一种工件表面轮廓的二维激光实时探测方法
【技术领域】
[0001] 本发明设及2D激光传感器，激光雷达传感器，信号处理，无向图聚类技术领域，特 别设及一种工件表面轮廓的二维激光实时探测方法。
【背景技术】
[0002] 对于工业机械臂，自主移动机器人，无人驾驶车辆等多个领域，环境感知都是其必 须具备的基本能力。通过模仿人类感知机制，不同的传感器被用于进行环境感知。其中激 光传感器因其具有测量精度高，实时性好等特点而被广泛的应用于各种系统中。工业机械 臂多使用2d激光传感器，而自主移动机器人和无人驾驶车辆则多使用多线激光雷达。利用 激光传感器对环境或目标进行扫描，获取环境或者目标的轮廓距离数据，根据特定的算法 从中提取出所需要的信息是环境感知的关键所在。通过对激光距离数据进行处理得到目标 的轮廓形状，从而对之后的信息融合，信息决策和装置控制提供依据。
[0003] 环境和目标轮廓形状多使用几何图元来描述，例如线段，圆弧和直角等。由于激光 传感器大多测量的是工业工件、室内环境或者室外人工环境，该些目标或者环境都具有结 构化的特点，所W该些图元可W从2d激光雷达扫描的数据中提取。大多数轮廓都是直线形 式的，所W线段是一类最常用于激光传感器数据形状测量的几何图元，相应的从2D激光雷 达扫描数据中提取线段的技术也被普遍使用并得到了深入的研究。
[0004] 目前，线段提取技术可W分为序惯方法和递归方法两类.序惯方法有PDBS(point distancebasedmethods)算法、SEF(successiveedgefollowing)算法和LT(line tracking)算法.递归方法有IEPF(iterativeendpointfit)算法和Split-Merge算 法.除此W外，还有不依赖于局部信息的HTOlou曲transform)方法.但W上方法都有着 自己无法避免缺点。PDBS算法直接利用激光雷达探测的距离信息提取线段。该算法在分割 线段时依据两相邻扫描点的直线距离。沈F算法对PDBS算法进行简化.该两种算法的缺点 是对相交线段的分割失效，且由于同一线段上的扫描点空间分布不均，使阔值选取困难。LT 算法依据第n+1个点到前n个点所拟合直线的距离分割线段，其对阔值敏感。IEPF算法包 括递归分割和递归合并两个过程。Split-Merge算法和IEPF算法类似，区别在于分割阶段 所采用的直线拟合方法不同。但该两种方法对阔值也比较敏感，容易引起过分割或过合并 问题。HT算法具有简单及好的抗噪性能，但由于没有利用数据点采集序列的顺序信息，计算 量大，且其采用投票的方式确定直线，提取的线段严重依赖于扫描点的空间密集程度。
[0005] 针对现有算法对阔值敏感，对数据噪声敏感，鲁椿性不强等特点，我们提出了自己 的基于2D激光传感器的轮廓形状测量算法，使用直线作为形状描述基元，对2D激光轮廓数 据进行线段提取，拟合目标轮廓并进行特定形状的检测。
【发明内容】
[0006] 为了解决上述现有技术上存在的问题，本发明的目的在于提供一种工件表面轮廓 的二维激光实时探测方法，解决了目前常用方法无法从激光数据中稳定并且鲁椿的提取直 线特征该一难题，并将该方法用于激光传感器轮廓数据的形状检测中，为后续数据处理，决 策和控制提供依据。
[0007] 为了达到W上目的，本发明采用如下技术方案：
[000引一种工件表面轮廓的二维激光实时探测方法，包括W下步骤：
[0009] 1)从2D激光传感器或者激光雷达中获取到一帖轮廓点数据，每个点用如下符号 表不：
[0010] R= {ti,…，rj;
[0011] 2)对获取的轮廓点数据做预处理，预处理包括零值轮廓点去除和重复轮廓点去 除；
[0012] 3)对预处理过后的轮廓点数据进行线段提取，得到轮廓点数据的线段拟合结果；
[0013] 4)对线段提取的结果进行类内点删除操作，去除错误分类的边缘点，保证整个点 集的直线拟合参数的正确性；
[0014] 5)轮廓形状检测，获得轮廓点数据线段提取的结果之后，把所要提取的目标形状 检测并定位出来。
[0015] 所述对预处理过后的轮廓点数据进行线段提取的方法，包括W下步骤：
[0016] (1)使用自适应阔值的迭代中断点拟合（IEPF，Iterative化d化intFit)算法对 轮廓点数据进行过分割，通过点集R的起点ri和终点r1确定直线以在该点集中捜索到该直 线L距离最大的点验证准则为若该点到该直线L的距离dj.大于设定的阔值t虹eshold， 则W该点为断点，将该点集分割为R'和R"两个点集，之后对每个分割点集执行相同的分 割过程，直到所有点集都满足验证准则；
[0017] 得到过分割之后的点集集合V:
[001 引V= {q。…，qj，Qk= {r。…，rj}，kGn
[0019] 其中，Qk为第k个过分割点集，r为该点集所包含的点；
[0020] 似建立无向图G= [V，e]，节点V为过分割之后的n个点集V=站，…，qj，无 向图的边e则表征两个节点之间的关系，分为主边和次边，定义e表征两个点集能进一步 融合的概率，其计算函数如下：
[0021]
【主权项】
1. 一种工件表面轮廓的二维激光实时探测方法，其特征在于，包括以下步骤： 1) 从2D激光传感器或者激光雷达中获取到一帧轮廓点数据，每个点用如下符号表示： R = Ir1,…，rj ; 2) 对获取的轮廓点数据做预处理，预处理包括零值轮廓点去除和重复轮廓点去除； 3) 对预处理过后的轮廓点数据进行线段提取，得到轮廓点数据的线段拟合结果； 4) 对线段提取的结果进行类内点删除操作，去除错误分类的边缘点，保证整个点集的 直线拟合参数的正确性； 5) 轮廓形状检测，获得轮廓点数据线段提取的结果之后，把所要提取的目标形状检测 并定位出来。
2. 根据权利要求1所述的一种工件表面轮廓的二维激光实时探测方法，其特征在于： 所述对预处理过后的轮廓点数据进行线段提取的方法，包括以下步骤： (1) 使用自适应阈值的迭代中断点拟合IEPF算法对轮廓点数据进行过分割，通过点集 R的起点A和终点r $角定直线L，在该点集中搜索到该直线L距离最大的点r」，验证准则 为若该点到该直线L的距离(1」大于设定的阈值threshold，则以该点为断点，将该点集分割 为R'和R"两个点集，之后对每个分割点集执行相同的分割过程，直到所有点集都满足验 证准则； 得到过分割之后的点集集合V : V = {q" …，qj，qk= Ir " …，k e η 其中qk为第k个过分割点集，r为该点集所包含的点； (2) 建立无向图G = [V，ε ]，节点V为过分割之后的η个点集V = Iq1,…，qn}，无向图 的边ε则表征两个节点之间的关系，分为主边和次边，定义ε表征两个点集能进一步融合 的概率，其计算函数如下：
其中Qi, Qj为任意两个节点，α，β，γ为常量； fr(qi，qj)为粗IEPF融合项：
其中length(q)为集所含轮廓点的长度，D 为qi集合远端点到IEPF拟合 直线的距离，Dmx为IEPF融合阈值，D "^为D ^id(Qi)和Dniid(q」）中较小的那个值； 4(?, Qj)为 kmeans 聚类项：
其中kmeans聚类集合S中的第i类，K(q D为qi集合直线拟合斜率，Kmean(Si)为 kmeans聚类后集合的斜率均值； fs Qi, qj为锯齿边缘项：
其中qJP q j为点集P的左右临近点集，lengthmin(qi，…，qn)为所有点集中的最短点集 的长度，k为该点集的平均斜率； fd(Qi，Qj)为点集距离项：
其中cqi，Cqj为点集q i，q」中距离最近的两个点的坐标； (3)创建分割无向图的能量函数，使分割无向图的能量函数最小化则得到过分割的点 集之间的融合关系； 首先定义一下主边和次边的概念，认为节点V = Iq1,…，qn}是有顺序的，当一条边表示 的Qj满足j = i+Ι时，则该边为主边，否则该边为次边；实际上就是紧挨的点集组成的 边即为主边； 在构造能量函数之前要先对无向图做几步预处理： 1) 在主边中，找到极大值的边作为生长种子边： Seed={ci|sign(Fmain(ci)' )' =-2}，（^ε ε 2) 在主边中，找到函数值小于0. 375的边作为截断边，作为种子边生长的最大范围： Break = {Cj|Fmain(Cj)〈0. 375}，CjG ε 所有点集被截断边分为N类，故能量函数设为：
其中M为融合之后得到的集合的数量，mk为融合乙后第k类中包含的点集数目，m k-l则 为第k类包含的主边数目，j-i衡量的是次边的权重程度。
3. 根据权利要求2所述的一种工件表面轮廓的二维激光实时探测方法，其特征在于： 所述自适应阈值的IEPF算法，使用了自适应的判定阈值，阈值的自适应计算公式为：
其中A, rj为轮廓数据第i个点到第j个点，H为整个轮廓数据长度，length (r ^rj)为 巧，1^两点之间距离，λ为阈值步进长度。
4. 根据权利要求2所述的一种工件表面轮廓的二维激光实时探测方法，其特征在于： 所述使无向图的能量函数最小化的计算方法，包括以下步骤： 1) 从种子边进行生长，分为前向生长和后向生长，每次把无向图中的一个新的点和跟 该节点连接的边加进当前类； 2) 计算加进该节点之后的能量函数内部项：
当①能量函数内部项变小 ②遇到截断边 两者发生其一时，则该种子边停止生长； 3)设定停止生长的地方为新的截断边，更新截断边Break，并更新种子边Seed，返回到 步骤1)，直到所有的节点都分类结束。
5.根据权利要求1所述的一种工件表面轮廓的二维激光实时探测方法，其特征在于： 所述轮廓形状检测，进行如下操作，把所要提取的目标形状检测并定位出来： 1) 对类内点数据进行直线拟合，使用最小二乘法直线拟合方法，得到拟合直线方程，方 程参数为斜率h和常数b i; 2) 把包含点数大于5的直线筛选出来，初步筛选出有意义的线段； 3) 根据形状检测任务设定检测先验及形状检测模板； 由于检测数据为固定位置和角度的多段线段，所以把形状检测模板设置为"直线和直 线之间角度"；如果检测目标形状是固定折角形状，则形状检测模板则为两条直线，并且直 线交角为固定角度；如果检测目标形状为固定梯形形状，则形状检测模板为三条直线，两相 邻直线为固定夹角；如果检测目标形状为w或M形，则形状检测模板为四条直线，两相邻直 线为固定角度； 4) 根据形状检测模板进行匹配和筛选，对满足角度条件的线段对保留，从中按照形状 检测模板直线数量和组合进行进一步筛选，最终在符合条件的结果中筛选最适合的结果。
【专利摘要】本发明提供了一种工件表面轮廓的二维激光实时探测方法，针对2D激光传感器获取到的环境或目标物体的轮廓点数据，首先使用自适应阈值的IEPF算法对轮廓点数据进行过分割；然后构造无向图，过分割的点集数据作为无向图节点，过分割点集融合的概率作为无向图的边，并计算融合概率值；之后构造分割无向图的能量函数并提出能量函数最小化解法，获得过分割点集的融合结果，即点数据的线段拟合结果；最后使用先验知识和形状模板对线段拟合结果进行计算，得到形状检测结果；该方法克服了传统算法对阈值敏感，对数据噪声敏感和鲁棒性不强的缺点，可用于工业机器臂的特定形状工件的检测，自主运动机器人的场景理解，无人驾驶车辆的环境认知等热点问题。
【IPC分类】G01B11-24
【公开号】CN104880160
【申请号】CN201510278480
【发明人】刘跃虎, 李辛昭, 崔志超, 翟少卓, 苏远歧
【申请人】西安交通大学
【公开日】2015年9月2日
【申请日】2015年5月27日