工具之家 > 软件导刊 > 移动机器人目标物体识别研究

移动机器人目标物体识别研究

发布时间:2019-01-17 02:16:00 文章来源:工具之家    

 推荐工具:金融理财app工具实用工具

许金波+杨晶东+韩太军

摘要:

基于视觉信息的运动目标识别是室内移动机器人自主导航的重要研究内容。背景噪声干扰、自然光照、机器人视角变化等因素经常影响识别稳定性。针对该问题,提出一种有效的目标物体识别方法,采用体素网格滤波和支持kd-tree结构对点云数据有效组织,以识别复杂环境中的物体。实验表明,该方法在满足实时性前提下,相比传统迭代最近点、采样一致性初始配准算法具有更高的准确率,更适合复杂环境下的物体识别。

关键词:

物体识别;点云滤波;迭代最近点;采样一致性初始配准算法

DOIDOI:10.11907/rjdk.172033

中图分类号:TP301

文献标识码:A文章编号文章编号:16727800(2018)001001405

Abstract:Moving object recognition based on visual information is an important research content of autonomous navigation of indoor mobile robot. The existing methods often affect the stability due to background noise interference, natural light and robot angle change. An effective target object recognition method is proposed for this problem, and the object in the complex environment is identified by using the voxel mesh filtering and supporting the kdtree structure to effectively organize the point cloud data. Experiments show that the method of sampling coherence initial registration algorithm has higher accuracy and more suitable for object recognition in complex environment than the traditional iterative nearest point under the premise of satisfying realtime.

Key Words:object recognition; point cloud filtering; iterative closest point; initial registration algorithm

0引言

利用視觉对物体进行识别,广泛应用于图像检索、机器人抓取、场景识别和移动定位。点云旋转错位、平移错位以及点云的不完整性等影响物体点云匹配识别的精准性。点云的配准指通过摄像头在不同角度下扫描获得点云数据,这些点云数据之间有一定的重叠区域,通过变换坐标,可以将多幅点云数据合并到同一直角坐标系下。

目前常用的点云匹配算法包括经典的迭代最近点(Iterative Closest Point,ICP)算法、基于欧式距离不变性的Greedy bound算法、采样一致性初始配准(Sample Consensus Initial Alignment,SACIA)算法和利用kd tree加速搜索算法、优化ICP算法,实验效果都较好,但存在庞大数量级点云匹配时的时间效率问题。面对大数量级别的点云集合(大于100 000个点)对应的刚体变换,Martin Magnusson提出了利用正态分布算法加以优化,这种思路在时间效率上有了很大改进,但在局部准度上却有所降低。本文提出一种基于点云特征的目标识别方法(IICP—SACIA),在获得点云原图后对其进行体素网格滤波,采用改进的ICP算法和SACIA算法匹配识别物体的点云特征,最大限度地滤除了背景点云,有效提高了算法的识别效率。实验表明该方法在室内环境下能有效识别物体特征,满足了移动机器人视觉自主导航要求。

1相关理论

1.1物体识别原理

物体点云匹配识别指通过摄像头在不同角度下扫描获取点云数据,这些点云数据之间有着一定的重叠区域。通过变换坐标,可以使多幅点云数据叠合到同一直角坐标系下,最终得到物体的点云准确配准。三维空间上的几何模型变换一般含有平移、缩放和旋转,本文研究的点云匹配是刚性点云匹配,在不考虑缩放的前提下,通过求得目标点云集Q到源点集P的平移向量W和旋转矩阵B,使坐标变换后得到的转换矩阵(B*P +W)与Q之间的距离最小,即求min‖Q-(B×P+W)‖\+2。

1.2改进的迭代最近点算法

传统的迭代最近点(Interative Closest Point,ICP)是经典的点云匹配算法,运用四元素模型,经过最小二乘法迭代运算来最小化源点云和目标点之间的欧式距离函数,继而完成空间上自由曲面的配准问题。算法过程:①在两组点云中查找多对点,在这些点对里,其中的一个点在目标点云中,另一个在待配准点云里,两者之间满足欧式距离最近;假设某一点对之间的距离小于给定阈值,即能确认两个点云对之间存在一一对应关系;②构造所有成对点之间的“距离误差和”的目标函数,求取变换矩阵,要求目标函数值最小,也就是整体对点之间的距离之和最小;③迭代运算,重复上述过程,一直到距离误差和的值小于给定阈值或者运算达到最大迭代次数为止;④假如最后配准效果满足指标要求,即将通过整体变换后的待配准点云叠加到目标点云图中,完成该对点云的配准。endprint

本实验粗配准阶段使用改进的ICP算法:

(1)点云的准确性:Mitra等证明了点对的正确性对ICP结果的重要性,提出当输入点云自身存有较多