[发明专利]一种5D纹理网格数据结构

说明书

本发明公开了一种5D纹理网格数据结构，用于点云数据的四角网格重构，所述5D纹理网格数据结构包括拓扑连接的多个半边四角网格，每个所述半边四角网格包括一四角面片、设于四角面片上的四个顶点S_mn，S_m,n+1.S_m+1,n，S_m+1,n+1以及多个半边，其中，基于所述点云数据中任意一点P_ij以及P_ij的三个相邻点获取对应的四个所述顶点，每个所述顶点存储点云数据中对应点P_ij的3D位置坐标（x，y，z）、法向量、颜色以及其为起始顶点的半边的指针信息，每个半边存储起始顶点、终止顶点、邻接面、上个半边、下个半边、对立半边的指针或索引。3D点云转化为5D纹理网格数据结构后，使用顶点、半边、四角面片的连接关系进行索引，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，特别涉及一种用于点云的数据网格化的5D纹理网格数据结构。

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视觉识别方法，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；基于有序点云的3D图像处理方法，由于有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5D纹理网格数据结构（SeizetColorMesh），用以将点云网格化，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，故2D以及3D的图像处理算法均可适用，从而实现了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5D纹理网格数据结构，所述5D纹理网格数据结构用于点云数据的四角网格重构，所述5D纹理网格数据结构包括多个半边四角网格，每个所述半边四角网格包括一四角面片、设于四角面片上的四个顶点S_mn，S_m,n+1.S_m+1,n，S_m+1,n+1以及多个半边，其中，基于所述点云数据中任意一点P_ij以及P_ij的三个相邻点获取对应的四个所述顶点，每个所述顶点存储点云数据中对应点P_ij的3D位置坐标（x，y， z）、法向量、颜色以及其为起始顶点的半边的指针信息，每个半边存储起始顶点、终止顶点、邻接面、上个半边、下个半边、对立半边的指针或索引。