一种基于不变性距离空间体素化的三维目标识别方法技术

本发明专利技术涉及一种基于不变性距离空间体素化的三维目标识别方法，该方法包括从数据库中读取点云数据；随机选择关键点；去除冗余关键点；生成对应；使用RANSAC获取变换假设；计算重叠率和残差误差，验证模型是否正确识别；若未识别到，则进行ICP精细化，ICP精细化之后再次验证模型是否正确识别，直到模型被识别到为止。该方法无需检测关键点所处的区域，无需对假设进行集群等操作，简单有效；该方法不受法向量二义性的影响，在各种应用场景中均能取得优异的表现，泛化性好；并且该方法具备较高的识别准确率，鲁棒性强，抗干扰能力也更强。抗干扰能力也更强。抗干扰能力也更强。

【技术实现步骤摘要】
一种基于不变性距离空间体素化的三维目标识别方法


[0001]本专利技术涉及计算机视觉
，尤其是涉及一种基于不变性距离空间体素化的三维目标识别方法。

技术介绍

[0002]点云由若干离散、无序、无拓扑结构的三维点组成，它能够精确的反映三维物体的真实尺寸和形状结构，且具有抗光照和尺度变化的等优点。随着科技的发展，三维目标识别广泛应用于无人机、无人驾驶、遥感、机器人等领域。模型
‑
场景点云之间的三维目标识别可广泛应用于工业国防领域，如机器人领域的物体抓取与摆放，以及国防领域的空对地精准目标打击等。现有的三维目标识别算法主要分为基于深度学习和基于传统方法两种，基于深度学习的目标识别方法依赖于大规模的数据集，但在现实生活中，数据集的数量和质量难以保证，因此，基于传统方法的三维目标识别算法依然占据很重要的地位。现有的基于传统方法的三维目标识别算法的主要思想是：首先根据点云局部特征构建源点云和目标点云之间的特征匹配；然后使用随机抽样一致性算法，迭代出最优的变换位姿估计；最后通过变换位姿估计变换源点云，计算变换之后的源点云和目标点云之间的重叠率和残差误差，判断三维目标是否被识别。但是现有的三维目标识别算法都存在一些问题，比如算法适应性不强，他们大多只能在某些特定的数据集有比较好的效果；鲁棒性不强，当数据受到噪声干扰，获取的点云分辨率较低，或者点云中存在孔洞和重复模式时，性能就会有明显的下降。因此如果能够在各种复杂情况下都得到一个比较高的识别准确率，将非常有利于提高识别结果的可靠性和稳定性。
专利技术内容
[0003]本专利技术所要解决的技术问题是提供一种简单有效、泛化性好、鲁棒性强，并且识别准确率高的基于不变性距离空间体素化的三维目标识别方法。
[0004]本专利技术所采用的技术方案是，一种基于不变性距离空间体素化的三维目标识别方法，该方法包括以下步骤：
[0005]S1、从场景点云中和目标点云中均随机选择出若干关键点，为每个关键点生成不变性距离空间体素化局部特征描述符；
[0006]S2、使用特征自相似性去除冗余关键点；
[0007]S3、计算场景中剩余的关键点和模型中剩余的关键点之间的特征匹配集合，对特征匹配集合进行排序，筛选出K根特征匹配；
[0008]S4、使用RANSAC算法生成假设，并对每个迭代过程中生成的假设进行评估，评估出最优假设，同时计算残差误差∈
res
和重叠率r
ov
；
[0009]S5、保存当前的最优假设，并根据最优假设判断出该模型是否被识别；
[0010]S6、若模型未能被识别，则使用迭代就近点算法对当前保存的最优假设做精细化，得到精细化后的最优假设；
[0011]S7、保存精细化后的最优假设，根据精细化后的最优假设来判断模型是否被识别，若模型未能被识别，则认为该模型不在场景中，返回步骤S6，直到判断出模型被识别到为止。
[0012]进一步地，在步骤S1中，为每个关键点生成不变性距离空间体素化局部特征描述符的具体过程包括下列步骤：
[0013]S11、根据关键点的下标和支撑半径来获取关键点所在区域的局部点云块P
l
；
[0014]S12、计算局部点云块P
l
中的邻域点q和关键点p之间的三个不变性距离属性，即：邻域点q到关键点p切平面之间的距离d1、关键点p到邻域点q切平面之间的距离d2以及邻域点q到关键点p之间的距离d3；将邻域点q投影到不变性距离空间，投影方式表示为：；将邻域点q投影到不变性距离空间，投影方式表示为：其中，q为邻域点，n(p)为关键点p的法向量，n(q)为邻域点q的法向量，pq为关键点p和邻域点q形成的向量，|
·
|表示向量2范数；
[0015]S13、将局部点云块P
l
投影到由三个不变性距离属性构成的三维立体空间，得到新的局部点云块P
l
'；
[0016]S14、将步骤S13得到的三维立体空间体素化，分割成m3个体素，每个邻域点分布在各个体素的下标的计算方法表示为：其中，l
step
是体素分割步长，每个体素的值的大小为：其中，v
i
表示第i个体素，n(v
i
)表示第i个体素内点的数量，|P
l
'|表示P
l
'内点的数量；
[0017]S15、拼接步骤S14中得到的每个体素值，形成一维特征向量。
[0018]进一步地，步骤S2中，使用特征自相似性去除冗余关键点具体过程包括下列步骤：
[0019]S21、假设某个关键点p
i
的特征向量为f
i
，构建二元组<p
i
,f
i
>；
[0020]S22、根据关键点p
i
的下标寻找有效的关键点p
i
并寻找和它的特征f
i
最相似的k
fss
个特征向量，得到集合
[0021]S23、将集合FSS(p
i
)中的关键点移除，并保存p
i
；
[0022]S24、返回步骤S22，直到集合FSS(p
i
)为空。
[0023]进一步地，在步骤S4中，残差误差∈
res
和重叠率r
ov
的计算方法的具体过程包括下列步骤：
[0024]S41、通过得到的每个迭代过程中的假设来对源点云Pm进行变换，得到新的点云P'
m
；
[0025]S42、在场景点云P
s
中寻找距离最近的点如果和的欧氏距离值的欧氏距离值小于设定的阈值，那么就将放入子集合
[0026]S43：最终可得出残差误差∈
res
和重叠率r
ov
计算表达式为：计算表达式为：其中，|
·
|表示集合大小。
[0027]本专利技术的有益效果是：采用上述一种基于不变性距离空间体素化的三维目标识别方法，该方法无需检测关键点所处的区域，无需对假设进行集群等操作，采用最原始的
RANSAC算法来对模型进行识别，简单有效；该方法提出的为每个关键点生成不变性距离空间体素化局部特征描述符，其不受法向量二义性的影响，在各种应用场景中均能取得优异的表现，泛化性好；并且，该方法中的目标点云数据中加了各种干扰，如高斯噪声、降采样、孔洞等来模拟现实世界数据时可能会发生的各类干扰，之后再采用该方法对场景点云和目标点云进行识别，仍然具备较高的识别准确率，鲁棒性强，抗干扰能力也更强。
附图说明
[0028]图1为本专利技术一种基于不变性距离空间体素化的三维目标识别方法的流程图；
[0029]图2为本专利技术中生成VOID描述符的流程图；
[0030]图3为本专利技术中不变性距离属性计算方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于不变性距离空间体素化的三维目标识别方法，其特征在于：该方法包括以下步骤：S1、从场景点云中和目标点云中均随机选择出若干关键点，为每个关键点生成不变性距离空间体素化局部特征描述符；S2、使用特征自相似性去除冗余关键点；S3、计算场景中剩余的关键点和模型中剩余的关键点之间的特征匹配集合，对特征匹配集合进行排序，筛选出K根特征匹配；S4、使用RANSAC算法生成假设，并对每个迭代过程中生成的假设进行评估，评估出最优假设，同时计算残差误差∈
res
和重叠率r
ov
；S5、保存当前的最优假设，并根据最优假设判断出该模型是否被识别；S6、若模型未能被识别，则使用迭代就近点算法对当前保存的最优假设做精细化，得到精细化后的最优假设；S7、保存精细化后的最优假设，根据精细化后的最优假设来判断模型是否被识别，若模型未能被识别，则认为该模型不在场景中，返回步骤S6，直到判断出模型被识别到为止。2.根据权利要求1所述的一种基于不变性距离空间体素化的三维目标识别方法，其特征在于：在步骤S1中，为每个关键点生成不变性距离空间体素化局部特征描述符的具体过程包括下列步骤：S11、根据关键点的下标和支撑半径来获取关键点所在区域的局部点云块P
l
；s12、计算局部点云块P
l
中的邻域点q和关键点p之间的三个不变性距离属性，即：邻域点q到关键点p切平面之间的距离d1、关键点p到邻域点q切平面之间的距离d2以及邻域点q到关键点p之间的距离d3；将邻域点q投影到不变性距离空间，投影方式表示为：；将邻域点q投影到不变性距离空间，投影方式表示为：其中，q为邻域点，n(p)为关键点p的法向量，n(q)为邻域点q的法向量，pq为关键点p和邻域点q形成的向量，|
·
|表示向量2范数；S13、将局部点云块P
l
投影到由三个不变性距离属性构成的三维立体空间，得到新的局部点云块P
l
′
；S14、将步骤S13得到的三维立体空间体素化，分割成m3个体素，每个邻域点分布在各个体素的下标的...

【专利技术属性】
技术研发人员：杨佳琪，范世超，张世坤，
申请(专利权)人：西北工业大学宁波研究院，
类型：发明
国别省市：