[发明专利]基于PCL点云库的钣金零件的三维立体识别及定位方法

权利要求书

1.一种基于PCL点云库的钣金零件的三维立体识别及定位方法，其特征在于，包括：

获取整体钣金零件的操作台的三维场景点云，并对所述三维场景点云进行分割，形成每个钣金零件的点云聚类；

计算每个所述点云聚类的局部特征描述子和全局特征描述子；

对每个所述点云聚类的局部特征描述子和全局特征特征描述子进行特征级融合，得到融合特征向量；

将所述融合特征向量输入至预先训练完成的SVM分类器中进行分类；

通过采样一致性初始匹配算法求解所述点云聚类到点云模型粗配准的初始配准变换矩阵；

通过迭代最近点算法确定符合点云聚类到点云模型预设配准精度的精准变换矩阵，根据所述精准变换矩阵确定每个所述钣金零件的位姿信息结果。

2.根据权利要求1所述的基于PCL点云库的钣金零件的三维立体识别及定位方法，其特征在于，所述SVM分类器的预先训练方法包括：

载入钣金零件的三维点云模型库中的点云模型；

对该点云模型进行均匀采样和关键点提取；

计算每个关键点的局部特征描述子和全局特征描述子；

将所述模型局部特征子和全局特征描述子进行特征级融合得到融合特征向量；

确定SVM的核函数，并将所述融合特征向量通过SVM的学习实现对所述点云模型的类型学习和分类。

3.根据权利要求1所述的基于PCL点云库的钣金零件的三维立体识别及定位方法，其特征在于，所述SVM分类器采用以高斯核函数与多项式核函数进行凸组合构成的组合核函数，所述SVM分类器采用“一对多”的分类器方法以将多个类别转化为两类。

4.根据权利要求1或2所述的基于PCL点云库的钣金零件的三维立体识别及定位方法，其特征在于，计算局部特征描述子和全局特征描述子的计算方法为：

利用PCL点云库的NormalEstimationOMP类，通过设置输入点云及k邻域搜索阈值，计算点云法线；

利用PCL点云库的UniformSample类，通过输入点云及搜索半径，对该点云进行滤波和关键点提取；

利用PCL点云库的features模块，通过输入提取的关键点、点云法线和点云聚类，计算该点云聚类的局部特征描述子和全局特征描述子。

5.根据权利要求1或2所述的基于PCL点云库的钣金零件的三维立体识别及定位方法，其特征在于，对局部特征描述子和全局特征描述子进行特征级融合以得到融合特征向量的具体方法包括：

利用聚类算法得到视觉单词库，根据每个特征描述子到所述视觉单词库的欧氏距离将该特征描述子映射至距离最短的视觉单词中；

统计每个视觉单词在特征描述子中出现的频数，利用BoW模型分别得到所述局部特征描述子和所述全局特征描述子对应的BoW特征向量；

将所述局部特征描述子和所述全局特征描述子对应的BoW特征向量进行特征级融合得到融合特征向量。

6.根据权利要求2所述的基于PCL点云库的钣金零件的三维立体识别及定位方法，其特征在于，将所述融合特征向量输入至预先训练完成的SVM分类器中进行分类具体包括：

将所述融合特征向量输入至所述SVM分类器中进行分类与识别；

确定所述点云聚类所对应的三维点云模型库中的点云模型类别。

7.根据权利要求1所述的基于PCL点云库的钣金零件的三维立体识别及定位方法，其特征在于，所述通过采样一致性初始匹配算法求解所述点云聚类到点云模型粗配准的初始配准变换矩阵具体包括：

通过采样一致性初始匹配算法SAC-IA将点云聚类旋转至与点云模型大致重合状态，得到初始配准变换矩阵和位移坐标。