论文总字数：33748字

摘 要

3维视觉目前正日益成为机器人分拣系统发展的新方向，相比于二维系统，它拥有空间中的深度信息，可以应用在物体纹理不明显、相互遮挡等复杂场景中。本文在物体对称性强且可能相互遮挡的场景中研究了目标物体的识别和位姿估计过程，针对场景的特性选择了基于RANSAC的形状特征，完成了以下工作：

首先综合比较了现有的三维点云目标识别的算法，按照特征的粒度依次介绍每种识别方法下各种特征各自的属性和优缺点。依照场景的特点和研究的需要，本文使用了RANSAC方法抽取点云局部几何信息作为特征，并用子图匹配算法来进行识别。

其次对目标场景的点云进行了网格精简、统计滤波、邻域建立和法向量估算，使用针对具体图元特化的RANSAC算法抽取出了基本的图元信息，以图元构建拓扑结构图并完成了匹配算法，成功达到了分拣所需的识别与位姿估计要求。

最终，本文基于PCL点云库在Linux平台上完成了一个点云的识别软件，可以对输入的点云文件进行基本的处理，抽取其中的平面，柱面等图元信息，进行拓扑构建和特征匹配，可以成功识别点云中的简单几何体并得到空间位置。

关键词：三维点云，目标识别，机器人分拣，RANSAC，子图匹配

Abstract

3D vision is now becoming a new direction for robot sorting system development. Compared with 2D systems, it has depth information in space, and can be applied to complex scenes where object does not have obvious textures and occluded. The recognition and pose estimation process of the target object is studied in this paper. The object in the scene is highly symmetrical and may occlude each other. The RANSAC-based shape feature extraction is selected for the characteristics of the scene, and the following work is completed:

Firstly, the respective attributes and advantages and disadvantages of each feature under each recognition method are sequentially introduced according to the granularity of which. According to the characteristics of the scene and the needs of the research, the RANSAC method is selected to extract the local geometric information of the point cloud as the feature, and uses the subgraph matching algorithm to recognize it.

Secondly, voxel down-sampling, statistical filtering, k-neighborhood establishment and normal vector estimation are performed on the point cloud of the target scene. The basic primitive information is extracted by using the RANSAC algorithm for specific primitives, and the topology map is constructed. The matching algorithm successfully achieved the recognition and pose estimation requirements required for robot sorting.

Finally, based on the PCL point cloud library, a point cloud recognition software on the Linux system is developed, which can perform basic processing on the input point cloud file, extract the plane information such as plane and cylinder, and perform topology construction and features. It can successfully identify simple geometry in the point cloud and get the spatial position.

KEY WORDS: 3D point cloud, object recognition, robot sorting, RANSAC, subgraph matching

目 录

摘 要 I

Abstract II

第一章 绪论 5

1.1 研究背景以及意义 5

1.2 研究现状分析 6

1.2.1 基于单个关键点的特征描述 6

1.2.2 基于局部几何信息的特征描述 7

1.2.3 基于全部点云的特征描述 7

1.2.4 本文选用的方法 8

1.3 本文的章节安排 9

第二章 点云数据的获取与基础处理 10

2.1 传感器与场景 10

2.2 线结构光的成像原理 10

2.3 点云的k邻域建立 13

2.3.1 kd树 14

2.3.2 由kd树到k邻域 15

2.4 点云的法向量估算 16

2.5 点云的滤波 17

2.6 点云的精简处理 17

2.7 点云的分割 18

2.8 本文的预处理参数的记录 19

第三章 基于RANSAC的子图匹配识别算法 20

3.1 概览 20

3.1.1 RANSAC 20

3.1.2 子图匹配算法 21

3.2 RANSAC算法基本原理 22

3.2.1 RANSAC的平面模型计算 24

3.2.2 RANSAC的柱面模型计算 24

3.2.3 RANSAC的球面模型计算 26

3.3 RANSAC算法的应用 27

3.4 节点属性的计算 27

3.4.1 节点到二维空间的映射 27

3.4.2 形状的检测 28

3.5 边属性的计算 29

3.6 从模型中生成查询图 30

3.7 匹配算法 30

3.7.1 节点的匹配 31

3.7.2 边的匹配 31

3.7.3 算法全貌 31

3.8 匹配结果的位姿估计 31

3.9 识别软件的整体设计 32

3.9.1 关键数据结构 32

3.10 效果检验 33

第四章 总结与展望 35

4.1 总结 35

4.2 未来工作的展望 36

参考文献 37

致 谢 39

绪论

研究背景以及意义

目前，智能分拣系统已得到广泛的应用，其关键任务包括物体的识别和姿态估计。大部分现存的分拣系统是基于单目二维视觉的。二维视觉的特征提取与匹配已经有了成熟的解决方案，包括SIFT，SURF等特征提取匹配算法以及大量的改进，在速度、精度以及鲁棒性上都有着绝佳的表现。并且，随着深度学习研究的推进及硬件上的进步，单目视觉系统的识别能力被带入了新的层次，甚至在某些领域已经远超人类的表现

但是，这样的算法本质上是使用二维信息还原三维信息，因而会有一些固有的缺陷。首先，在实际的分拣系统应用中，光照条件可能会随着时间的推移产生明显的改变，由于大部分的图像处理算法都对环境光有着严格的要求，光照变化会导致误识别，系统的鲁棒性因此降低；其次，很多场景中都会存在物体之间相互堆叠的现象，如果物体表面的纹理不够明显，二维算法将难以区分各个物体，特征提取以及匹配也不能继续；最后，物体的位姿估计对二维视觉来说也比较困难。

剩余内容已隐藏，请支付后下载全文，论文总字数：33748字