一种基于物体深度数据的物体识别算法及装置的制造方法
【专利摘要】本发明涉及立体物体识别算法，尤其是一种基于物体深度数据的物体识别算法及装置。本发明针对现有技术存在的问题，提供一种物体识别算法及装置，特别是能够运用平移、缩放因子不同的物体三维深度数据，实现物体并行快速识别的算法。本发明中首先建立世界坐标系，并使用等距平行线扫描，将各扫描线投影在至世界坐标系中，在投影平面内，通过刚性平移拼接各扫描线，分获取模板及目标物深度数据，建立模板特征线I及目标特征线IO；然后根据模板特征线以及目标特征线进行特征线向量提取，并分别计算模板特征线I和目标特征线IO的各子线段相似度；最后将相似度大于设定阈值θ，并且具有最大相似度的子线段作为匹配结果；否则匹配失败，视为目标物与模板不同。
【专利说明】
一种基于物体深度数据的物体识别算法及装置
技术领域
[0001] 本发明涉及立体物体识别算法，尤其是一种基于物体深度数据的物体识别算法及 装置。
【背景技术】
[0002] 物体识别技术是计算机视觉的一项基础研究，同时也是一个核心部分，在工业、军 事、医疗、等领域皆有应用。例如，谷歌公司已经在测试配备3D物体识别功能的智能设备。其 通过深度传感器获得周围场景的立体影像，并能够在设备屏幕上显示出3D的立体重建场 景，用户可以一边看着设备一边轻松找到希望购买的商品。在商业用途方面，预计能够在物 流中心显示整理分类商品的位置，从而提高作业效率。芯片制造商高通正开发用于机器人 搭载平台的立体图像识别芯片，重点针对无人机应用领域。此外，亚马逊、NEC等公司也在商 品销售和物流、犯罪行为预防等领域，大量应用立体识别技术。
[0003] 物体的识别技术目前主要分为以下3种:基于图像像素的识别算法、基于变换域的 识别算法和基于图像特征的识别匹配算法。其中图像像素法最具有代表性的是基于像素灰 度的识别方法，一般是将两幅图像间的灰度值进行对比，用一些指标来表征灰度信息间的 差异。但该方法仅适用于大小、形状和角度相差不大的图像间匹配识别。但实际情况中，作 为基准图像和检测图像的2幅图由不同的传感器获取，存在分辨率、尺度等差异，导致难以 应用此算法进行识别。
[0004] 基于变换域的识别匹配算法主要为频域变换域算法，其能解决旋转和缩放问题， 但适应性仍不强，对图像变形敏感，在缩放超过2倍，平移超过图像1 /3长度时噪声引入明 显，会严重影响识别匹配。
[0005] 基于图像特征的匹配是利用提取的特征点或线或区域来表征图像。常用角点、边 缘信息作为特征匹配。目前比较具有代表性的是SIFT算法。其选用的特征对旋转、缩放、亮 度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性，但该算法牺牲 存储空间和计算时间换来特征点的独特性与匹配精度，而且提取的部分特征点并不具有直 观的视觉意义。
[0006] 此外，以上的匹配算法都是基于二维图像数据，无法直接应用于三维深度数据的 匹配。
【发明内容】
[0007] 本发明所要解决的技术问题是:针对现有技术存在的问题，提供一种基于物体深 度数据的物体识别算法及装置，特别是能够运用平移、缩放因子不同的物体三维深度数据， 也能实现物体并行快速识别的算法。
[0008] 本发明采用的技术方案如下：
[0009] -种基于物体深度数据的物体识别算法包括：
[0010] 步骤1:建立世界坐标系，并使用等距平行线扫描方式，将各扫描线投影在至世界 坐标系中，在投影平面内，通过刚性平移拼接各扫描线，将三维空间坐标数据转换为二维空 间坐标数据，获取模板及目标物深度二维空间坐标数据，建立模板特征线I及目标特征线 Io;
[0011] 步骤2:根据模板特征线以及目标特征线提取其归一弧长参数为kn，并获得一组归 一化弧长参数kn对应的特征点列In '，将各特征点处的形状特征按照归一弧长参数kn升序或 降序排列，形成模板特征线和目标物特征向量；
[0012] 步骤3:计算目标特征线Io的各子线段相似度的特征向量，并计算模板物特征向量 和目标特征线Io的子线段特征向量差的范数，拥有判断目标物与模板是否匹配。
[0013]进一步的，所述步骤1包括：
[0014]步骤11:目标物放置平面上任意确定过点p的一条直线lx，其与扫描方向垂直;点p 任意选取，并作为投影坐标系的原点;过点P，唯一确定一条与扫描方向平行的直线ly，并且 Iy垂直于Ix;过点P可唯一确定一条同时垂直于Ix和Iy的直线Iz;根据世界坐标系，任意在 lx、ly、lz直线上确定正方向，完成投影坐标系的建立；即如果世界坐标系为右/左手坐标 系，则新建的投影坐标系也必须为右/左手坐标系；并且可用一已知的平移向量T和旋转矩 阵R，表示该投影坐标系；
[0015]步骤12的方法为，设目标物扫描线1"上的任意点空间坐标为(x，y，z)，则其在投影 坐标系中的坐标为：
[0016]
[0017] 并且，根据投影坐标系的建立特点可知，In上的所有点的投影坐标具有相同的z'， 因此直接忽略z'值，仅用（x'y'）描述目标扫描线上的点坐标，完成目标物三维空间坐标向 二维空间坐标的转化；
[0018] 步骤13:设目标物扫描线In上尾点的投影坐标为[Xnm'ynm']，目标物扫描线l n+1上的 起点投影坐标为[X(n+OQ'y(n+OQ' ]，则构建平移向量t为：
[0019]
[0020] 设ln+1上任意点的投影坐标为p，则将p+t作为拼接后作为目标物的点坐标，并在 平面上形成一条二维空间中的连续曲线；
[0021] 步骤14:重复步骤11到步骤13得到目标特征线I0;
[0022] 步骤15:重复步骤11到步骤14,根据模板相关数据得到模板特征线I。
[0023] 进一步的，所述步骤2中目标特征线根据特征向量提取算法计算其特征线向量提 取具体包括：
[0024] 步骤21:目标物特征线Io用一组有序离散点进行描述，每相邻两点用直线连接;则 目标物特征线Io= {pi，P2，….Pm}上，点Pm处的弧长为：
[0025]
[0026] 其中I piPi+11为两点间直线段的长度，Ne【I，m】，则曲线全弧长L可以由下式计算 出：
[0027] L = L(pm)
[0028]对于归一化弧长参数为1^的点，其弧长Ln = kn · L;则在目标物特征线Io的点列中 找到点P1，并且满足以下关系：
[0029] L(pi)^Ln<L(pi+i)
[0030] 则直线段plPl+1上，以点P1为起点，弧长为L n-Up1)处的点，即为归一弧长参数1^对 应的点；
[0031] 步骤22:重复步骤21，取目标物特征线Io上归一弧长参数为kn，n=l，2,3···.的一系 列点，则在目标特征曲线上选取同样的归一弧长参数点，按照上述方法插值获得一组归一 化弧长参数k n对应的特征点列In' ；
[0032] 步骤23:在In'中每个特征点处，选取其两边相邻的N个邻域点，共2N+1个点，以最 小二乘法拟合圆；其半径即为此点处的曲率半径Rn;根据拟合圆的圆心位置，确定其半径符 号;其中N为自然数；
[0033] 步骤24:由步骤21到步骤23可知，目标物特征线Io特征点处的形状特征，可用其归 一弧长参数kn和曲率半径进行描述，记为fn=[kn，Rn];将各特征点处的形状特征按照归一 弧长参数kn升序或降序排列，形成目标物特征向量F，其中F= [f I，f 2，f3…fn];
[0034] 步骤15:重复步骤11到步骤14，建立模板特征向量。
[0035] 进一步的，所述步骤3目标特征线Io的各子线段相似度具体过程：
[0036]步骤31:根据模板特征向量F获取曲率值丰度最小分组B;
[0037] 步骤32:按照所述特征向量的曲率计算方法，计算目标特征线上各采样点处的曲 率;并标识出所有曲率位于区间B中的点P，其中P= {pi，P2，….ps}; s为自然数；
[0038] 步骤33 :在目标特征线上，生成所有包含P集合内点的子特征线段;根据实际情 况，增加子特征线段长度约束，即子特征线段大于等于指定的长度；
[0039] 步骤34:在所有目标特征线的子特征线段上，根据所述特征向量计算目标特征线 的子特征线段对应的特征向量，并且通过插值技术，使目标特征线的子特征线段中所有归 一弧长参数与模板物特征向量中的弧长参数--对应；
[0040] 步骤35:计算模板物特征向量和目标特征线Io的子线段特征向量差的范数;若形 状指标完全一样，则范数等于〇，表示具有最大的相似度，即相等;范数越大，则表示相似度 越小；
[0041] 步骤36:如果步骤35中计算出的范数小于事先设定的阈值，则对应目标特征线的 子特征线段为一个可能的匹配结果，此时与模板具有最大相似度，即具有最小范数子线段 对应的目标物与模板匹配;否则，目标物体与模板不匹配。
[0042] -种基于物体深度数据的物体识别装置包括：
[0043]特征线建立模块，用于建立世界坐标系，并使用等距平行线扫描方式，将各扫描线 投影在至世界坐标系中，在投影平面内，通过刚性平移拼接各扫描线，将三维空间坐标数据 转换为二维空间坐标数据，获取模板及目标物深度二维空间坐标数据，建立模板特征线I及 目标特征线I 0;
[0044]特征向量建立模块，用于根据模板特征线以及目标特征线提取其归一弧长参数为 kn，并获得一组归一化弧长参数1^对应的特征点列In'，将各特征点处的形状特征按照归一 弧长参数kn升序或降序排列，形成模板特征线和目标物特征向量；
[0045] 匹配模块，用于计算目标特征线IO的各子线段相似度的特征向量，并计算模板物 特征向量和目标特征线IO的子线段特征向量差的范数，拥有判断目标物与模板是否匹配。
[0046] 进一步的，所述特征线建立模块处理过程具体包括：
[0047] 步骤11:目标物放置平面上任意确定过点p的一条直线lx，其与扫描方向垂直;点p 任意选取，并作为投影坐标系的原点;过点P，唯一确定一条与扫描方向平行的直线ly，并且 Iy垂直于Ix;过点P可唯一确定一条同时垂直于Ix和Iy的直线Iz;根据世界坐标系，任意在 lx、ly、lz直线上确定正方向，完成投影坐标系的建立；即如果世界坐标系为右/左手坐标 系，则新建的投影坐标系也必须为右/左手坐标系；并且可用一已知的平移向量T和旋转矩 阵R，表示该投影坐标系；
[0048]步骤12的方法为，设目标物扫描线1"上的任意点空间坐标为(x，y，z)，则其在投影 坐标系中的坐标为：
[0049]
[0050] 并且，根据投影坐标系的建立特点可知，In上的所有点的投影坐标具有相同的z'， 因此直接忽略z'值，仅用（x'y'）描述目标扫描线上的点坐标，完成目标物三维空间坐标向 二维空间坐标的转化；
[0051 ]步骤13:设目标物扫描线In上尾点的投影坐标为[Xnm' ynm' ]，目标物扫描线ln+1上 的起点投影坐标为[χ(η+υ0'γ(η+υ0' ]，则构建平移向量t为：
[0052]
[0053]设ln+1上任意点的投影坐标为p，则将p+t作为拼接后作为目标物的点坐标，并在 平面上形成一条二维空间中的连续曲线；
[0054] 步骤14:重复步骤11到步骤13得到目标特征线I0;
[0055] 步骤15:重复步骤11到步骤14,根据模板相关数据得到模板特征线I [0056]进一步的，所述特征向量建立模块处理数据具体过程是：
[0057]步骤21:目标物特征线Io用一组有序离散点进行描述，每相邻两点用直线连接;则 目标物特征线Io= {pi，P2，….Pm}上，点Pm处的弧长为：
[0058]
[0059]其中|piPi+1|为两点间直线段的长度，Ne【l，m】，则曲线全弧长L可以由下式计算 出：
[0060] L = L(Pm)
[00611对于归一化弧长参数为1^的点，其弧*Ln = kn · L;则在目标物特征线Io的点列中 找到点P1，并且满足以下关系：
[0062] L(pi)^Ln<L(pi+i)
[0063] 则直线段plPl+1上，以点Pl为起点，弧长为L n-Up1)处的点，即为归一弧长参数1^对 应的点；
[0064] 步骤22:重复步骤21，取目标物特征线Io上归一弧长参数为kn，n=l，2,3···.的一系 列点，则在目标特征曲线上选取同样的归一弧长参数点，按照上述方法插值获得一组归一 化弧长参数k n对应的特征点列In' ；
[0065] 步骤23:在In'中每个特征点处，选取其两边相邻的N个邻域点，共2N+1个点，以最 小二乘法拟合圆；其半径即为此点处的曲率半径Rn;根据拟合圆的圆心位置，确定其半径符 号;其中N为自然数；
[0066] 步骤24:由步骤21到步骤23可知，目标物特征线Io特征点处的形状特征，可用其归 一弧长参数kn和曲率半径进行描述，记为fn=[kn，Rn];将各特征点处的形状特征按照归一 弧长参数kn升序或降序排列，形成目标物特征向量F，其中F= [f I，f 2，f3…fn];
[0067]步骤15:重复步骤11到步骤14，建立模板特征向量。
[0068]进一步的，所述匹配模块处理数据过程具体包括：
[0069]步骤31:根据模板特征向量F获取曲率值丰度最小分组B;
[0070] 步骤32:按照所述特征向量的曲率计算方法，计算目标特征线上各采样点处的曲 率;并标识出所有曲率位于区间B中的点P，其中P= {pi，P2，….ps}; s为自然数；
[0071] 步骤33:在目标特征线上，生成所有包含P集合内点的子特征线段;根据实际情况， 增加子特征线段长度约束，即子特征线段大于等于指定的长度；
[0072] 步骤34:在所有目标特征线的子特征线段上，根据所述特征向量计算目标特征线 的子特征线段对应的特征向量，并且通过插值技术，使目标特征线的子特征线段中所有归 一弧长参数与模板物特征向量中的弧长参数--对应；
[0073] 步骤35:计算模板物特征向量和目标特征线Io的子线段特征向量差的范数;若形 状指标完全一样，则范数等于〇，表示具有最大的相似度，即相等；范数越大，则表示相似度 越小；
[0074]步骤36:如果步骤35中计算出的范数小于事先设定的阈值，则对应目标特征线的 子特征线段为一个可能的匹配结果，此时与模板具有最大相似度，即具有最小范数子线段 对应的目标物与模板匹配;否则，目标物体与模板不匹配。
[0075]综上所述，由于采用了上述技术方案，本发明的有益效果是：
[0076] 1.通过等间距平行线深度扫描方式，将物体三维空间特征表征为一组二维空间的 特征曲线;并通过有序组合各扫面线数据，最终将三维空间特征表征为平面上一条特征曲 线，将三维空间中的匹配转化为平面曲线匹配问题，有效降低了计算复杂度。
[0077] 2.把归一化弧长参数、N邻域拟合曲率这2个指标用于描述特征，实现了该算法不 受模板物体与目标物体间尺度差异、扫描姿态差异，有效简化了模板特征描述工作。
[0078] 3.采用有序点列定义特征线，使得能产生有限个子线段，进而使得本算法不仅能 够进行整体匹配，也能够实现特征线的局部匹配，使该算法不受扫描起始位置的影响，具有 了实用性。
[0079] 4.该算法无需使用等弧长的有序点列，因此能够根据曲线曲率情况优化离散点的 选取，在保证离散后曲线质量的情况下，减少有序点列中点的数量，进而减少子曲线段的数 量，提高匹配速度。
[0080] 5 .通过对特征点处的曲率进行分布统计，选取最小丰度曲率点作为潜在的匹配 点，有效降低了搜索复杂度。
[0081 ] 6.该算法无需使用等弧长的有序点列，因此能够根据曲线曲率情况优化离散点的 选取，通过减少有序点列中点的数量，减少子曲线段的数量，降低算法的时间复制度，并且 对匹配质量不产生较大的负面影响。
【附图说明】
[0082]本发明将通过例子并参照附图的方式说明，其中：
[0083] 图1本发明示意图。
【具体实施方式】
[0084] 本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥 的特征和/或步骤以外，均可以以任何方式组合。
[0085] 本说明书中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的 替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子 而已。
[0086]本发明相关说明：
[0087] 1.确定其半径符号；如拟合圆心位于特征点切线左侧(面向箭头方向），则定义为 正;否则定义为负号。在本专利中，点η的曲率半径记为Rn;
[0088] 2.本算法中，将需要匹配识别的物体，称为模板;匹配，就是任意给定一个物体，判 断其全部或局部形状是否与模板一致或相似。这个给定的物体，在本算法中称为目标物。
[0089] 3、在本算法中，模板和目标物可以具有不同的尺度（即大小不同），获取的深度数 据可以存在同方向上的平移差异。
[0090] 算法主要步骤为：
[0091] 1.建立世界坐标系，使用等距平行线扫描方式，将各扫描线投影在至世界坐标系 中，在投影平面内，通过刚性平移拼接各目标扫描线，将三维空间坐标目标扫面线数据转换 为二维空间坐标目标扫面线数据，获取目标物深度二维空间坐标数据，建立目标特征线I; [0092] 2.以同样的方式，获取模块物深度数据，并建立模板特征线II;
[0093] 3.根据模板特征线以及目标特征线提取其归一弧长参数为kn，并获得一组归一 化弧长参数kn对应的特征点列In '，将各特征点处的形状特征按照归一弧长参数kn升序或降 序排列，形成模板特征线和目标物特征向量；
[0094] 4.计算目标特征线Io的各子线段相似度的特征向量，并计算模板物特征向量和目 标特征线Io的子线段特征向量差的范数，拥有判断目标物与模板是否匹配。
[0095]其中步骤1、2中的等距线扫描及深度数据建模方法为：
[0096] 1、如图1所示，按照扫描方向，以等间距平行线扫描方式，获得每条扫描线上点的 空间坐标[x，y，z]，并依次形成扫描线ln(n=l、2、3···)。其中每条扫描线能够用其线上的有 序点列进行描述，如In扫描线的有序点列描述为In= {ρηΟ,ρηΙiupnml。对于每条扫描线，以 相同的方式定义其起点和点，并将其起点记为pnO，线尾点记为pnm。
[0097] 2、步骤1、2中的物体特征线建模为:将物体的扫描线集11、12、13在平面上首尾相 接（因使用平行线扫描方式，每条扫描线上的点皆位于一个平面上），即如按照上图所示，11 扫描线的尾点Plm与12扫描线的起点p20相连，并在平面上形成一条二维空间中的连续曲 线，作为此物体的特征线。对于模板物体，其特征线记为I，目标物体的特征线记为1〇。
[0098] 3、特征线仍然可以用一组有序点列进行描述，以上图所示为例，其有序点列描述 可为1' = {111'，11=1，2,3}，其中111'与111具有相同的形状(即仅经过有限次刚性坐标变换）， 但其上每个点仅为二维空间中的坐标[X，y ]。由此，就将一个物体三维空间内的特征信息转 化为二维空间中的特征。
[0099] 步骤3中，特征线相似度计算过程中，还使用到特征线特征向量提取方法。具体为： [0100]弧长归一化。即给定一曲线段，其总弧长记为L，则曲线上任意一点仅需使用1个弧 长参数即可唯一确定。如点 Pn处的弧长为
[0101]
[0102] (L(pnKL)，则用kn = Ln/L作为此点的归一化弧长参数。
[0103] 根据归一化弧长参数，确定系列特征点。即选取多个弧长参数为kn的系列点，1^取 值范围为[0，1]。
[0104] 计算特征点处的曲率半径。在每个特征点处，选取其N邻域点（以特征点为中心，其 两边相邻的N个点，共2N+1个点，N为自然数，人为指定）以最小二乘法拟合圆，其半径即为此 点处的曲率半径;根据拟合圆的圆心位置，确定其半径符号。
[0105] 如拟合圆心位于特征点切线左侧(面向箭头方向），则定义为正;否则定义为负号。 在本专利中，点η的曲率半径记为Rn(含符号）。
[0106] 形成特征向量。由步骤1-3可知，特征点处的形状特征，可用其归一弧长参数和曲 率半径(或曲率，即为半径的倒数)进行描述，记为fn=[kn，Rn];将各特征点处的形状特征 按照归一化弧长参数kn升序或降序排列，形成特征向量，记为F=[fl，f2，f3-_fn]。
[0107] 步骤3中的特征线相似度算法为：
[0108] 利用上文提出的特征向量提取算法，提取模板特征线特征向量F;
[0109 ]统计F中曲率分布，获取曲率值丰度最小分组(区间)B;
[0110]按照上文特征向量提取算法中的曲率计算方法，计算目标特征线上各采样点处的 曲率;并标识出所有曲率位于区间B中的点，记为P= {pi，P2,….ps};
[0111] 在目标特征线上，生成所有包含P集合内点的子特征线段。可以根据实际情况，增 加子特征线段长度约束，即子特征线段还需大于等于指定的长度；
[0112] 在所有子特征线段上，应用上文提出的特征向量提取算法计算其特征向量，并且 通过插值技术，使其特征向量中所有归一弧长参数与F中的弧长参数--对应；
[0113]计算模板特征向量F和目标特征线IO的子线段特征向量差的范数(范数为一个大 于等于〇的数，可直观理解为两个向量或矩阵间的差异程度）。如形状指标完全一样，则范数 等于0，表示具有最大的相似度，即相等;范数越大，则表示相似度越小。
[0114]范数为一个大于等于0的数，可直观理解为两个向量或矩阵间的差异程度）。如形 状指标完全一样，则范数等于〇，表示具有最大的相似度，即相等;范数越大，则表示相似度 越小。
[0115] 范数可以任意选取，如m、l、2范数。一般情况下，在保证效果的前提下，为减小计 算量，可以采用2范数的平方，其意义不变。
[0116] 如果步骤6中计算出的范数小于事先设定的阈值，则认为对应目标特征线的子特 征线段为一个可能的匹配结果，此时与模板具有最大相似度，即具有最小范数子线段对应 的目标物与模板匹配;否则，目标物体与模板不匹配。
[0117] 本发明并不局限于前述的【具体实施方式】。本发明扩展到任何在本说明书中披露的 新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。
【主权项】
1. 一种基于物体深度数据的物体识别算法，其特征在于包括： 步骤1:建立世界坐标系，并使用等距平行线扫描方式，将各扫描线投影在至世界坐标 系中，在投影平面内，通过刚性平移拼接各扫描线，将三维空间坐标数据转换为二维空间坐 标数据，获取模板及目标物深度二维空间坐标数据，建立模板特征线I及目标特征线1〇; 步骤2:根据模板特征线以及目标特征线提取其归一弧长参数为kn，并获得一组归一化 弧长参数kn对应的特征点列In'，将各特征点处的形状特征按照归一弧长参数kn升序或降序 排列，形成模板特征线和目标物特征向量； 步骤3:计算目标特征线1〇的各子线段相似度的特征向量，并计算模板物特征向量和目 标特征线1〇的子线段特征向量差的范数，拥有判断目标物与模板是否匹配。2. 根据权利要求1所述的一种基于物体深度数据的物体识别算法，其特征在于所述步 骤1包括： 步骤11:目标物放置平面上任意确定过点p的一条直线lx，其与扫描方向垂直;点p任意 选取，并作为投影坐标系的原点;过点P，唯一确定一条与扫描方向平行的直线ly，并且ly垂 直于1χ;过点P可唯一确定一条同时垂直于1χ和ly的直线lz;根据世界坐标系，任意在lx、 ly、lz直线上确定正方向，完成投影坐标系的建立；即如果世界坐标系为右/左手坐标系，则 新建的投影坐标系也必须为右/左手坐标系;并且可用一已知的平移向量T和旋转矩阵R，表 示该投影坐标系； 步骤12的方法为，设目标物扫描线1"上的任意点空间坐标为(x，y，z)，则其在投影坐标 系中的坐标为：并且，根据投影坐标系的建立特点可知，In上的所有点的投影坐标具有相同的Z'，因此 直接忽略Z'值，仅用(X'y'）描述目标扫描线上的点坐标，完成目标物三维空间坐标向二维 空间坐标的转化； 步骤13:设目标物扫描线ln上尾点的投影坐标为[Xnm'ynm']，目标物扫描线l n+1上的起点 投影坐标为[XCn+DQ'yCn+DQ' ]，贝IJ构建平移向量t为：设ln+1上任意点的投影坐标为p，则将p+t作为拼接后作为目标物的点坐标，并在平面 上形成一条二维空间中的连续曲线； 步骤14:重复步骤11到步骤13得到目标特征线1〇; 步骤15:重复步骤11到步骤14,根据模板相关数据得到模板特征线I。3. 根据权利要求1所述的一种基于物体深度数据的物体识别算法，其特征在于所述步 骤2中目标特征线根据特征向量提取算法计算其特征线向量提取具体包括： 步骤21:目标物特征线1〇用一组有序离散点进行描述，每相邻两点用直线连接;则目标 物特征线I〇= {pi，P2，··· .Pm}上，点Pm处的弧长为： 其中|ρφ1+1|为两点间直线段的长度，Ne【l，m】，则曲线全弧长L可以由下式计算出：L - L ( pm) 对于归一化弧长参数为kn的点，其弧长Ln = kn · L;则在目标物特征线IQ的点列中找到点 ，并且满足以下关系： L(piXLn<L(pi+l) 则直线段Ρφ1+1上，以点为起点，弧长为Ln-L(Pl)处的点，即为归一弧长参数k n对应的 占. 步骤22:重复步骤21，取目标物特征线Ιο上归一弧长参数为kn，n=l，2,3···.的一系列 点，则在目标特征曲线上选取同样的归一弧长参数点，按照上述方法插值获得一组归一化 弧长参数kn对应的特征点列In' ； 步骤23:在In'中每个特征点处，选取其两边相邻的N个邻域点，共2N+1个点，以最小二 乘法拟合圆；其半径即为此点处的曲率半径Rn;根据拟合圆的圆心位置，确定其半径符号； 其中N为自然数； 步骤24:由步骤21到步骤23可知，目标物特征线I〇特征点处的形状特征，可用其归一弧 长参数kn和曲率半径进行描述，记为fn=[kn，Rn];将各特征点处的形状特征按照归一弧长 参数kn升序或降序排列，形成目标物特征向量F，其中F= [f 1，f2，f3…fn]; 步骤15:重复步骤11到步骤14，建立模板特征向量。4. 根据权利要求1所述的一种基于物体深度数据的物体识别算法，其特征在于所述步 骤3目标特征线1〇的各子线段相似度具体过程： 步骤31:根据模板特征向量F获取曲率值丰度最小分组B; 步骤32:按照所述特征向量的曲率计算方法，计算目标特征线上各采样点处的曲率;并 标识出所有曲率位于区间B中的点P，其中P = {p i，p 2，….p s}; s为自然数； 步骤33:在目标特征线上，生成所有包含P集合内点的子特征线段;根据实际情况，增加 子特征线段长度约束，即子特征线段大于等于指定的长度； 步骤34:在所有目标特征线的子特征线段上，根据所述特征向量计算目标特征线的子 特征线段对应的特征向量，并且通过插值技术，使目标特征线的子特征线段中所有归一弧 长参数与模板物特征向量中的弧长参数一一对应； 步骤35:计算模板物特征向量和目标特征线1〇的子线段特征向量差的范数;若形状指标 完全一样，则范数等于0，表示具有最大的相似度，即相等;范数越大，则表示相似度越小； 步骤36:如果步骤35中计算出的范数小于事先设定的阈值，则对应目标特征线的子特 征线段为一个可能的匹配结果，此时与模板具有最大相似度，即具有最小范数子线段对应 的目标物与模板匹配;否则，目标物体与模板不匹配。5. -种基于物体深度数据的物体识别，其特征在于包括： 特征线建立模块，用于建立世界坐标系，并使用等距平行线扫描方式，将各扫描线投 影在至世界坐标系中，在投影平面内，通过刚性平移拼接各扫描线，将三维空间坐标数据转 换为二维空间坐标数据，获取模板及目标物深度二维空间坐标数据，建立模板特征线I及目 标特征线Ιο; 特征向量建立模块，用于根据模板特征线以及目标特征线提取其归一弧长参数为kn，并 获得一组归一化弧长参数1^对应的特征点列In'，将各特征点处的形状特征按照归一弧长 参数kn升序或降序排列，形成模板特征线和目标物特征向量； 匹配模块，用于计算目标特征线10的各子线段相似度的特征向量，并计算模板物特征 向量和目标特征线10的子线段特征向量差的范数，拥有判断目标物与模板是否匹配。6. 根据权利要求5所述的一种基于物体深度数据的物体识别，其特征在于所述特征线 建立模块处理过程具体包括： 步骤11:目标物放置平面上任意确定过点p的一条直线lx，其与扫描方向垂直;点p任意 选取，并作为投影坐标系的原点;过点P，唯一确定一条与扫描方向平行的直线ly，并且ly垂 直于1χ;过点P可唯一确定一条同时垂直于1χ和ly的直线lz;根据世界坐标系，任意在lx、 ly、lz直线上确定正方向，完成投影坐标系的建立；即如果世界坐标系为右/左手坐标系，则 新建的投影坐标系也必须为右/左手坐标系;并且可用一已知的平移向量T和旋转矩阵R，表 示该投影坐标系； 步骤12的方法为，设目标物扫描线1"上的任意点空间坐标为(x，y，z)，则其在投影坐标 系中的坐标为：并且，根据投影坐标系的建立特点可知，In上的所有点的投影坐标具有相同的z'，因此 直接忽略z'值，仅用(x'y'）描述目标扫描线上的点坐标，完成目标物三维空间坐标向二维 空间坐标的转化； 步骤13:设目标物扫描线In上尾点的投影坐标为[Xnm'ynm']，目标物扫描线l n+1上的起 点投影坐标为[X(n+l：K)'y(：n+l：K)' ]，贝构建平移向量t为：设ln+1上任意点的投影坐标为p，则将p+t作为拼接后作为目标物的点坐标，并在平面 上形成一条二维空间中的连续曲线； 步骤14:重复步骤11到步骤13得到目标特征线1〇; 步骤15:重复步骤11到步骤14,根据模板相关数据得到模板特征线I。7. 根据权利要求5所述的一种基于物体深度数据的物体识别，其特征在于所述特征向 量建立模块处理数据具体过程是： 步骤21:目标物特征线1〇用一组有序离散点进行描述，每相邻两点用直线连接;则目标 物特征线I〇= {pi，P2，··· .Pm}上，点Pm处的弧长为：其中|ρφ1+1|为两点间直线段的长度，Ne【l，m】，则曲线全弧长L可以由下式计算出： L - L ( pm) 对于归一化弧长参数为kn的点，其弧长Ln = kn · L;则在目标物特征线IQ的点列中找到点 ，并且满足以下关系： L(piXLn<L(pi+l) 则直线段Ρφ1+1上，以点为起点，弧长为Ln-L(Pl)处的点，即为归一弧长参数k n对应的 占. 步骤22:重复步骤21，取目标物特征线Ιο上归一弧长参数为kn，n=l，2,3···.的一系列 点，则在目标特征曲线上选取同样的归一弧长参数点，按照上述方法插值获得一组归一化 弧长参数kn对应的特征点列In' ； 步骤23:在In'中每个特征点处，选取其两边相邻的N个邻域点，共2N+1个点，以最小二 乘法拟合圆；其半径即为此点处的曲率半径Rn;根据拟合圆的圆心位置，确定其半径符号； 其中N为自然数； 步骤24:由步骤21到步骤23可知，目标物特征线I〇特征点处的形状特征，可用其归一弧 长参数kn和曲率半径进行描述，记为fn=[kn，Rn];将各特征点处的形状特征按照归一弧长 参数kn升序或降序排列，形成目标物特征向量F，其中F= [f 1，f2，f3…fn]; 步骤15:重复步骤11到步骤14，建立模板特征向量。8.根据权利要求5所述的一种基于物体深度数据的物体识别，其特征在于所述匹配模 块处理数据过程具体包括： 步骤31:根据模板特征向量F获取曲率值丰度最小分组B; 步骤32:按照所述特征向量的曲率计算方法，计算目标特征线上各采样点处的曲率;并 标识出所有曲率位于区间B中的点P，其中P = {p i，p 2，….p s}; s为自然数； 步骤33:在目标特征线上，生成所有包含P集合内点的子特征线段;根据实际情况，增加 子特征线段长度约束，即子特征线段大于等于指定的长度； 步骤34:在所有目标特征线的子特征线段上，根据所述特征向量计算目标特征线的子 特征线段对应的特征向量，并且通过插值技术，使目标特征线的子特征线段中所有归一弧 长参数与模板物特征向量中的弧长参数一一对应； 步骤35:计算模板物特征向量和目标特征线1〇的子线段特征向量差的范数;若形状指标 完全一样，则范数等于0，表示具有最大的相似度，即相等;范数越大，则表示相似度越小； 步骤36:如果步骤35中计算出的范数小于事先设定的阈值，则对应目标特征线的子特 征线段为一个可能的匹配结果，此时与模板具有最大相似度，即具有最小范数子线段对应 的目标物与模板匹配;否则，目标物体与模板不匹配。
【文档编号】G06T7/00GK106056599SQ201610364054
【公开日】2016年10月26日
【申请日】2016年5月26日
【发明人】王德麾, 樊庆文, 周莹莹, 李焕
【申请人】四川大学