三维点云数据处理软件供技术原理说明_基于三维点云处理技术的工件识别和匹配...

1. 引言

目前，随着自动化程度的提高，机器人导航、工业零件检测及抓取等众多领域对计算机视觉系统的要求越来越高 [1]，基于二维图像的物体识别已经无法满足日常作业的需求。而由于三维扫描技术的发展，结构光测量和激光扫描能够快速且精确地获取被测对象表面的三维坐标数据，为获取场景的点云数据提供了全新的技术手段。加之点云数据具备不受光照、阴影、纹理的影响等优势，基于三维点云数据的物体识别已成为近年来计算机视觉领域的研究热点 [1]。

在自动分拣系统领域，机器视觉技术也起着举足轻重的作用，包括产品正、次品的分选，工件种类及形状识别、分拣等 [2]。不少文献研究如何运用基于机器视觉的检测技术来实现对钣金件、六角螺母等工业零部件地自动分捡 [2]，在二维图像上的一般方法是拍摄的目标区域的图像进行分析处理，根据目标工件的训练集在图像上搜索零件的位置，确定其类别和各自的中心点，为控制机械手抓取目标提供对应的坐标点位置。但是，基于二维图像的识别方法存在着两个缺点：第一，对于空间上的层次区分度不明显，颜色相同、纹理相似的工件在空间上部分重叠容易误判；第二，图像对光照，分辨率以及反射的外界因素较为敏感，不易很好地捕捉到图像中对象的局部特征 [3]。因此，本文选择采集目标区域的三维点云数据，利用点云数据处理技术来实现对工业零部件的识别和匹配。不同于提取零部件的局部特征或边界特征的方法，而是从整体特征点匹配的角度来实现识别的目的。

本文采用一种基于三维点云处理技术的方法对工件进行识别和匹配的方法从生产线上的杂乱工件堆中分拣出目标工件。首先，利用视觉传感器采集密集点云，得到识别区域的三维点云数据。其次，进行点云数据的去噪和过滤，对去噪后的点云计算法线向量，再进行体素格子下采样获得关键点，减少计算量。再次，对关键点计算法线方向的直方图特征描述子，从而获取目标点云和场景点云相关联的SHOT描述符，使用K树状结构搜索算法，基于欧几里德距离找到相似的描述符，并添加到关联集中。再者，调用聚类算法，基于霍夫投票算法获得场景中的与目标点云匹配的局部点云集，然后使用经典的点云匹配算法迭代最近点算法进行目标点云与锁定的局部点云集进行匹配。最后，为了减少错误率，使用全局假设验证算法过滤掉错误的点，同时打印匹配到的局部点云集与模型点云之间的变换矩阵：旋转矩阵和平移向量，并标定识别到的目标进行可视化输出。

除了对于工业零部件，这种识别方法同样适用于其他物体，只需更改设定的参数值，便能实现同样的识别效果。该方法简单，速度快，且具有一定的准确性。

工业零件主要由基本体组成，而基本体包括圆柱、棱锥、方形、球形、棱锥等 [4]。本文对基本体工件以及其他常见的零件进行了实验，包括圆柱，圆锥，长方形，锤子，水壶，多边形物体等进行了实验和比较，实验方法证明了方法的可行性和实用性。

2. 三维点云处理技术的原理

2.1. 点云数据处理流程

本文中提到的点云数据为视觉传感器采集的密集点云。凭借其创新的3D快照技术，传感器基于飞行时间测量为每个像素提供实时深度信息。

基于三维点云数据进行目标提取的过程如图1所示，其中的关键技术为点云的特征提取和分割、分类。

Figure 1. Target extraction process

图1. 目标提取过程

该流程与二维图像的目标识别方法类似。识别的场景中存在各种物体。为了对目标物体进行识别，算法需要提供一个指标来体现不同物体之间的区别，此指标即