基于点云的喷漆机器人对汽车保险杠识别和位姿估计

摘要

深度摄像头的出现和日益完善，获取物体的三维信息变得方便和快速，点云作为物体三维信息的一种重要表达形式，以点云为背景的计算机视觉近年来得到了发展。在许许多多的领域，三维视觉有着平面信息无法取代的作用，将机器视觉的应用拓展到了新的领域。本文研究了以喷漆机器人对汽车保险杠的识别和位姿估计相关的问题，喷漆机器人对三维信息的依赖决定了三维视觉的必要性，点云的运用使得喷漆机器人自动完成对零件的识别成为可能，对于计算机视觉这个领域的进一步发展，也是有着重要的意义。
　　论文提出了三维点云的识别和位姿估计方案，包括点云处理和分割、点云识别、位姿估计三部分。首先决定了获取点云的设备选择，选择kinect作为机器人的视觉硬件，并且人工获取了各个保险杠的全视角的完成点云。针对实验各个阶段得到的三维点云，利用直通滤波和统计离群点滤波方法除去了比较明显的噪声点，然后通过进一步的稀疏滤波手段，获得了比较适合后序处理的点云密度，并且由于实验的需要，提出一种特征点区别滤波方法，对于Thrift特征点周围的点云保持比较高的密度，离特征点比较远的部分保留比较稀疏的点云，并设置了对比实验验证效果。对全视角点云进行模拟单视角采集，并计算这些单视角点云的视点特征直方图VFH(Viewpoint Feature Histogram)特征计算，利用这些数据训练主成分分析 SVM(Support Vector Machine)分类器。在识别和位姿估计阶段，对于滤波处理后的点云数据，选择基于最小欧式距离的聚类分割方法实现了对单视角情况下点云数据的分割，并对分割后的各个聚类进行提取视点特征直方图VFH，然后利用已经训练好的SVM分类器对这些VFH特征进行分类。利用建立kd-tree(k-demention)和BP(Back Propagation)神经网络识别两种手段进行了位姿估计并进行对比。其中，识别和位姿估计部分还分别设置了应用主成分分析PCA(Principal Component Analysis)降维和不降维两种方式的对比试验。
　　实验结果表明本论文设计的点云预处理、分割识别和位姿估计具有可行性，能够更快速的完成识别和位姿估计功能，有较大的探究价值。

目录

第一章 绪论

1.1 选题背景与意义

1.2国内外研究现状

1.3本文章内容和章节安排

第二章 汽车保险杠的识别与位姿估计方案架构

2.1研究方案设计

2.2三维点云采集方法简介

2.3 点云的预处理和分割

2.4点云特征的描述方式和识别分类

2.5本章小结

第三章 三维点云处理和分割

3.1三维点云预处理

3.2点云的聚类分割

3.3点云的特征点区分滤波

3.4本章小结

第四章 点云的特征描述

4.1 PFH特征描述子概念

4.2 VFH特征向量

4.3 VFH特征提取实验

4.4 主成成分分析法原理

4.5 主成分分析应用于VFH特征向量的原理分析

4.6 本章小结

第五章 点云的识别和位姿估计

5.1 SVM分类器应用

5.2 神经网络和位姿估计实验

5.3 ICP匹配过程验证

5.4本章小结

结论

参考文献

声明

致谢