第4章點(diǎn)云配準(zhǔn)算法4.1點(diǎn)云配準(zhǔn)的剛體變換理論在工業(yè)現(xiàn)場(chǎng)，工業(yè)機(jī)器人在完成工件識(shí)別后，還需進(jìn)行工件抓取，因此需要將經(jīng)過(guò)處理的場(chǎng)景點(diǎn)云和工件的模型點(diǎn)云進(jìn)行配準(zhǔn)，獲取工件在實(shí)際場(chǎng)景中的六自由度位姿形態(tài)。兩坐標(biāo)系下的點(diǎn)云配準(zhǔn)可以通過(guò)固定模型坐標(biāo)系，將相機(jī)坐標(biāo)系下的點(diǎn)云通過(guò)旋轉(zhuǎn)和平移轉(zhuǎn)換到模型坐標(biāo)系下使兩片點(diǎn)云完成重合，這實(shí)際上是一個(gè)剛體變換的過(guò)程。4.1.1旋轉(zhuǎn)變換和平移變換定義：模型點(diǎn)云；場(chǎng)景點(diǎn)云；其中和表示三維空間中點(diǎn)云和中的數(shù)據(jù)點(diǎn)，點(diǎn)云，點(diǎn)云可用的矩陣來(lái)表示，則場(chǎng)景點(diǎn)云可通過(guò)平移和旋轉(zhuǎn)與模型點(diǎn)云重合，記平移矩陣為，旋轉(zhuǎn)矩陣為，則兩片點(diǎn)云之間的剛體變換可用式（4-1）來(lái)表示： （4-1）下面用四階矩陣形式進(jìn)行數(shù)學(xué)表示：記場(chǎng)景點(diǎn)云中一點(diǎn)坐標(biāo)，平移矩陣，點(diǎn)經(jīng)平移變換后的坐標(biāo)為，則平移變換可用式（4-2）表示： （4-2）記點(diǎn)繞x軸旋轉(zhuǎn)，繞y軸旋轉(zhuǎn)，繞z軸旋轉(zhuǎn)變換后的坐標(biāo)為，則旋轉(zhuǎn)變換可用式（4-3）和式（4-4）表示： （4-3） （4-4）綜上所述，剛體變換可用式（4-5）描述： （4-5）其中為旋轉(zhuǎn)矩陣，為平移矩陣，為矩陣。4.1.2剛體變換矩陣的求解在確定點(diǎn)云和后，點(diǎn)云的配準(zhǔn)過(guò)程實(shí)際上是求解兩片點(diǎn)云的剛體變換矩陣，即求解旋轉(zhuǎn)矩陣和平移矩陣的過(guò)程，目前一般采用奇異值分解法[71-76]或四元數(shù)法來(lái)求解。奇異值分解法定義模型點(diǎn)云，場(chǎng)景點(diǎn)云首先求取兩片點(diǎn)云的質(zhì)心： （4-6）所要進(jìn)行最小化的目標(biāo)函數(shù)為： （4-7）其中代表從點(diǎn)云Q中尋找與歐氏距離最近的點(diǎn)，其中使誤差函數(shù)達(dá)到最小的旋轉(zhuǎn)矩陣和位移矩陣即為最優(yōu)解。令，當(dāng)時(shí)，誤差函數(shù)達(dá)到最小。記： （4-8）此時(shí)的誤差函數(shù)為： （4-9）只需令誤差函數(shù)的負(fù)數(shù)項(xiàng)達(dá)到最小。設(shè)，要讓達(dá)到最小，則可以計(jì)算最優(yōu)旋轉(zhuǎn)矩陣： （4-10） （4-11）可以計(jì)算最優(yōu)位移矩陣： （4-12）四元數(shù)法四元數(shù)法是一種應(yīng)用于三維空間旋轉(zhuǎn)計(jì)算的方法，表達(dá)式如式（4-13）：

（4-13）其中是實(shí)數(shù)單位，是虛數(shù)單位。在點(diǎn)云配準(zhǔn)過(guò)程中，一般通過(guò)矩陣求取、特征分解等方法求取兩片點(diǎn)云作剛體變換的四元數(shù)表達(dá)式，從而求取旋轉(zhuǎn)矩陣和平移矩陣，這種方法穩(wěn)定性和計(jì)算效率都較高。四元數(shù)法的計(jì)算步驟如下，定義：模型點(diǎn)云，場(chǎng)景點(diǎn)云(1)求取兩片點(diǎn)云的質(zhì)心： （4-14）(2)將兩片點(diǎn)云做相對(duì)質(zhì)心平移： （4-15）得到移動(dòng)后的點(diǎn)集：，(3)利用移動(dòng)后的點(diǎn)集構(gòu)造協(xié)方差矩陣：

（4-16）(4)將中元素組合構(gòu)建四維對(duì)稱矩陣： （4-17）對(duì)稱矩陣的特征向量即為四元數(shù)的四個(gè)分量： （4-18）可以由四元數(shù)計(jì)算得到旋轉(zhuǎn)矩陣和平移矩陣： （4-19） （4-20）4.2基于SAC-IA算法的點(diǎn)云粗配準(zhǔn)在進(jìn)行精配準(zhǔn)之間，需要先對(duì)兩片點(diǎn)云進(jìn)行粗配準(zhǔn)，初步估計(jì)旋轉(zhuǎn)矩陣和平移矩陣。傳統(tǒng)的貪婪算法計(jì)算效率較低且容易陷入局部最優(yōu)解。目前主流的粗配準(zhǔn)算法包括采樣一致性配準(zhǔn)算法（SAC-IA）、Super4PCS算法、3D-NDT算法等，本文著重介紹SAC-IA算法。SAC-IA算法是一種基于局部特征描述符的粗配準(zhǔn)算法，這種方法基于FPFH描述符，具有較好的描述性和抗干擾性，對(duì)初始位姿偏差較大的點(diǎn)云也能夠有較好的粗配準(zhǔn)效果。需要計(jì)算點(diǎn)云的FPFH，采用采樣一致性思想，通過(guò)大量的點(diǎn)對(duì)應(yīng)關(guān)系來(lái)尋找誤差最小的矩陣，認(rèn)為這個(gè)矩陣就是最佳變換矩陣。SAC-IA算法步驟如下：（1）采樣。樣本點(diǎn)盡量要求FPFH特征分散，要求樣本點(diǎn)的距離大于最小值。（2）將采樣點(diǎn)的FPFH特征和模型點(diǎn)云的FPFH特征進(jìn)行比對(duì)，將距離相近的點(diǎn)作為匹配點(diǎn)對(duì)存入列表中。（3）利用上述的匹配點(diǎn)對(duì)進(jìn)行初步的剛體變換矩陣計(jì)算，通過(guò)Huber懲罰函數(shù)來(lái)描述配準(zhǔn)誤差，懲罰函數(shù)計(jì)算公式如式（4-21）： （4-21）其中為給定的閾值，表示第對(duì)的變換距離誤差。（4）重復(fù)（1）-（3）操作，選取誤差和最小的變換矩陣，作為粗配準(zhǔn)的最佳變換矩陣。由于計(jì)算FPFH特征在點(diǎn)云數(shù)據(jù)量較大的情況下效率較低，一般在進(jìn)行SAC-IA粗配準(zhǔn)之前需要進(jìn)行點(diǎn)云的降采樣，本文在第2章已經(jīng)對(duì)點(diǎn)云進(jìn)行精簡(jiǎn)處理。SAC-IA算法流程圖如圖4.1所示：圖4.1SAC-IA算法流程圖4.3基于ICP算法的點(diǎn)云精配準(zhǔn)通過(guò)粗配準(zhǔn)后的兩片點(diǎn)云已經(jīng)具備了較好的初始形態(tài)，但是通過(guò)粗配準(zhǔn)計(jì)算得到的旋轉(zhuǎn)變換矩陣數(shù)據(jù)還不夠精確，因此需要對(duì)待配準(zhǔn)點(diǎn)云進(jìn)行精配準(zhǔn)，獲得更加精確的物體姿態(tài)。迭代最近點(diǎn)算法(IterativeClosestPoint，ICP)是點(diǎn)云精配準(zhǔn)領(lǐng)域中一種最常見的算法。ICP算法事實(shí)上是一個(gè)基于最小二乘法的匹配最優(yōu)解問(wèn)題，通過(guò)確立一種正確匹配的收斂準(zhǔn)則，反復(fù)進(jìn)行點(diǎn)集的確定和最優(yōu)剛體變換的計(jì)算過(guò)程，當(dāng)收斂準(zhǔn)則滿足則可認(rèn)為達(dá)到解最優(yōu)。這種算法精確度高，無(wú)需對(duì)點(diǎn)云集進(jìn)行分割提取處理，且在初始形態(tài)較好的情況下能夠達(dá)到極高的收斂精度。但是ICP法也具有一定的缺陷，這種方法需要遍歷點(diǎn)云集中所有的點(diǎn)都進(jìn)行歐氏距離的迭代計(jì)算，針對(duì)閾值較為集中的點(diǎn)需要進(jìn)行多次迭代，這會(huì)造成極大的計(jì)算量。其次ICP法所定義的目標(biāo)函數(shù)存在一定的局限性，算法認(rèn)為歐氏距離最近的點(diǎn)即為對(duì)應(yīng)點(diǎn)，在目標(biāo)點(diǎn)云初始位置不理想的情況下使用ICP法，容易產(chǎn)生點(diǎn)與點(diǎn)之間的錯(cuò)誤對(duì)應(yīng)和局部最優(yōu)解，造成配準(zhǔn)的錯(cuò)誤。ICP算法通過(guò)尋找距離誤差最小的剛體變換矩陣來(lái)使兩片點(diǎn)云達(dá)到理想的匹配效果[77-81]。這種算法的基本思路是在兩片點(diǎn)云下尋找歐氏距離最近的點(diǎn)，利用所形成的點(diǎn)集計(jì)算待配準(zhǔn)點(diǎn)云數(shù)據(jù)和參考點(diǎn)云數(shù)據(jù)之間的旋轉(zhuǎn)矩陣和位移矩陣，通過(guò)定義誤差函數(shù)和收斂閾值對(duì)點(diǎn)集數(shù)據(jù)進(jìn)行迭代計(jì)算，當(dāng)誤差函數(shù)值小于閾值時(shí)停止計(jì)算，即可輸出最優(yōu)解和。不妨設(shè)場(chǎng)景點(diǎn)云為，模板點(diǎn)云為，求解點(diǎn)云之間變換矩陣的問(wèn)題事實(shí)上就是基于最小二乘法的最優(yōu)解匹配問(wèn)題。在沒有誤差的情況下，從P坐標(biāo)系轉(zhuǎn)化到Q的公式為： （4-22）所要進(jìn)行最小化的目標(biāo)函數(shù)為： （4-23）其中代表從點(diǎn)云Q中尋找與歐氏距離最近的點(diǎn)。其中使誤差函數(shù)達(dá)到最小的旋轉(zhuǎn)矩陣和位移矩陣即為最優(yōu)解。ICP算法步驟如下：（1）記粗配準(zhǔn)后的變換點(diǎn)集為，記參考點(diǎn)集為，將和作為算法的原始點(diǎn)集。（2）采樣。計(jì)算中每一個(gè)點(diǎn)在中歐氏距離最小的點(diǎn)作為對(duì)應(yīng)點(diǎn)，建立對(duì)應(yīng)點(diǎn)集。（3）計(jì)算變換矩陣。計(jì)算關(guān)于上述對(duì)應(yīng)點(diǎn)集距離最小的剛體變換旋轉(zhuǎn)矩陣和位移矩陣。（4）計(jì)算誤差函數(shù)。定義匹配點(diǎn)對(duì)的均方誤差函數(shù)：將剛體變換矩陣和代入計(jì)算，要求均方誤差函數(shù)的值達(dá)到最小。（5）使用變換矩陣對(duì)點(diǎn)集進(jìn)行更新。公式為： （4-24）（6）迭代計(jì)算。規(guī)定點(diǎn)云距離閾值和最大迭代次數(shù)，迭代計(jì)算每一次經(jīng)過(guò)剛體變換后的點(diǎn)云和模型點(diǎn)云之間的距離誤差。當(dāng)均方誤差小于距離閾值或迭代次數(shù)大于時(shí)，循環(huán)結(jié)束。每一步剛體變換的更新步驟如下：（1）在第次剛體變換后建立點(diǎn)云的對(duì)應(yīng)關(guān)系： （4-25）（2）基于（1）中的對(duì)應(yīng)關(guān)系，利用均方誤差最小來(lái)計(jì)算新的剛體變換和： （4-26）（3）更新第k步的剛體變換： （4-27）ICP算法流程圖如圖4.2所示：圖4.2ICP算法流程圖4.4本章小結(jié)（1）本章主要介紹了基于點(diǎn)云配準(zhǔn)的剛體變換理論，介紹了計(jì)算點(diǎn)云旋轉(zhuǎn)變換矩陣和平移變換矩陣的奇異值分解法和四元數(shù)法。（2）介紹了一種基于采樣性一致算法的點(diǎn)云粗配準(zhǔn)算法，并使用ICP算法進(jìn)一步對(duì)點(diǎn)云進(jìn)行精配準(zhǔn)。第5章實(shí)驗(yàn)與分析5.1實(shí)驗(yàn)場(chǎng)景為了驗(yàn)證算法的可行性，本文搭建了如圖5.1所示的實(shí)驗(yàn)平臺(tái)進(jìn)行實(shí)驗(yàn)。本文選取的研究對(duì)象是箱體類機(jī)械工件，圖中已用紅色圓形圈出來(lái)，工作臺(tái)上有兩個(gè)工件，本文的研究對(duì)象是①號(hào)工件，因此在實(shí)驗(yàn)過(guò)程中首先需要將環(huán)境中的無(wú)效數(shù)據(jù)濾除，并將工件與工作臺(tái)、工件與工件分割開來(lái)，獲得獨(dú)立的①號(hào)工件的點(diǎn)云數(shù)據(jù)。圖5.1實(shí)驗(yàn)場(chǎng)景5.2點(diǎn)云的預(yù)處理獲取的點(diǎn)云數(shù)據(jù)如圖5.2所示，從點(diǎn)云的分布情況來(lái)看，目標(biāo)工件點(diǎn)云在Z軸的最下面，沿著Z軸可以將點(diǎn)云分為幾個(gè)部分，將不同部分用不同的顏色標(biāo)出，其中工件部分用藍(lán)色標(biāo)記。沿著Z軸對(duì)點(diǎn)云進(jìn)行統(tǒng)計(jì)，得到一個(gè)數(shù)組，保存為CloudStatics.csv文件，繪制后如圖5.3所示。由于物體的頂面點(diǎn)云比較完整，物體側(cè)面基本沒有點(diǎn)云，可以從Z軸的最低點(diǎn)，根據(jù)固定的間隔到Z軸的最高點(diǎn)，去統(tǒng)計(jì)每個(gè)間隔范圍內(nèi)的點(diǎn)云的數(shù)量，本文設(shè)定點(diǎn)云數(shù)量閾值為200個(gè)，即第一次超過(guò)200個(gè)點(diǎn)云數(shù)據(jù)的節(jié)點(diǎn)開始尋找下一個(gè)波谷，在低于200個(gè)點(diǎn)云數(shù)據(jù)的位置即是分割節(jié)點(diǎn)。通過(guò)直通濾波，即可將無(wú)效的點(diǎn)云數(shù)據(jù)濾除，獲取位于工作臺(tái)上的兩個(gè)點(diǎn)云數(shù)據(jù)。圖5.2場(chǎng)景點(diǎn)云初沿z軸分布圖圖5.3沿z軸點(diǎn)云數(shù)量分布圖經(jīng)過(guò)濾波后的點(diǎn)云如圖5.4、圖5.5所示，兩張圖表示的是兩個(gè)不同的視角觀測(cè)得到的點(diǎn)云數(shù)據(jù)，其中綠色的表示的是模型點(diǎn)云，紅色的是經(jīng)過(guò)過(guò)濾后得到的工件的場(chǎng)景點(diǎn)云。圖5.4過(guò)濾后的模型點(diǎn)云和場(chǎng)景點(diǎn)云圖5.5過(guò)濾后的模型點(diǎn)云和場(chǎng)景點(diǎn)云在濾除初始點(diǎn)云數(shù)據(jù)中的無(wú)效點(diǎn)后，目前已經(jīng)獲得較為完整的工件點(diǎn)云數(shù)據(jù)，下一步需要將兩個(gè)工件進(jìn)行分割，獲得目標(biāo)工件點(diǎn)云數(shù)據(jù)。本文采用一種基于歐式距離的分割算法，將距離閾值范圍內(nèi)的點(diǎn)進(jìn)行聚類，達(dá)到分割的效果。本文設(shè)置搜索近鄰半徑為2厘米，聚類所需最少點(diǎn)數(shù)目占比為20%，聚類所需最多點(diǎn)數(shù)目占比為100%，分割效果如圖5.6、圖5.7所示，其中圖5.6代表目標(biāo)工件點(diǎn)云，圖5.7代表干擾工件點(diǎn)云。圖5.6分割得到的目標(biāo)工件點(diǎn)云數(shù)據(jù)圖5.7分割得到的干擾工件點(diǎn)云數(shù)據(jù)在上一階段，通過(guò)對(duì)場(chǎng)景點(diǎn)云數(shù)據(jù)的濾波和分割，已經(jīng)獲得了目標(biāo)工件點(diǎn)云數(shù)據(jù)，現(xiàn)在需要對(duì)工件的模型點(diǎn)云和場(chǎng)景點(diǎn)云進(jìn)行體素下采樣，在保留點(diǎn)云幾何特征的同時(shí)精簡(jiǎn)冗余數(shù)據(jù)，提高后續(xù)法線特征計(jì)算以及FPFH描述符構(gòu)建的計(jì)算效率。本文選取體素柵格邊長(zhǎng)為0.05厘米，對(duì)工件點(diǎn)云進(jìn)行下采樣，圖5.8表示模板點(diǎn)云下采樣效果圖，圖5.9表示目標(biāo)點(diǎn)云下采樣效果圖。圖5.8模板工件點(diǎn)云下采樣效果圖圖5.9目標(biāo)工件點(diǎn)云下采樣經(jīng)過(guò)點(diǎn)云下采樣，模板工件、目標(biāo)工件點(diǎn)云數(shù)據(jù)在保留幾何特征的同時(shí)大幅精簡(jiǎn)了數(shù)據(jù)，提高了后續(xù)計(jì)算的效率。經(jīng)過(guò)下采樣后的點(diǎn)云數(shù)據(jù)量如表5.1所示。表5.1下采樣后的點(diǎn)云數(shù)據(jù)量點(diǎn)云類別點(diǎn)云數(shù)據(jù)量（個(gè)）模板點(diǎn)云750目標(biāo)點(diǎn)云10025.3點(diǎn)云的幾何特征提取和FPFH描述符構(gòu)建本節(jié)首先對(duì)模板點(diǎn)云進(jìn)行法線特征提取。在鄰域半徑選取過(guò)程中，如果鄰域范圍過(guò)大，將無(wú)法描述點(diǎn)云表面細(xì)節(jié)，容易造成法線失真。如果鄰域范圍過(guò)小，容易受噪聲影響，計(jì)算效率將會(huì)降低。本文選取點(diǎn)云球形鄰域半徑為1厘米，能夠有較好的法向量提取效果。如圖5.10、圖5.11所示，這兩張圖是不同視角下模板點(diǎn)云的法向量。圖5.10模板點(diǎn)云法向量示意圖圖5.11模板點(diǎn)云法向量示意圖同樣的，對(duì)目標(biāo)工件點(diǎn)云進(jìn)行法線特征提取，如圖5.12、圖5.13所示，這兩張圖是不同視角下目標(biāo)工件點(diǎn)云的法向量。圖5.12目標(biāo)工件點(diǎn)云法向量示意圖圖5.13目標(biāo)工件點(diǎn)云法向量示意圖在提取得到法向量后，設(shè)定鄰域半徑為0.5厘米，利用PCL庫(kù)計(jì)算模型點(diǎn)云和目標(biāo)弓箭工件點(diǎn)云的FPFH特征描述符，并將其可視化，得到圖5.14，其中黑色折線代表的是模型點(diǎn)云的FPFH，紅色折線代表的是目標(biāo)工件點(diǎn)云的FPFH。圖5.14模板工件點(diǎn)云和目標(biāo)工件點(diǎn)云FPFH本節(jié)模板點(diǎn)云和目標(biāo)點(diǎn)云的法向量和FPFH特征點(diǎn)數(shù)量如表5.2所示。表5.2模板點(diǎn)云和目標(biāo)點(diǎn)云的法向量和FPFH特征點(diǎn)數(shù)量數(shù)據(jù)種類數(shù)量（個(gè)）模板點(diǎn)云法向量數(shù)量750模板點(diǎn)云FPFH特征點(diǎn)數(shù)量750目標(biāo)點(diǎn)云法向量數(shù)量1002目標(biāo)點(diǎn)云FPFH特征點(diǎn)數(shù)量10025.4點(diǎn)云的位姿估計(jì)在提取模板工件點(diǎn)云和目標(biāo)工件點(diǎn)云的FPFH特征后，如圖5.14所示，在同一張直方圖中將二者的FPFH特征進(jìn)行比對(duì)，發(fā)現(xiàn)二者的FPFH特征相似度很高，因此本節(jié)將針對(duì)二者的特征點(diǎn)使用SAC-IA算法進(jìn)行初步配準(zhǔn)，隨后使用ICP算法進(jìn)行進(jìn)一步的精配準(zhǔn)。5.4.1SAC-IA算法粗配準(zhǔn)在粗配準(zhǔn)中，使用PCL庫(kù)默認(rèn)的參數(shù)，設(shè)置樣本之間的最小距離為1厘米，每次迭代計(jì)算使用的樣本數(shù)量為2，計(jì)算協(xié)方差所選擇的近鄰點(diǎn)個(gè)數(shù)為20，對(duì)模型點(diǎn)云和目標(biāo)點(diǎn)云進(jìn)行粗配準(zhǔn)。根據(jù)式（4-10）、式（4-12），SAC-IA算法進(jìn)行粗配準(zhǔn)得到的齊次坐標(biāo)變換矩陣如圖5.15所示。粗配準(zhǔn)效果圖如圖5.16、圖5.17所示。其中綠色的是模板點(diǎn)云，紅色的是目標(biāo)點(diǎn)云，藍(lán)色的是模板點(diǎn)云在粗配準(zhǔn)后，根據(jù)SAC-IA得到的坐標(biāo)變換矩陣進(jìn)行坐標(biāo)變換后的結(jié)果，兩張圖是不同視角下的同一個(gè)結(jié)果。圖5.15SAC-IA算法計(jì)算得到的坐標(biāo)變換矩陣圖5.16SAC-IA粗配準(zhǔn)效果圖圖5.17SAC-IA粗配準(zhǔn)效果圖5.4.2ICP算法精配準(zhǔn)粗配準(zhǔn)過(guò)程已經(jīng)求解得到了一個(gè)初始的剛體變換矩陣，這能大幅提高ICP算法的計(jì)算效率。使用ICP算法進(jìn)行精配準(zhǔn)過(guò)程，本章設(shè)定參數(shù)如下：點(diǎn)云配準(zhǔn)后的最大距離為4厘米，最大迭代次數(shù)為20次，兩次變化矩陣之間的差值為10-10,結(jié)束的均方誤差條件為0.1。ICP算法進(jìn)行精配準(zhǔn)得到的變換矩陣如圖5.18所示。圖5.18ICP算法得到的坐標(biāo)變換矩陣精配準(zhǔn)效果圖如圖5.19所示。其中綠色的代表模板點(diǎn)云，紅色的代表目標(biāo)工件點(diǎn)云，黃色的代表模板點(diǎn)云根據(jù)精配準(zhǔn)計(jì)算得到的坐標(biāo)變換矩陣進(jìn)行坐標(biāo)變換后得到的點(diǎn)云。從圖中可以看出，點(diǎn)云之間已經(jīng)達(dá)到較好的配準(zhǔn)效果。圖5.19ICP精配準(zhǔn)效果圖5.5本章小結(jié)本章基于放置于工作平臺(tái)上的箱體類零件展開目標(biāo)識(shí)別和位姿估計(jì)。5.1節(jié)根據(jù)點(diǎn)云分布使用濾波技術(shù)獲取工件點(diǎn)云數(shù)據(jù)，并使用歐式聚類方法對(duì)兩團(tuán)工件點(diǎn)云進(jìn)行分割，獲得目標(biāo)工件點(diǎn)云數(shù)據(jù)。5.2節(jié)針對(duì)點(diǎn)云數(shù)據(jù)量龐雜這個(gè)問(wèn)題，本章采用了一種基于體素柵格的下采樣方法，在保留點(diǎn)云幾何特征的同時(shí)精簡(jiǎn)了點(diǎn)云數(shù)據(jù)。5.3節(jié)進(jìn)行點(diǎn)云的法線特征計(jì)算并構(gòu)建點(diǎn)云的FPFH描述符，提高點(diǎn)對(duì)的對(duì)應(yīng)正確率。5.4節(jié)對(duì)模型點(diǎn)云和目標(biāo)點(diǎn)云的FPFH特征進(jìn)行比對(duì)，并使用SAC-IA算法進(jìn)行粗配準(zhǔn)，并使用ICP算法進(jìn)行精配準(zhǔn)，獲得較好的配準(zhǔn)結(jié)果。

第6章總結(jié)與展望6.1工作總結(jié)本文在綜合分析了基于三維點(diǎn)云的目標(biāo)識(shí)別和位姿估計(jì)的國(guó)內(nèi)外研究現(xiàn)狀的基礎(chǔ)上，提出了一種基于點(diǎn)云法線特征和FPFH描述符的點(diǎn)云配準(zhǔn)方法，使用SAC-IA算法和ICP算法相結(jié)合的方法對(duì)點(diǎn)云進(jìn)行配準(zhǔn)，獲得了點(diǎn)云的工件類別和位姿信息，獲得較好的配準(zhǔn)效果。本文的具體研究工作總結(jié)如下：（1）總結(jié)了基于三維點(diǎn)云的目標(biāo)識(shí)別和位姿估計(jì)研究現(xiàn)狀及發(fā)展趨勢(shì)，并對(duì)點(diǎn)云的預(yù)處理、識(shí)別和配準(zhǔn)等基礎(chǔ)理論進(jìn)行介紹。本文首先基于三維點(diǎn)云的識(shí)別和配準(zhǔn)研究現(xiàn)狀，闡述了研究的背景和意義，并介紹了點(diǎn)云的濾波技術(shù)、基于歐式聚類的分割算法、基于體素柵格的下采樣方法、點(diǎn)云的鄰域搜索理論、點(diǎn)云配準(zhǔn)的剛體變換理論等。（2）提出一種基于點(diǎn)云表面法線和FPFH特征的配準(zhǔn)方法。本文提出一種基于最小二乘擬合平面的表面法線計(jì)算方法，并對(duì)關(guān)鍵點(diǎn)使用FPFH作為點(diǎn)云的局部幾何特征描述，對(duì)模型點(diǎn)云和目標(biāo)點(diǎn)云進(jìn)行FPFH特征比對(duì)確定對(duì)應(yīng)點(diǎn)集，有效地提高了點(diǎn)云識(shí)別的計(jì)算效率。(3)使用SAC-IA算法進(jìn)行粗配準(zhǔn)，并使用ICP算法進(jìn)行精配準(zhǔn)。本文通過(guò)對(duì)兩團(tuán)點(diǎn)云特征點(diǎn)FPFH特征的比對(duì)，使用SAC-IA算法計(jì)算得到初步的剛體變換矩陣，并使用ICP算法獲得最終的剛體變換矩陣，得出最終的位姿結(jié)果，實(shí)驗(yàn)結(jié)果顯示配準(zhǔn)效果較好。6.2研究展望本文提出一種基于點(diǎn)云表面法線和FPFH特征的點(diǎn)云識(shí)別配準(zhǔn)方法，使用SAC-IA算法和ICP算法結(jié)合的方式對(duì)點(diǎn)云進(jìn)行配準(zhǔn)，取得了較好的效果。但是本課題以下方面仍有待進(jìn)一步研究：（1）增加算法的通用性。本文只對(duì)箱體類零件的點(diǎn)云數(shù)據(jù)進(jìn)行目標(biāo)識(shí)別和位姿估計(jì)，還未對(duì)其他類型的工件進(jìn)行測(cè)試，后續(xù)可以針對(duì)不同種類的工件進(jìn)行實(shí)驗(yàn)，增加算法的通用性。（2）增加關(guān)于工件抓取方面的研究。本文只完成了對(duì)目標(biāo)工件的點(diǎn)云識(shí)別和位姿估計(jì)，得出了兩片點(diǎn)云之間的旋轉(zhuǎn)平移矩陣，但是沒有涉及到關(guān)于工件抓取的研究，后續(xù)可以增加關(guān)于工件抓取和機(jī)器人移動(dòng)方面的研究。參考文獻(xiàn)[1]隋婧,金偉其.雙目立體視覺技術(shù)的實(shí)現(xiàn)及其進(jìn)展[J].電子技術(shù)應(yīng)用,2004,30(010):4-6.[2]DavidMarr,Vision:AcomputationalInvestigationintothehumanrepresentationandprocessingofvisualinformation,W.H.FreemanandCompany,1982.[3]ChenX,HuangY,ChenS.Modelanalysisandexperimentaltechniqueoncomputingaccuracyofseamspatialpositioninformationbasedonstereovisionforweldingrobot[J].IndustrialRobot,2012,39(4):192–204.[4]FangY,MasakiI,HornB.Depth-BasedTargetSegmentationforIntelligentVehicles:FusionofRadarandBinocularStereo[J].IEEETransactionsonIntelligentTransportationSystems,2002,3(3):196-202.[5]OhJK,LeeCH.Developmentofastereovisionsystemforindustrialrobots[C].InternationalConferenceonControl.2007.[6]任慧娟,金守峰,程云飛,等.面向分揀機(jī)器人的多目標(biāo)視覺識(shí)別定位方法[J].機(jī)械與電子,2019,037(012):64-68.[7]Salehian,Behzad,Fotouhi,etal.Dynamicprogramming-baseddensestereomatchingimprovementusinganefficientsearchspacereductiontechnique[J].Optik:ZeitschriftfurLicht-undElektronenoptik:=JournalforLight-andElectronoptic,2018,160:1-12.[8]H.Hirschmuller,StereoProcessingbySemiglobalMatchingandMutualInformation[J].inIEEETransactionsonPatternAnalysisandMachineIntelligence,vol.30,no.2,pp.328-341,Feb.2008.[9]龔文.基于動(dòng)態(tài)規(guī)劃的立體匹配算法研究[D].南昌航空大學(xué),2015.[10]Abdellali,H.,Kato,Z.3Dreconstructionwithdepthpriorusinggraph-cut[J].CentEurJOperRes29,387–402(2021).[11]K.Zhang,Y.Fang,D.Min,etal.Cross-ScaleCostAggregationforStereoMatching[C].2014IEEEConferenceonComputerVisionandPatternRecognition(CVPR),Columbus,America,2014.[12]A.Klaus,M.SormannandK.Karner,Segment-BasedStereoMatchingUsingBeliefPropagationandaSelf-AdaptingDissimilarityMeasure[C],18thInternationalConferenceonPatternRecognition(ICPR'06),2006,pp.15-18,[13]劉振.基于結(jié)構(gòu)光的雙目立體成像技術(shù)研究[D].中國(guó)科學(xué)院大學(xué),2013.[14]張洪龍.基于結(jié)構(gòu)光的室內(nèi)場(chǎng)景精確三維重建技術(shù)研究[D].深圳:中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院,2018.[15]MaS,ShenY,QianJ,etal.Binocularstructuredlightstereomatchingapproachfordensefacialdisparitymap[J].AI2011:AdvancesinArtificialIntelligence,2011:550-559.[16]CarrihillB,HummelR.Experimentswiththeintensityratiodepthsensor[J].Cvgip,1985,32(3):337-358.[17]BrunoF,BiancoG,MuzzupappaM,etal.Experimentationofstructuredlightandstereovisionforunderwater3Dreconstruction[J].ISPRSJournalofPhotogrammetryandRemoteSensing,2011,66(4):508-518.[18]BickelmannC,MorrowJM,DuJ,etal.Themolecularoriginandevolutionofdim-lightvisioninmammals[J].Evolution,2015,69(11):2995.[19]KazhdanM,HoppeH.ACMtransactionsongraphics[M].AssociationforComputingMachinery,2005:1-11.[20]曲學(xué)軍,李海固,樊龍欣，etal.基于組合編碼的條紋結(jié)構(gòu)光主動(dòng)立體視覺匹配[J].計(jì)算機(jī)測(cè)量與控制,2014,22(011):3712-3714.[21]劉子偉，許廷發(fā)，王洪慶，深度成像理論與實(shí)現(xiàn)[J].紅外與激光工程，2016，45(7):242-246.[22]PrusakA,MelnychukO,RothH,etal.PoseestimationandmapbuildingwithaTime-Of-Flightcameraforrobotnavigation[J].InternationalJournalofIntelligentSystemsTechnologiesandApplications,2008,5(3/4):355.[23]JohnS.Massa,GeraldS.Buller,AndrewC.Walker,etal.Time-of-flightopticalrangingsystembasedontime-correlatedsingle-photoncounting[J].AppliedOptics,1998,37(31):7298-304.[24]LindnerM,SchillerI,KolbA,etal.Time-of-Flightsensorcalibrationforaccuraterangesensing[J].ComputerVision&ImageUnderstanding,2010,114(12):1318-1328.[25]S.Chua,X.Wang,N.Guo,etal.Improvingthree-dimensional(3D)rangegatedreconstructionthroughtime-of-flight(TOF)imaginganalysis[J].JournaloftheEuropeanOpticalSocietyRapidPublications,2016(11):101-123.[26]HussmannS,LiepertT.RobotVisionSystembasedona3D-TOFCamera[C].Instrumentation&MeasurementTechnologyConference.IEEE,2007.[27]FalieD,BuzuloiuV.DistanceerrorscorrectionfortheTimeofFlight(ToF)cameras[C]//IEEEInternationalWorkshoponImagingSystems&Techniques.IEEE,2008,pp:123-126.[28]楊晶晶，馮文剛.連續(xù)調(diào)制TOF圖像誤差來(lái)源及降噪處理[J].合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,35(04):485-488.[29]SotoodehS,ZurichE,Hierarchicalclusteredoutlierdetectioninlaserscannerpointclouds[C].36thISPRS,2007.[30]CLARENZU,DROSKED,HENNS.Computationalmethodsfornonlinearimageregistration[C].MathematicalModelsforRegistrationandApplicationstoMedicalImagingMathematicsinIndustry,2006:81-101.[31]CHOUDHURYP,TUMBLINJ.Thetrilateralfilterforhighcontrastimagesandmeshes[C].EurographicsSymposiumonRendering,2003:186-196.[32]趙燦,湯春瑞,劉丹丹.基于表面波變換的散亂點(diǎn)云去噪方法[J].組合機(jī)床與自動(dòng)化加工技術(shù),2009(2):31-34.[33]CHENYH,NGCT,WANGYZ.Datareductioninintegratedreverseengineeringandrapidprototyping[J].InternationalJournalofComputerIntegratedManufacturing,1999,12(2):97-103[34]KakadiarisIA,TodericiG,EvangelopoulosG,etal.3D-2DFaceRecognitionwithPoseandIlluminationNormalization[J].ComputerVisionandImageUnderstanding,2016,154:137-151.[35]RabbaniT,HeuvelFAVD,VosselmanG.Segmentationofpointcloudsusingsmoothnessconstraint[C]//InternationalArchivesofPhotogrammetry,RemoteSensingandSpatialInformationSciences.2006.[36]FischlerMA,BollesRC.Randomsampleconsensus:aparadigmformodelfittingwithapplicationstoimageanalysisandautomatedcartography[J].CommunicationoftheACM，1981,24（60）：381-395.[37]李寶，程志全，黨崗，等.一種基于RANSAC的點(diǎn)云特征線提取算法[J]．計(jì)算機(jī)工程與科學(xué)，2013，35（02）：147-153.[38]LariZ,HabibA.Anadaptiveapproachforthesegmentationandextractionofplanarandlinear/cylindricalfeaturesfromlaserscanningdata[J].ISPRSJournalofPhotogrammetryandRemoteSensing,2014,93(11):192-212.[39]LigonJ,BeinD,LyP,etal.3Dpointcloudprocessingusingspinimagesforobjectdetection[C]//2018IEEE8thAnnualComputingandCommunicationWorkshopandConference(CCWC).IEEE,2018:731-736.[40]DengX,DaF,ShaoH.Efficient3DfacerecognitionusinglocalcovariancedescriptorandRiemanniankernelsparsecoding[J].Computers&ElectricalEngineering,2017,62:81-91.[41]GuoY,BennamounM,SohelF,LuM,WanJ.3Dobjectrecognitioninclutteredsceneswithlocalsurfacefeatures:asurvey[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2014,36(11):2270-2287.[42]JohnsonAE,HebertM.Usingspinimagesforefficientobjectrecognitionincluttered3Dscenes[J].IEEETransactiononPatternAnalysisandMachineIntelligence,1999,21(5):433-449.[43]FeldmarJ,AyacheN.Rigid,affineandlo