[发明专利]无序点云生成网格数据结构的方法、装置、设备及介质

说明书

一种3D无序点云生成5D纹理网格数据结构的方法，包括：获取待扫描工件的无序点云；获取顶点S_mn，并建立无序点云中各点P_i与顶点S_mn之间一一对应关系；对点云数据进行排序，获取点各点P_i的按行排序和按列排序；遍历点云数据，对任一点P_i，依照按行排序和按列排序中的索引规则查找P_i的相邻点P_j、P_k、P_q；依据索引关系，获取P_i,P_j、P_k、P_q对应顶点S_mn，S_m,n+1.S_m+1,n，S_m+1,n+1；添加四角面片，并将S_mn，S_m,n+1.S_m+1,n，S_m+1,n+1添加至四角面片的顶点位置处并生成半边四角网格，遍历P_i或顶点S_mn，获取全部P_i或顶点S_mn对应的半边四角网格，输出5D纹理网格数据结构。该方法用以将无序点云网格化，无序点云数据基于纹理网格的数据结构的数据表示后，呈拓扑结构且可有效表征三维物体的全方位信息。

技术领域

本发明属于涉及计算机图形和计算机视觉技术领域，特别涉及一种无序点云的数据网格化方法装置、计算机设备及存储介质。

背景技术

在工业制造、物流等领域，机床上下料、零件分拣、货品拆零拣选等无序分拣任务对于传统人工操作的方式来说，劳动强度大、分拣效率低、招工难度大。机器人无序分拣技术越来越多地替代人工，成为相关产业降本增效、智能化升级的重要手段。

机器人无序分拣依靠视觉识别方法定位待分拣物体，进而引导机器人末端完成物体的抓取和放置操作。一般采用2D图像、3D点云或网格等方式表征物体信息，物体的视觉识别方法可分为2D方法和3D方法两类。

目前传统的2D视觉或3D视觉识别方法尚不能解决海量无序姿态工件的通用准确识别问题，难以应对电商物流的无序分拣需求。当待扫描工件的姿态倾角较大、杂乱堆叠时，比如进行位于周转箱侧放的桶装方便面识别，传统2D方法需要制作多个不同视角的模板进行匹配定位，这样面对海量工件时，建立模板工作量过于庞大；当待检测工件紧密放置时，3D视觉方法难以分割场景中的不同物体，且对物体形状变化较小的待检测工件难以适应，比如识别位于周转箱内紧密排列的手机包装盒。只有识别工件的完整形状（包括侧面和底面）等，才能工件实现准确码放，避免抓取贵重工件时损伤工件，而传统的2D/3D/深度学习方法，都只能基于工件上表面的局部信息进行识别，难以判断待测工件的完整形状，对准确码放难以适应。

上述问题的出现主要是由于现有视觉识别方法受限于表征三维物体的数据结构，其中得益于2D图像的矩阵形式，2D视觉中图像处理方法都十分成熟，但2D图像难以表示三维物体的全方位信息；在3D视觉处理中，现有3D图像处理方法大多基于无序点云，难以实现类似2D的有序邻域访问，从而无法利用2D的纹理特征；基于无序点云的3D图像处理方法，由于无序点云仅能表达工件的上表面信息，对底面和侧面无法表达，也无法实现完整形状的表达。

发明内容

本发明的目的是提供一种无序点云5D纹理网格数据结构生成方法，用以将无序点云网格化，点云数据基于5D纹理网格的数据结构的数据表示后，呈拓扑结构且可有效表征三维物体的全方位信息，故2D以及3D的图像处理算法均可适用，从而可实现更强大的感知识别效果，也为机器人面对海量无序状态的工件抓取奠定了数据结构基础。

为实现上述目的，本发明提供一种3D无序点云生成5D纹理网格数据结构的方法，包括如下步骤：

获取待扫描工件的无序点云；