申请/专利权人：南京工程学院

申请日：2020-12-14

公开（公告）日：2024-04-19

公开（公告）号：CN112766037B

主分类号：G06F7/00

分类号：G06F7/00;G06T7/73

优先权：

专利状态码：有效-授权

法律状态：2024.04.19#授权;2021.05.25#实质审查的生效;2021.05.07#公开

摘要：本发明是基于最大似然估计法的3D点云目标识别和定位方法，该方法对采集到的3D点云数据进行预处理，通过向下采样的方法提取点云关键点。对关键点进行聚类分割。对分割出的目标，计算目标重心和目标关键点的局部参考坐标系。通过主成分分析法求得关键点的法线，由于法线方向不一定指向远离重心的方向，因此对法线进行视线约束。通过点云的方位特征和表面特征向量，对点云模型中的关键点与场景目标中的关键点作特征匹配，找到场景目标与模型中的匹配特征点对。通过对匹配点对的坐标差和法线角度差值的建模，进行基于最大似然估计的目标位姿检测，能够识别有遮挡的目标物体，实现形状，大小不同的物体或工件的定位，具有稳健性强，计算效率高的特点。

主权项：1.基于最大似然估计法的3D点云目标识别和定位方法，其特征在于：应用基于最大似然的位姿参数估计算法对3D点云目标进行识别和定位，具体步骤如下：步骤1，对3D点云模型预处理，获取点云模型重心和点云模型关键点；步骤2，对3D点云场景目标进行分割和预处理，获取场景目标重心和场景目标关键点；步骤3，计算点云模型和场景目标的表面特征向量；步骤4，进行特征匹配；将点云模型中的关键点与场景目标中的关键点作特征点匹配，找到场景与模型中的匹配特征点对；步骤5，基于最大似然估计进行目标识别和定位；具体包括：步骤5.1，设置初始匹配点对集，所述的初始匹配点对集由步骤4.2中的模型与场景目标的匹配长方体内的关键点构成；步骤5.2，选取匹配点对集中的三对匹配点对，计算模型到场景的旋转和平移变换矩阵参数；步骤5.3，通过变换矩阵将模型变换到场景中，计算此时模型与场景目标的匹配点对的坐标差，匹配点对的法线角度之差；步骤5.4，假设场景与模型中的正确匹配点对的坐标差服从高斯分布，法线角度差服从高斯分布；错误匹配点对的坐标差服从均值分布，法线角度之差服从均值分布；其中，r为搜索半径，θ为法线角度之差最大值，则第k对匹配点的正确匹配的概率模型为： 式中，Pkdki|1i＝1，2为第k对匹配点对正确匹配时的坐标差和角度差的概率，Pkdki|0i＝1，2为第k对匹配点对错误匹配时的坐标差和角度差的概率，dk1表示匹配点对的坐标差，dk2表示匹配点对的法线角度差，σ1表示匹配点对的坐标差的标准差，σ2表示匹配点对的法线角度差的标准差；步骤5.5，当模型到场景的变换矩阵参数确定时，根据步骤5.4的假设，计算匹配点对的似然函数；所述计算匹配点对的似然函数的具体步骤如下：步骤5.5.1，假设正确匹配的初始概率为P1＝0.5，错误匹配的初始概率为P0＝1-P1＝0.5；步骤5.5.2，假设坐标差和角度差的分布是独立的，根据贝叶斯原理，依据以下公式计算任一匹配点对为正确匹配的后验概率： 式中，Pkl|d是第k对匹配点对正确匹配的后验概率，Pkd是第k对匹配点对坐标差和角度差的联合概率；步骤5.5.3，根据累积正确匹配点的后验概率，计算并更新正确匹配的概率P1，以及错误匹配概率P0； P0＝1-P1其中，N表示匹配点对数量；步骤5.5.4，比较更新之后的P1值与前一次的P1值，如果两者之差的绝对值小于设定值，执行步骤5.5.5；否则，保存当前的正确匹配的概率P1和错误匹配概率P0，返回步骤5.5.2；步骤5.5.5，计算似然函数；假设不同匹配点对之间是相互独立的，且坐标差均服从高斯分布，则N对匹配点的坐标差的似然函数为： 式中，LΘ为N对匹配点的坐标差的似然函数；步骤5.5.6，保存当前似然函数，同时循环次数加1，当循环次数大于设定循环次数K时，执行步骤5.5.7，否则，返回步骤5.2；步骤5.5.7，根据K次得到的似然函数值，输出似然函数值最大时的矩阵变换参数。

全文数据：

权利要求：

百度查询： 南京工程学院 基于最大似然估计法的3D点云目标识别和定位方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD