论文部分内容阅读
随着人工智能的快速发展,机器人技术在制造业以及人们的日常生活中占据非常重要的地位,室内机器人作为机器人应用的一个重要方向,在车间、商场以及家庭生活中的应用越来越普遍。物体识别是机器人执行工作任务的一个必备技能,而三维物体识别技术相比于二维图像识别技术,不受光照和旋转变化的影响,能够获取目标物体的空间坐标和姿态,且机器人能够根据三维点云数据中的深度信息有效地进行路径规划以及避障。然而,室内复杂场景中存在噪声以及遮挡等因素,对于快速、准确的识别目标物体是一个技术难点,本文针对室内环境中三维物体识别技术实时性差和准确率低两个问题,主要研究了以下几个方面:(1)针对点云数据中的异常点和噪声点在法线计算过程中产生的误差,改进了基于主成分分析平面拟合的点云法线计算方法。通过不断迭代地计算拟合平面的平面方程参数和调整阈值,剔除点云数据中的异常点和噪声点,有效地改善了高曲率点和边缘点的法线精度。(2)为更准确的从场景点云中提取目标物体的聚类表面,改进了传统的欧式聚类分割方法。将表面点的法线信息和颜色信息作为约束条件加入欧式聚类分割算法中,以法线阈值、颜色阈值以及距离阈值三个阈值条件对场景点云进行分割,有效避免了场景点云分割过程中分割不足以及过度分割的弊端。(3)改进了局部特征描述方法快速点特征直方图,以物体整个表面点云数据为对象,使用(α,φ,θ)三个角度分量表示表面中心点和表面点之间法线角度的关系,并且根据表面任一点与其邻域点之间的法线方向的角度差值,确定该点在表面特征中所占权重,采用直方图统计三个角度分量,描述物体表面的全局特征。(4)设计了一种全局特征和局部特征结合的物体识别方法,将识别过程分为两个步骤:以基于全局特征的识别方法进行粗识别,获取目标物体的候选匹配结果;在候选结果的基础上执行基于局部特征的识别过程,通过匹配物体表面聚类点云与候选结果对应的三维模型之间的局部特征,获取目标物体的精准识别结果。