[发明专利]一种基于3D视觉的点云关键点提取方法

说明书

本发明公开一种基于3D视觉的点云关键点提取方法，属于3D视觉技术领域，利用深度图和颜色图合成得到点云图和点云数据；进行统计滤波处理，对点云内每一个点的邻域进行统计分析，去除离群点；计算点云内每个点处的特征度，根据特征度确定特征点，建立目标点云关键点的快速特征点直方图；计算获得源点云关键点和目标点云关键点坐标转换矩阵。本发明科学合理，使用安全方便，通过对点云进行统计滤波、取出离群点，即去除了与构件点云无关的噪声点，有利于减少算法时间与空间复杂度；利用特征度选取源点云关键点和目标点云关键点，并建立关键点快速特征点直方图，特征计算数据少，提高了计算效率和计算精度，且抗噪声能力强。

技术领域

本发明涉及3D视觉技术领域，具体是一种基于3D视觉的点云关键点提取方法。

背景技术

对于一些复杂异构零件，采用样板、模胎等人工比对的传统检测方式，其评价精度取决于技工经验，无法获得精确的数字化描述。随着3D视觉技术的大力发展，获得高精度、高密度的点云数据已经十分迅捷。通过分析处理零件表面的点云数据，提取出零件的特征，可以实现零件质量的定量描述及特征的逆向三维重构。

点云特征点提取及特征线拟合的研究主要集中在两方面，一是基于网格模型的特征提取，二是基于散乱点云的特征提取。网格模型的特征线提取方法可以分为自动提取与半自动提取：通常是寻找出网格上曲率的突变点作为特征点，然后将这些离散特征拟合成特征线。相比于网格模型的特征线提取，散乱点云没有任何拓扑信息，目前，直接从散乱点云中提取特征的研究相对较少，提取关键点的重复性较大，不能保证关键点精确程度，且提取效率较低。所以，人们需要一种基于3D视觉的点云关键点提取方法来解决上述问题。

发明内容

发明目的：本发明目的在于针对现有技术，提供一种基于3D视觉的点云关键点提取方法解决关键点提取效率低的问题。

技术方案：本发明所述一种基于3D视觉的点云关键点提取方法，包括以下步骤，

S10通过深度摄像头拍摄得到复杂异构件的深度图和颜色图图像，利用公式进行坐标转换；利用深度图和颜色图合成得到点云图和点云数据；

S20、进行统计滤波处理，对点云内每一个点的邻域进行统计分析，计算它到所有临近点的平均距离；平均距离超出标准范围的点定义为离群点，并从数据中去除；

S30、在点云经统计滤波后，计算点云内每个点处的法向量变化程度，选取法向量变化程度较大的点作为特征点，法向量变化程度即为特征度；特征度变化越大，构件表面起伏越大；

S40、计算每一个特征点的SPFH值，并选择一个特征点作为源点云关键点，将该源点云关键点与其近邻匹配并不断重复，通过近邻SPFH的值不停的改变权重，生成该源点云关键点的快速特征点直方图；将需要提取的复杂异构件的特征点定义为目标点云关键点，生成目标点云关键点的快速特征点直方图；利用直方图的统计特性，为源点云关键点和目标点云关键点建立用于描述其局部区域几何特征的特征向量；

S50、计算源点云关键点特征向量和目标点云关键点特征向量之间的欧式距离；根据源点云关键点的特征点直方图和目标点云的特征点直方图，得到源点云关键点 Kd-tree和目标点云关键点Kd-tree；基于关键点点云配准方方法，计算获得源点云关键点和目标点云关键点坐标转换矩阵。

优选的，所述S10中，坐标转换公式如下：

x_w＝z_c*(u-u₀)*d_x(d_y)(d_z)/f