论文部分内容阅读
物体分割是物流场景中机器人分拣的基础性问题。传统机器人分拣作业中,分拣对象为具有已知CAD模型或纹理模型的刚性物体。但是物流分拣场景中物流快件具有纹理模型未知、形状未知且存在重叠堆放等特点,难以用传统的预定义CAD模型匹配算法或纹理匹配算法完成分割。为此本文研究物流场景下基于RGBD信息的物体分割算法,按单视角物体分割和位姿估计、多视角融合分割和动态场景融合分割三方面展开。本文的主要研究成果如下:1.提出了改进点云方向相似性特征和面元关系描述的深度图分割算法。针对物体在颜色、纹理相似的情况下基于颜色信息分割存在较大误差的问题,本文提取物体稳定几何信息完成分割。相对于传统基于点云法向量夹角区域增长算法,本文一方面在此基础上通过点云局部特征(点云和邻域点云夹角的均值)、全局特征(点云法向量和该点与视点连线夹角)和欧氏距离特征相似性完成物体面元分割;另一方面通过计算面元之间的凹凸关系和连接关系构建图模型,完成面元合并从而实现物体分割。实验结果表明该算法在OSD数据集上精度达到91.3%。2.提出了多视角下建立全局分割模型进行体素模型更新的分割算法。本文使用RGBD SLAM框架进行多视角下的相机位姿估计,由于估计结果存在一定误差,所以真实世界中的同一点在不同视角下的像素位置存在奇异性。因此本文建立全局分割模型用于存储在不同视角下的像素点标签值,并通过多次观察完成标签值更新,从而完成体素模型下的多视角物体分割。实验结果表面在本文标注数据集上,多视角分割精度可达96.84%,相较于单视角分割精度91.31%有了 5.53%提升。3.提出了融合颜色、亮度、深度的背景建模和前景提取融合分割方法。传统的背景建模方法,如GMM和codebook等,使用RGB信息完成背景建模,易受光照、阴影等情况影响,本文在此基础上提出融合颜色失真、亮度失真和深度失真的背景建模算法。由于物流分拣场景中往往只会发生局部变化,全局分割会相对耗时,所以本文融合了前景区域的分割结果和背景静态区域的分割结果,从而快速完成场景融合分割。实验结果表明该算法在SMB数据集上的平均精度有94.79%,并且图像单帧分割速度从单视角下的1.27fps提升到了 11.9fps。