[发明专利]一种基于结构分析的点云场景物体识别方法

摘要

本发明公开了一种基于结构分析的点云场景物体识别方法，步骤1：利用区域增长的方法以及基于距离的聚类算法对点云场景进行分割，并基于高斯球的性质提取点云场景中的平面；步骤2：对提取的平面，将单个平面由结点表示，平面间的连接关系由边表示，分析结点属性以及边属性，定义平面之间的连接类型；步骤3、对目标物体的结构进行分析，并记录目标物体的连接编码；步骤4、平面组合及目标识别，通过与目标物体的编码进行比对完成物体的识别。本发明一种基于结构分析的点云场景物体识别方法，解决了现有识别技术计算量大及点云数据不完整，且易受噪声影响，不适合大场景点云数据中物体的识别的缺陷。

主权项

1.一种基于结构分析的点云场景物体识别方法，其特征在于，具体按照以下步骤实施：步骤1：利用区域增长的方法以及基于距离的聚类算法对点云场景进行分割，并基于高斯球的性质提取点云场景中的平面，具体按照下述步骤进行：步骤1.1：利用主元分析法计算点云的法向量点云场景中的任意一点p，找到点p的k个邻近点点p的三阶协方差矩阵M为：其中，为点p的k个邻近点的平均位置，通过奇异值分解对点p的三阶协方差矩阵M进行特征值分解，得到协方差矩阵M的特征值λ₃＞λ₂＞λ₁＞0，点p的法向量为最小特征值λ₁所对应的特征向量对于点云数据中的任意一点p，利用k‑d树找出与点p最近的点q，如果将点p的法向量方向反转；步骤1.2：用区域增长的方法对点云场景进行分割步骤1.2.1：遍历点云场景中每一点，如果点p_i未被标记，则将其设置为种子点，遍历其它未被标记的点p_j，如果则将点p_i和p_j分为一类，并对点p_j进行标记，其中，和为点p_i和p_j的法向量；否则，对点p_j不予标记，继续遍历下一个点；步骤1.2.2：如果点云场景中所有点都被标记，结束遍历；否则，返回步骤1.2.1继续遍历；步骤1.3：对于每个具有相似法向量的点云簇中的每一点p_i，利用k‑d树找出点p_i的k个邻近点，筛选与点p_i距离小于阈值r的点集NN；步骤1.4：遍历具有相似法向量的点云数据，如果点p_i是被遍历的第一个点，标记点集NN中所有的点label＝1；如果点p_i不是被遍历的第一个点，则遍历点集NN中的每一点是否已经被标记，如果点集NN中所有的点均未被标记，则label++，将点集NN中所有的点标记为label；如果点集NN中存在已经被标记的点，找出被标记的点中最小的标记值mLabel，将点集NN中所有的点标记为mLabel；步骤1.5：重复步骤1.3、步骤1.4，直到点云数据中所有点均被标记；步骤1.6：经过分割后的点云数据集合分别为F₁,F₂...F_m，将F₁,F₂...F_m进行高斯映射后的数据集分别为G(F₁),G(F₂)...G(F_m)，根据步骤1.1中点p的法向量通过下式获得点p在高斯球上的映射位置：将球坐标映射到直角坐标，其转换公式为：点云数据的法向量进行高斯映射后，具有相同法向量的点会映射到高斯球上同一位置，根据高斯球的性质对平面进行识别：首先，利用下式计算G(F_i)的中心其中，f_i为点云数据集合F_i中的任意一点，N为该点云数据集合F_i点的个数；其次，利用下式计算出每一点云数据集合的法向量的方差var(G(F_i))：如果方差var(G(F_i))小于阈值ε，判断点云数据集合F_i为平面，如果方差var(G(F_i))大于阈值ε，点云数据集合F_i不为平面；步骤2：对步骤1提取的平面，将单个平面由结点表示，平面间的连接关系由边表示，分析结点属性以及边属性，定义平面之间的连接类型，具体按照下述步骤进行：步骤2.1：将单个平面由结点表示，定义结点的属性将每一个平面利用一个单独的结点表示，即每一个结点是一个平面的抽象，针对分割后的平面S₁,S₂,...S_n，利用公式(7)计算出平面S_i的中心点的位置，利用该中心点C_i代表平面S_i：其中，N为每个平面中点的个数，(x_j,y_j,z_j)为平面S_i中任意一点的坐标值；①面积Area_i计算平面S_i的面积Area_i，由于平面的厚度为0，所以利用公式(8)计算平面的面积：Area_i＝length_i×width_i        (8)其中，length_i是平面S_i的长度，width_i是平面的宽度；②平均法向量AvgNorm利用公式(9)计算每个平面S_i的平均法向量其中，(n_xi,n_yi,n_zi)是平面S_i中任意一点的法向量，N为平面S_i中点的个数；如果某一个平面S_j的平均法向量近似为(0,0,1.0)，即和接近为0，接近为1，则S_j为与水平面垂直的平面；③高度差DeltZ_i高度差DeltZ_i是平面S_i中z值最大值Z_imax与z值最小值Z_imin的差值：DeltZ_i＝Z_imax‑Z_imin       (10)步骤2.2：平面间的连接关系由边表示，分析边的属性①连接类型根据平面与水平面的关系，将平面分为：与水平面平行的平面称为水平面，与水平面垂直的平面称为垂直面，既不与水平面平行又不与水平面垂直的平面称为倾斜面，根据平面的不同类型，将结点连接类型分为七类：a.一个水平面结点与一个垂直面结点相连接且相互垂直，连接类型Type_ij＝1；b.一个水平面结点与一个倾斜的结点相连接，两个结点不垂直，连接类型Type_ij＝2；c.两个垂直面结点相连接，且两个结点相互垂直，连接类型Type_ij＝3；d.两个倾斜的结点相连接，同时两个结点不垂直，连接类型Type_ij＝4；e.两个垂直面结点相连接，且两个结点相互不垂直，连接类型Type_ij＝5；f.一个倾斜的结点与一个垂直面结点相连接，两个结点不垂直，连接类型Type_ij＝6；g.两个倾斜的结点相连接，同时两个结点相互垂直，连接类型Type_ij＝7；②长度Dist_ij利用公式(11)计算平面S_i的中心点与平面S_j的中心点之间的距离即长度Dist_ij：③相连两平面之间的夹角θ_ijAvgNorm_i和AvgNorm_j分别为平面S_i和S_j的平均法向量，利用公式(12)计算两个平面之间的夹角θ_ij：步骤3、利用步骤2中对结点属性及边属性的定义，对目标物体的结构进行分析，并记录目标物体的连接编码，具体按照下述步骤进行：步骤3.1：确定构成目标物体的平面之间的连接类型为了提高程序的运行效率，在判定平面间是否相连时，不需要遍历平面中的每一个点，只需要遍历每个平面的边界点，寻找边界点的邻近点，判断邻近点中是否包含有其它平面的点；提取每个平面的边界点：p_i是平面S₁中的一点，利用k‑d树找出p_i的k个邻近点，找出与p_i距离小于r的点的集合P_r‑distace＝{{p_i,p_j,d_ij}|d_ij≤r},i≠j，c为P_r‑distace的中心点，m为P_r‑distace中距离p_i最大的点，如果p_i是边界点，则|p_ic|/|p_im|较大，其中，|p_ic|为点p_i和点c的距离；对于每一个边界点p_m，利用k‑d树寻找p_m的k个邻近点，如果邻近点中存在某点p_k∈S_j，其距离|p_mp_k|＜τ&&p_m∈S_i，则标记平面S_i和S_j相连接，根据结点的平面类别，判断结点间的连接类型，断定Typei_j的值；步骤3.2：记录目标物体的连接编码步骤3.2.1：将构成目标物体的所有平面按照高度z进行排序，将z值最高的平面S_i当作根结点；步骤3.2.2：对于根结点S_i，将与其连接的结点S₁,S₂,…S_i‑1,S_i+1,…S_n按高度从高到低进行连接，作为S_i的子结点；步骤3.2.3：对于根结点S_i的每个子结点S_j∈S₁,S₂,…S_i‑1,S_i+1,…S_n，将与结点S_j相连接的结点从高到低排列连接，作为结点S_j的子结点；步骤3.2.4：将S_j的子结点作为子树的父结点，将与之相连接的结点从高到低排列连接；步骤3.2.5：利用广度优先遍历编码树，记录结点之间连接边的类型，获得目标物体的连接编码；步骤4、根据步骤3对目标物体结构的分析，从点云场景中选取一个符合目标物体特征的平面作为种子点，利用区域增长的方法，依次迭代找到符合特征的平面进行组合，记录“组合平面”的连接编码，通过与目标物体的编码进行比对完成物体的识别。