[发明专利]基于改进CVFH和CRH特征的随机堆放活塞位姿估计方法

权利要求书

1.基于改进CVFH和CRH特征的随机堆放活塞位姿估计方法，其特征在于，包括以下步骤：

1)离线处理：离线处理只需在设备安装时进行一次，包括Kinect相机的标定以及活塞离线模版库的自动生成，具体步骤如下：

1.1)对Kinect相机进行标定，并完成随机堆放活塞表面点云的采集：首先通过Kinect对标定板的彩色图像以及视差图像进行采集，之后通过彩色图像和深度图像的角点分别对彩色相机以及深度相机进行初始化标定，然后通过初始标定结果对彩色相机和深度相机的相对位姿进行求解，之后联合彩色相机和深度相机数据对标定参数和视差图畸变系数进行迭代优化，完成整个相机参数的标定；

1.2)、离线模版库的构造，通过活塞的CAD模型自动生成离线匹配模版，具体的步骤如下：

1.2.1)对待抓取的活塞进行CAD建模；

1.2.2)在CAD模型外构造一正二十面体，并对正二十面体的每个三角形表面进行两次细化，在细化后的每个顶点放置虚拟相机，相机滚转轴指向中心；

1.2.3)每个虚拟相机依次对CAD模型表面进行点云采样，并对采样结果进行体素化滤波，保证模板点云和匹配点云密度的一致性；

1.2.4)计算每个模版点云的改进聚类视点特征直方图(Clustered ViewpointFeature Histograms，CVFH)以及相机滚转角直方图(Camera Roll Histograms，CRH)特征，对其进行层次聚类，并构造线性搜索索引；

1.2.5)对点云及其对应位姿进行保存，完成离线模版的自动构建；

2)在线识别：具体步骤如下：

2.1)点云采集，通过Kinect对随机堆放活塞的彩色图像以及深度图像进行采集，并根据Kienct相机标定结果将其转化为具有颜色信息的点云，完成点云的采集；

2.2)点云预处理；

2.3)点云分割，采用改进的基于最小割的点云分割算法对活塞点云进行分割，改进算法首先将三维点云转换为二维的深度图像，通过构造的滤波模板对深度图像进行滤波，选取滤波后灰度值较大的点为前景点，实现多前景点的自动选取，以选取的每个前景点作为最小割算法的前景点进行点云分割，由此将最小割算法由交互式的半自动二分割算法扩展为全自动的多分割算法；

2.4)特征计算，针对分割后的每个活塞点云，计算其改进的CVFH特征和CRH特征；

改进的CVFH特征以及CRH特征，在特征原有的基础上，针对其视点位置固定以及聚类中心不稳定的缺点，通过在特征计算前对点云进行自适应的平移操作以及通过在点云最高点进行聚类选取聚类中心点的方法对其缺陷进行了改进；

2.5)初始配准；

2.6)精确配准，位姿的精确配准采用的是迭代最近点(Iterative Closest Point)算法；

2.7)假设验证，通过两点云之间的均方误差以及重合度两个指标进行综合验证的假设验证算法；

点云间的均方误差E为ICP变换的返回值，反映了点云精匹配准确度，均方误差值越小，表示其匹配精度越高，设定均方误差的阈值为T1；

定义点云间重合度C，其计算方式如下：

设定搜索半径r，活塞点云为P，模板点云为Q，若点p_i满足则定义其为重合点，重合度C定义为式：

C＝n/N

其中，n为重合点个数；N为点云P的大小；

重合度值越接近1表明点云间的重合度越高以及匹配效果越好，设定重合度的阈值为T2；

2.8)位姿输出，将位姿估计成功的活塞位姿进行输出，为活塞的抓取上料提供位姿估计值；

所述的步骤2.7)假设验证的具体步骤如下：

2.7.1)根据精确配准的均方误差E将精确配准点云进行有小到大的排序；

2.7.2)剔除均方误差大于阈值T₁的精配准点云；

2.7.3)计算剩余精配准点云与活塞点云的重合度C；

2.7.4)逐个对剩余精配准点云的重合度进行检验；

2.7.5)若存在重合度C大于阈值T2，则该精确配准点云为正确匹配点云，最终取重合度最大的精确配准点云对应的位姿为该活塞的位姿，检验结束；若不存在重合度C大于阈值T2，则位姿估计失败。