基于方向直方图签名描述符的点云配准方法_赵卫东.pdf

文章编号：1671-7872(2023)02-0198-07基于方向直方图签名描述符的点云配准方法赵卫东，程星，陈香梅(安徽工业大学 电气与信息工程学院，安徽 马鞍山 243032)摘要：针对复杂场景下传统点云配准精度与效率低、鲁棒性差，难以配合机器人进行工业作业，提出一种基于方向直方图签名(SHOT)描述符的点云配准方法。对模型点云和场景点云采用体素重心降采样预处理，对降采样后的点云采用内部形状签名(ISS)提取特征点；计算特征点 SHOT 描述符并构建 KD 树快速检索特征相似的点对；采用随机采样一致(RANSAC)去除误匹配点对并完成粗配准，获取点云粗配准初始位姿，联合迭代最近点(ICP)完成精配准。实验结果表明：复杂场景下，本文方法能够快速识别定位 H 型钢和热电偶，配准用时 2 s，配准精度在 5 mm 以内；与传统 ICP 算法相比，本文方法配准精度更高、鲁棒性更好，能够对一定程度遮挡、残缺物体点云进行识别，满足工业要求。关键词：复杂场景；点云配准；方向直方图签名描述符；机器人中图分类号：TP 242.6文献标志码：Adoi：10.12415/j.issn.16717872.22255Point Cloud Registration Method Based on Signature of Histogram ofOrientation DescriptorZHAO Weidong,CHENG Xing,CHEN Xiangmei(School of Electrical&Information Engineering,Anhui University of Technology,Maanshan 243032,China)Abstract：In view of the low accuracy,efficiency and robustness of traditional point cloud registration in complexscenes,which are difficult to cooperate with robots in industrial operations,a point cloud registration method basedon signature of histograms of orientations(SHOT)descriptor was proposed.The model point cloud and field pointcloud were pre-processed by downsampling the center of gravity of voxels,and the internal shape signature(ISS)was used to extract feature points from the downsampled point cloud.The SHOT descriptors of feature points werecalculated,and the KD tree was constructed to quickly retrieve the pairs of points with similar features.The randomsampling consistency(RANSAC)algorithm was used to remove the mis-matched point pairs and complete thecoarse alignment,obtain the initial position of the coarse alignment of the point cloud,and complete the finealignment by combining with iterative closest point(ICP).The experimental results show that this method canquickly identify and locate H-beams and thermocouples in complex scenes,with an alignment time of 2 s and analignment accuracy within 5 mm.Compared with the traditional ICP algorithm,this method has higher alignmentaccuracy and better robustness,this method can identify point clouds of objects with a certain degree of occlusionand mutilation,and has better robustness,which can meet industrial needs.Keywords：complex scenes;point cloud registration;SHOT descriptor;robot 收稿日期：2022-10-15基金项目：安徽省自然科学基金项目(2108085MF225)作者简介：赵卫东(1976)，男，安徽阜阳人，副教授，主要研究方向为图像处理、机器人等。引文格式：赵卫东，程星，陈香梅.基于方向直方图签名描述符的点云配准方法 J.安徽工业大学学报(自然科学版)，2023，40(2):198-204，225.Vol.40 No.2安 徽 工 业 大 学 学 报 (自然科学版)第 40 卷 第 2 期April2023J.of Anhui University of Technology(Natural Science)2023 年4 月近年，机器视觉在机器人领域得到迅速发展，且广泛用于工业抓取、焊接及装配等作业中1。错误的目标位姿会导致机器人抓取、焊接等作业出现明显偏差、缩短机器人使用寿命，严重影响工业生产效率。因此，对物体识别定位的研究具有重大的工程意义。物体识别定位是从计算、比较或学习物体的几何属性、形状属性和结构属性等特征出发2，常见的物体识别定位方法大致分为基于 2D 图像特征和三维点云特征的物体识别法，两者均利用物体在不同维度上的相同特征来完成对物体的识别定位。特征匹配作为机器视觉领域的核心问题之一，本质是通过物体的特征将不同场景下的物体建立联系，从而将各场景下物体位姿进行仿射变换3。物体的特征可通过 2D 图像的亮度、姿态、形状等属性表示，利用 2D 特征对特定物体进行识别定位4。郑晶怡等5提出一种图割法与形状先验模型相结合的工件识别定位方法，通过先验模型将目标工件分割出来，对采集的工件拟合出平面，计算拟合工件表面法向量，从而对目标工件进行识别定位；程义民等6在对物体深度图像分割的基础上，计算深度图像高斯曲率、平均曲率等几何信息，再利用属性关系图(attributedrelational graph，ARG)描述物体，最后通过模型库 ARG 图匹配来完成物体的识别定位。基于图像的物体识别方法能够快速识别定位物体，但受拍摄图像质量、光照、2D 特征不显著等问题的影响，无法准确、高效地识别定位物体。基于三维点云特征的物体识别作为物体识别定位领域研究热点之一，具有较好描述物体细节特征的能力，从三维角度比对物体特征，可将特征分为局部特征和全局特征。基于点云全局特征的方法如视点特征直方图7、聚类视点特征直方图8等，对点云完整性要求较高，对遮挡、噪声等问题处理效果不佳，无法用于复杂环境。基于点云局部特征的方法，通过对点云局部特征计算编码来识别整体，一定程度上解决了点云遮挡、残缺和噪声等问题。Rusu 等9提出快速点特征直方图(fast point feature histogram，FPFH)，根据特征点与其邻域半径内的点估计法线方向角度差异，建立一个多维直方图，通过比对、匹配直方图完成点云识别。谭国威等10利用 FPFH 描述子对点云进行粗配准后，使用迭代最近点(iterative closest point，ICP)进行精确配准，为点云配准提供一种“粗细结合”的配准方式；陆军等11在点云配准中加入关键点计算，优化点云配准速度；宗晓萍等12在粗配准过程加入 KD 树数据结构，加快对应点对搜索，进一步优化整体配准速度；Tombari等13提出方向直方图签名(signature of histograms of orientations，SHOT)，将特征点附近空间划分为 32 个子空间，计算统计每个子空间法线特征直方图，再将每个子空间直方图综合到一起得到高维描述符，该描述符鲁棒性较好。基于局部特征的点云识别对遮挡、残缺等情况有较好的识别效果，但依然存在识别速度慢、精度低、鲁棒性差等问题1416。鉴于此，针对复杂场景下传统点云识别效率低、精度低、鲁棒性差等问题，提出一种基于 SHOT 描述符的点云配准方法，在目标存在遮挡、残缺和其他干扰物的情况下，利用高维 SHOT 描述符记录物体局部特征，对目标进行快速识别定位，为机器人提供精确的点云变换矩阵，具有较好的配准效率和鲁棒性。1基于点云局部特征的识别针对传统点云识别存在的问题，对采集的点云进行降采样和内部形状签名17(intrinsic shape signatures，ISS)提取关键点预处理，采用 KD 树搜索匹配特征相似点对，缩短配准用时；对提取的关键点采用鲁棒性较好的 SHOT 描述子计算、保存点云特征；采用随机采样一致性1819(random sample consensus，RANSAC)优化配对点对和估计初始位姿，为迭代最近点20(ICP)配准提供初始条件，提高配准精度。1.1点云降采样Q点云数据量庞大，需进行降采样预处理，但不能破坏点云的局部特征。文中采用体素重心降采样，即通过建立空间体素栅格，将点云划分数个栅格区域，将栅格包含的所有点用质心代替，此时质心称为降采样点，如式(1)。Q=1nni=1(qxi,qyi,qzi)(1)n(qxi,qyi,qzi)ix,y,z式中：为点云个数；为空间坐标系下第 个点沿轴的坐标值。1.2ISS 特征点提取特征点是能够充分展现点云特征的点集，数量远小于原始点数。ISS 提取特征点的步骤如下：第 2 期赵卫东，等：基于方向直方图签名描述符的点云配准方法199 Qrpjw1)对降采样点 设定一个搜索半径，计算半径内与其他点的欧氏距离，设定权值。w=1|Q pj|(2)Qcov(Q)2)计算点 与领域内点的协方差矩阵。cov(Q)=|Qpj|rw(Q pj)(Q pj)T|Qpj|rw(3)cov(Q)1i，2i，3i3)计算协方差矩阵的特征值。12pi4)设定阈值 和，满足式(4)则为特征点。|2i1i 13i2i 2(4)1.3关键点 SHOT 描述符r提取特征点后，对特征点建立空间 SHOT 描述符。SHOT 描述符作为一种局部特征子，在特征点 F 处建立局部坐标系，对半径为 的球邻域内经线、纬线和径向方向分别划分 8，2，2 个部分，共形成 32 个区域，如图 1。统计区域内每个点的法向特征编码至直方图，将 32 个区域的直方图综合到一起得到高维描述子。计算 SHOT 描述符的步骤如下：pippipdp1)对 ISS 提取的关键点构建协方差矩阵 M，其中 表示关键点邻域内的其他点，表示邻域内所有点的质心，表示邻域内的点到质心的距离。M=dr(rd)(p p)(p p)Td 2 32)对协方差矩阵 M 求解得出特征值，可得，对应特征向量 v1，v2，v3代表 x，y，z 坐标轴。pipcos kivkiv3pi3)计算分布在 32 个区域内第 k 区域某关键点与其邻域点 的夹角余弦，如式(6)。其中表示第 k 个区域内第 i 个点的法向量，表示关键点的法向量。cos ki=vkiv3(6