[發明專利]基于點云VFH描述子的識別空間物體位姿方法

有效

• 申請號: 201710148765.3
• 申請日: 2017-03-13
• 公開（公告）號: CN106934831B
• 公開（公告）日: 2020-07-24
• 發明（設計）人: 高會軍;林偉陽;孫敬颋;畢程;楊學博;李湛;于興虎;邱劍彬
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06T7/70
• 分類號: G06T7/70;G06K9/62
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 楊立超

1.基于點云vfh描述子的識別空間物體位姿方法，其特征在于，該方法具體是按照以下步驟進行的：

步驟一、在訓練階段，對每個物體均勻分成M個角度，在M角度中的每一角度所在的視角上采集點云并計算點云對應的vfh特征描述子x＝(x₁,x₂,...,x_i,...,x_M)^T；x_i表示構成vfh特征描述子x的向量；

步驟二、根據步驟一的vfh特征描述子計算每個向量x_i和平均vfh向量Ψ的差值向量d_i；

步驟三、運用主成分分析法計算向量d_i的特征vfh描述子空間w；

步驟四、將步驟一計算得到的vfh特征描述子和差值向量d_i投影到特征vfh描述子空間的坐標為Ω_i；Ω_i＝w^Td_i，i＝1,2,...M；

步驟五、計算待識別物體每個vfh特征向量Γ與差值向量d_i投影到特征vfh描述子空間的坐標Ω^Γ：

Ω^Γ＝w^T(Γ-Ψ)

步驟六、確定訓練BP神經網絡的輸入維數和輸出維數，其中，輸入維數是點云VFH描述子在特征vfh描述子空間下投影的維數，輸出維數為M；輸出維數的每一維代表步驟一中所采集的M個視角中的每一個視角；

步驟七、將輸入視角下的點云的vfh描述子在特征vfh描述子空間w下進行投影，將投影后的vfh描述子對應角度輸出為1，其余輸出為0；

步驟八、在識別過程中，輸入待識別物體點云的vfh描述子在特征vfh描述子空間w下的投影，取輸出值中相似度最高的前k個視角的坐標，采用Knn分類方法，將離群坐標對應的視角去掉，然后將k個視角中剩余視角取平均值作為當前點云的視角；

步驟二中根據步驟一的vfh特征描述子計算每個向量x_i和平均vfh向量Ψ的差值向量d_i具體為：

步驟二一、根據步驟一得到的vfh特征描述子計算得到平均vfh向量Ψ：

步驟二二、計算每個向量x_i和平均vfh向量Ψ的差值向量d_i：

d_i＝x_i-Ψ,i＝1,2......M

步驟三中運用主成分分析法計算向量d_i的特征vfh描述子空間w具體為：

步驟三一、構建協方差矩陣C；

A＝(d₁，d₂,...,d_M)

其中，A為向量d_i的集合；

步驟三二、求出A^TA的特征值λ_i和正交歸一化特征向量ν_i；采用奇異值分解定理選取A^TA特征值λ_i的貢獻率最大的前p個特征值及p個特征值對應的特征向量；

步驟三三、求出協方差矩陣C的特征向量u_i；

步驟三四、則特征vfh描述子空間w為：

w＝(u₁,u₂,...，u_p)

所述貢獻率是指選取的p個特征值的和與占所有特征值的和比，即：

其中，a為訓練樣本在前p個特征向量集上的投影。

2.根據權利要求1所述基于點云VFH描述子的識別空間物體位姿方法，其特征在于：所述a＝99％。