移动机器人目标物体识别的研究.docVIP

移动机器人目标物体识别的研究 　　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?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