置、形狀相似下目標(biāo)分割不準(zhǔn)確造成的誤匹配,使目標(biāo)識別率進(jìn)一步提高。考慮實(shí)際生產(chǎn)環(huán)境的復(fù)雜性,對多物體(除布仔, 多個(gè)相似物品)以及對布仔進(jìn)行部分遮擋的復(fù)雜場景進(jìn)行識別。同樣,采集200個(gè)真實(shí)環(huán)境中的復(fù)雜場景點(diǎn)云圖作為數(shù)據(jù)來源,多物體識別結(jié)果見表2。

　　從表2可以看出,現(xiàn)有識別算法在復(fù)雜環(huán)境下的識別率明顯降低,本文算法通過兩步法識別,利用 SHOT 特征修 正 識 別,降 低 了 相 似 目 標(biāo) 的 誤 識 別率,識別率顯著提高,高達(dá)93.5%,驗(yàn)證了本文算法對復(fù)雜環(huán)境有一定的魯棒性。在位姿估計(jì)階段,為了檢驗(yàn)?zāi)繕?biāo)位姿的準(zhǔn)確性與穩(wěn)定性,以估計(jì)場景中布仔為例,首先對場景中布仔添加不同程度的遮擋,即占原始布仔點(diǎn)云數(shù)據(jù)量的百分比,遮擋強(qiáng)度為無遮擋、10%、20%、30%,不同遮擋程度下的布仔遮擋場景如圖9所示。

　　通過采集布仔不同程度遮擋的場景,測試位姿估計(jì)算法以及ICP算法[10],計(jì)算并統(tǒng)計(jì)布仔的配準(zhǔn)耗時(shí)與配準(zhǔn)得分,不同遮擋程度下布仔配準(zhǔn)性能見表3。其中配準(zhǔn)得分為配準(zhǔn)過程完成后對應(yīng)點(diǎn)集之間距離平方和的平均值,得分越低,表明配準(zhǔn)效果越好。配準(zhǔn)得分計(jì)算公式: S= 1 n∑ n i=0 (pj -qj)2 (7) 式中:pj 為模型中的點(diǎn),qj 為模型點(diǎn)pj 在場景中所對應(yīng)的點(diǎn),n 為對應(yīng)點(diǎn)的數(shù)量。

　　從表3可以看出,隨著布仔遮擋程度的增加,相比ICP算法,本文算法的配準(zhǔn)得分與配準(zhǔn)耗時(shí)增加幅度較小,配準(zhǔn)得分均小于ICP算法,且得分保持在10 μm 級別,配準(zhǔn)時(shí)間也有所下降,因此,本文提出的位姿估計(jì)算法在存在目標(biāo)部分遮擋情況下仍能保持較好的配準(zhǔn)效果,對復(fù)雜場景具有一定的魯棒性。

　　4 結(jié) 論

　　1)面對復(fù)雜場景下的三維目標(biāo)識別,本文改進(jìn)了傳統(tǒng)的 CVFH 識別算法,提出了一種將 CVFH 算法與SHOT 算法相結(jié)合的特征融合識別算法,并將3D 霍夫變換與ICP算法結(jié)合,實(shí)現(xiàn)了復(fù)雜環(huán)境下的目標(biāo)識別與位姿估計(jì)。

　　2)在單物體場景、部分遮擋的多物體場景中, 驗(yàn)證了本文算法比傳統(tǒng)識別算法識別率有效提高, 達(dá)到了90%以上。

　　3)對相同位置、不同復(fù)雜場景中的目標(biāo)進(jìn)行位姿估計(jì),本文位姿估計(jì)算法準(zhǔn)確度較高,可滿足對三維目標(biāo)有效識別與定位的需求。