王 青，賈秀海，葉明露，王啟宇，盛曉超

(西安工程大學(xué) 機(jī)電工程學(xué)院，陜西 西安 710048)

0 引 言

基于深度相機(jī)采集的三維點(diǎn)云數(shù)據(jù)不僅包括物體表面的幾何特征、顏色信息，而且還包括深度信息[1]，即采集的信息更接近現(xiàn)實(shí)場(chǎng)景，因此基于三維點(diǎn)云數(shù)據(jù)的物體識(shí)別與位姿估計(jì)技術(shù)是目前機(jī)器視覺領(lǐng)域研究的熱點(diǎn)之一，被廣泛用于機(jī)器人環(huán)境感知和導(dǎo)航、無(wú)人汽車自動(dòng)駕駛、自動(dòng)裝配及虛擬現(xiàn)實(shí)等領(lǐng)域[2]。文獻(xiàn)[3]使用快速點(diǎn)特征直方圖計(jì)算局部特征，相比點(diǎn)特征直方圖[4]，極大地提高了點(diǎn)云的計(jì)算速度，并提出了一種基于樣本一致性的初始對(duì)齊算法，解決了點(diǎn)云配準(zhǔn)效率低的問題，但對(duì)噪聲點(diǎn)云數(shù)據(jù)的魯棒性較差。文獻(xiàn)[5]利用視點(diǎn)特征直方圖(viewpoint feature histogrcm,VFH)獲取待配準(zhǔn)點(diǎn)云特征，采用KNN算法和ICP算法估計(jì)物體位姿，具有較強(qiáng)的穩(wěn)健性。文獻(xiàn)[6]利用CVFH識(shí)別物體，可有效識(shí)別遮擋的點(diǎn)云以及包含噪聲的點(diǎn)云。文獻(xiàn)[7]通過使用點(diǎn)對(duì)特征對(duì)在散亂堆放場(chǎng)景中的物體進(jìn)行點(diǎn)云匹配和位姿估計(jì)，采用投票策略進(jìn)行模板匹配，在仿真環(huán)境下抓取準(zhǔn)確率達(dá)到了97.1%，但該算法沒有涉及對(duì)復(fù)雜場(chǎng)景中多物體的識(shí)別。文獻(xiàn)[8]為了識(shí)別復(fù)雜場(chǎng)景中的多個(gè)目標(biāo)，提出一種基于改進(jìn)法矢的C-SHOT特征識(shí)別目標(biāo)，使用LM-ICP實(shí)現(xiàn)目標(biāo)點(diǎn)云的位姿估計(jì)，對(duì)顏色鮮明、區(qū)別性強(qiáng)的物體識(shí)別率達(dá)到了99%，但對(duì)表面光滑、顏色相近的物體識(shí)別率較低。

針對(duì)在復(fù)雜場(chǎng)景下點(diǎn)云目標(biāo)被遮擋和含有噪聲時(shí)目標(biāo)識(shí)別率低的問題，本文結(jié)合CVFH與SHOT描述子[9]，提出一種改進(jìn)的CV-SHOT識(shí)別算法，并使用霍夫投票算法優(yōu)化ICP算法[10-11]，對(duì)復(fù)雜場(chǎng)景中目標(biāo)進(jìn)行識(shí)別和位姿估計(jì)。

1 點(diǎn)云數(shù)據(jù)處理

由于環(huán)境光線、相機(jī)本身誤差等原因，深度相機(jī)采集的點(diǎn)云數(shù)據(jù)會(huì)包含數(shù)據(jù)噪點(diǎn)[12]，并且除了物體點(diǎn)云信息外，還存在多余的背景信息、載物臺(tái)平面信息等。為了得到有效的分割聚類以及提高后續(xù)的識(shí)別效率，需要去除多余點(diǎn)云。

1.1 數(shù)據(jù)預(yù)處理

針對(duì)深度相機(jī)采集的原始點(diǎn)云數(shù)據(jù)，為了快速找到感興趣區(qū)域，采用點(diǎn)云直通濾波算法[13]去除冗余的背景信息，可以極大地減少點(diǎn)云數(shù)量，完整地保留目標(biāo)特征的信息。待識(shí)別的目標(biāo)點(diǎn)云與相機(jī)的距離保持不變，故可以截取空間坐標(biāo)軸方向一定范圍內(nèi)的點(diǎn)云數(shù)據(jù)作為感興趣區(qū)域，然后進(jìn)行目標(biāo)點(diǎn)云的識(shí)別。空間坐標(biāo)軸各個(gè)方向上的距離閾值設(shè)置：

(1)

式中：(Xmin,Xmax) 、(Ymin,Ymax)、(Zmin,Zmax)閾值可通過計(jì)算獲得。點(diǎn)云數(shù)據(jù)直通濾波效果如圖1所示。

(a)原始數(shù)據(jù)點(diǎn)云 (b)直通濾波后的效果圖 1 直通濾波Fig.1 Through filtering

圖1(a)為原始數(shù)據(jù)點(diǎn)云，其冗余的點(diǎn)云信息主要是背景信息。取Z方向(-1，0)范圍內(nèi)的點(diǎn)云數(shù)據(jù)，直通濾波后的效果如圖1(b)所示。濾波前后感興趣區(qū)域的點(diǎn)云數(shù)量、形狀、位置未發(fā)生變化，原始點(diǎn)云的點(diǎn)數(shù)量為223 778，直通濾波后的點(diǎn)數(shù)量為72 103，極大地減少了點(diǎn)的數(shù)量，節(jié)約了計(jì)算資源。在使用直通濾波的過程中，可以根據(jù)實(shí)際情況合理設(shè)置方向閾值，在減少點(diǎn)云數(shù)量和保留感興趣區(qū)域之間達(dá)到平衡。

深度相機(jī)獲取的點(diǎn)云數(shù)據(jù)比較稠密，為了提高后續(xù)點(diǎn)云處理的速度，在保留物體特征信息的基礎(chǔ)上，采用體素濾波算法[14]對(duì)點(diǎn)云進(jìn)行下采樣。

體素濾波算法：根據(jù)點(diǎn)云數(shù)據(jù)的特點(diǎn)建立三維體素柵格，組成多個(gè)微小立方體，采用小立方體的重心替代該立方體內(nèi)的點(diǎn)，對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行稀疏化。該方法簡(jiǎn)單高效，不需要建立復(fù)雜的拓?fù)浣Y(jié)構(gòu)，滿足三維點(diǎn)云曲面快速重構(gòu)的需求。每個(gè)小立方體重心(xc,yc,zc)的計(jì)算公式為

(2)

式中：n為小立方體中的點(diǎn)云數(shù)量；(xi,yi,zi)為小立方體中的第i個(gè)點(diǎn)。體素內(nèi)的點(diǎn)用小立方體重心表示，以完成點(diǎn)云數(shù)據(jù)的下采樣。體素濾波如圖2所示。

圖 2 體素濾波Fig.2 Voxel filtering

從圖2可以看出，體素濾波中小立方體邊長(zhǎng)為5 mm，濾波前后點(diǎn)云的位置、形狀保持不變，濾波前的數(shù)量為5 713，濾波后的數(shù)量為1 168，點(diǎn)云數(shù)量減少極大，提高了后續(xù)點(diǎn)云局部特征的計(jì)算速度。小立方體邊長(zhǎng)可根據(jù)場(chǎng)景情況適當(dāng)調(diào)節(jié)，在減少點(diǎn)云數(shù)量與保持點(diǎn)云輪廓信息之間達(dá)到平衡。

1.2 載物臺(tái)平面去除

采用隨機(jī)抽樣一致(random sample consensus,RANSAC)算法[15]去除載物臺(tái)平面。RANSAC算法通過迭代方式在含有外部點(diǎn)的點(diǎn)云數(shù)據(jù)中估計(jì)并優(yōu)化數(shù)學(xué)模型，將數(shù)學(xué)模型設(shè)置為平面模型，將載物臺(tái)平面與場(chǎng)景物體分離。根據(jù)實(shí)驗(yàn)室場(chǎng)景的復(fù)雜度，設(shè)置最大迭代次數(shù)為50，距離閾值為0.01，對(duì)場(chǎng)景進(jìn)行多次平面濾除，去除載物臺(tái)平面效果如圖3所示。

圖 3 去除載物臺(tái)平面Fig.3 The stage plane removal

圖3中，相比左圖，右圖載物臺(tái)主平面幾乎被完全濾除，只有零散的幾處小平面點(diǎn)云以及離群點(diǎn)未被濾除，平面上的物體點(diǎn)云形狀、輪廓保持不變。

1.3 離群點(diǎn)濾除

為了去除因深度相機(jī)采集產(chǎn)生的稀疏離群點(diǎn)、點(diǎn)云邊緣噪聲以及分割載物臺(tái)平面留下的離群點(diǎn)，并同時(shí)降低相互遮擋物體的連接性，采用統(tǒng)計(jì)離群點(diǎn)算法[16]進(jìn)行點(diǎn)云數(shù)據(jù)處理，鄰域平均距離的概率密度函數(shù)，即

(3)

式中：li為任意點(diǎn)的鄰域平均距離。該算法對(duì)每個(gè)點(diǎn)的k近鄰點(diǎn)進(jìn)行分析，k設(shè)置為50。如果當(dāng)前點(diǎn)距離k近鄰點(diǎn)的平均距離超過整個(gè)點(diǎn)云數(shù)據(jù)點(diǎn)之間平均距離的一個(gè)標(biāo)準(zhǔn)差以上，則視該點(diǎn)為離群點(diǎn)，離群點(diǎn)濾波效果如圖4所示。

圖 4 統(tǒng)計(jì)離群點(diǎn)濾波Fig.4 Statistical outlier filtering

圖4中，經(jīng)過統(tǒng)計(jì)離群點(diǎn)濾波后，相比左圖，右圖中的離群點(diǎn)被濾除，相互接觸的物體也被有效區(qū)別，得到了比較規(guī)則、光滑的多個(gè)物體點(diǎn)云聚類，可使后續(xù)的點(diǎn)云得到有效分割。

1.4 點(diǎn)云場(chǎng)景分割

點(diǎn)云分割通常依據(jù)點(diǎn)云的法線、幾何特征、顏色等信息將點(diǎn)云分割為互不相交的多個(gè)子集。當(dāng)場(chǎng)景物體經(jīng)過點(diǎn)云預(yù)處理后，點(diǎn)云數(shù)據(jù)量急劇降低，各物體的連接性明顯降低，此時(shí)采用歐式聚類[17]分割算法，相比于區(qū)域生長(zhǎng)分割[18]、超體聚類分割[19-20]、最小分割[21]算法，可有效快速分割場(chǎng)景，分割實(shí)時(shí)性滿足目標(biāo)識(shí)別的需要。

在點(diǎn)云維度空間建立數(shù)據(jù)索引樹形結(jié)構(gòu)(KDTree)，利用KDTree的最近鄰查詢算法加速歐式聚類的過程。歐式聚類是基于歐式距離判斷是否進(jìn)行聚類的算法，點(diǎn)云三維空間中，點(diǎn)(x1,y1,z1)與點(diǎn)(x2,y2,z2)的歐氏距離，即

(4)

首先在搜索空間中選取一點(diǎn)p，然后利用KDTree在搜索范圍內(nèi)找到k個(gè)離p點(diǎn)最近的點(diǎn)，當(dāng)搜索點(diǎn)的歐式距離小于設(shè)定閾值時(shí)，則被聚類到集合A中。當(dāng)集合A中的點(diǎn)數(shù)不再增加，則完成歐式聚類，否則選取集合A中除p點(diǎn)以外的點(diǎn)，重復(fù)上述過程，直到A中的點(diǎn)數(shù)不再增加，即完成聚類分割。圖5為采用歐式聚類算法分割后的效果圖。

圖 5 場(chǎng)景分割Fig.5 Scene segmentation

從圖5可以看出，當(dāng)場(chǎng)景中的物體不相互粘連時(shí)，場(chǎng)景中的牛奶盒、茶葉罐、布仔、可樂罐被有效聚類。能夠滿足點(diǎn)云目標(biāo)識(shí)別的要求。

2 目標(biāo)識(shí)別與位姿估計(jì)

在點(diǎn)云目標(biāo)識(shí)別過程中，最重要的是三維描述子的設(shè)計(jì)，一個(gè)目標(biāo)能否被有效識(shí)別，很大程度上取決于三維描述子獲取目標(biāo)特征信息的準(zhǔn)確性與完整性，三維描述子具有分辨率不變性、強(qiáng)魯棒性和旋轉(zhuǎn)不變性[22-23]等特點(diǎn)。三維特征按照空間搜索范圍分為局部特征和全局特征[24]。局部特征描述子是對(duì)點(diǎn)云數(shù)據(jù)局部特征的描述，不需要對(duì)場(chǎng)景點(diǎn)云進(jìn)行分割，直接計(jì)算場(chǎng)景物體局部特征，并與模型庫(kù)完成匹配，識(shí)別速度快、具有旋轉(zhuǎn)尺度不變性，但對(duì)點(diǎn)云噪聲比較敏感；全局特征是對(duì)整個(gè)點(diǎn)云數(shù)據(jù)特征的描述，容易忽略細(xì)節(jié)信息，為了提高識(shí)別率，需要對(duì)場(chǎng)景點(diǎn)云進(jìn)行適當(dāng)分割。面對(duì)復(fù)雜環(huán)境，特別是物體相互遮擋、存在相似目標(biāo)的場(chǎng)景中，本文提出一種復(fù)合描述子CV-SHOT，將全局特征的CVFH與局部特征的SHOT描述子結(jié)合起來(lái)，通過粗識(shí)別-精匹配兩步法識(shí)別目標(biāo)，并估計(jì)目標(biāo)在場(chǎng)景中的位姿。

2.1 霍夫投票算法

3D霍夫變換用于檢測(cè)平面、圓柱、球體以及不規(guī)則幾何體[8]。以霍夫投票的票數(shù)為判斷依據(jù)，實(shí)現(xiàn)目標(biāo)點(diǎn)云的識(shí)別，并利用關(guān)鍵點(diǎn)局部坐標(biāo)系的唯一性，獲取識(shí)別目標(biāo)的初始位姿。本文通過計(jì)算模型、場(chǎng)景關(guān)鍵點(diǎn)的局部參考系，利用SHOT描述子得到的模型-場(chǎng)景對(duì)應(yīng)點(diǎn)集作為投票的特征點(diǎn)，提高霍夫投票的準(zhǔn)確性。

相機(jī)拍攝角度或場(chǎng)景物體的移動(dòng)，使場(chǎng)景中的待識(shí)別物體模型發(fā)生旋轉(zhuǎn)平移，因此在霍夫投票之前，需要將模型參考向量坐標(biāo)和場(chǎng)景坐標(biāo)轉(zhuǎn)換到同一個(gè)三維空間中，參考向量空間坐標(biāo)轉(zhuǎn)換如圖6所示。

圖 6 空間坐標(biāo)轉(zhuǎn)換Fig.6 Space coordinate conversion

2.2 目標(biāo)識(shí)別

CVFH是VFH的擴(kuò)展，可有效獲取復(fù)雜場(chǎng)景下遮擋目標(biāo)的特征，CVFH將待識(shí)別的目標(biāo)點(diǎn)云表面劃分為多個(gè)平滑且連續(xù)的區(qū)域，在每個(gè)區(qū)域中生成VFH。因此，一個(gè)目標(biāo)的識(shí)別可以由多個(gè)平滑且連續(xù)區(qū)域的CVFH特征表示。

SHOT描述子將簽名法和直方圖法組合描述點(diǎn)云局部特征，具有旋轉(zhuǎn)及尺度不變性、對(duì)點(diǎn)云密度不敏感等特性。在特征點(diǎn)處建立半徑為R的鄰域空間，將鄰域空間沿縱向劃分為8份，沿半徑劃分為2份，沿高度劃分為2份，鄰域空間劃分為32份，計(jì)算每份中特征點(diǎn)法線ni與特征點(diǎn)法線np的夾角余弦值cosθ，將每份空間中的余弦值劃分為11個(gè)單元用直方圖統(tǒng)計(jì)，則每個(gè)特征點(diǎn)的維數(shù)為32×11=352維，其中兩法線夾角余弦值cosθ，即

cosθ=ni·np

(5)

將CVFH和SHOT描述子結(jié)合進(jìn)行目標(biāo)識(shí)別。首先對(duì)場(chǎng)景點(diǎn)云使用CVFH特征進(jìn)行快速初步識(shí)別，得到相似的k個(gè)目標(biāo)，極大地縮小了目標(biāo)搜索空間，提高了識(shí)別速度；使用SHOT描述子進(jìn)行進(jìn)一步識(shí)別，獲得模型-目標(biāo)的初始對(duì)應(yīng)點(diǎn)集；計(jì)算關(guān)鍵點(diǎn)的局部參考系，采用霍夫投票算法使匹配的點(diǎn)集生成投票向量；最后通過霍夫投票數(shù)濾除匹配的偽對(duì)應(yīng)點(diǎn)，實(shí)現(xiàn)目標(biāo)識(shí)別。

2.3 位姿估計(jì)

完成場(chǎng)景中目標(biāo)識(shí)別后，需要進(jìn)行點(diǎn)云配準(zhǔn)，獲得目標(biāo)物體的精確位姿。點(diǎn)云配準(zhǔn)是不斷迭代優(yōu)化的過程，經(jīng)典的ICP算法通過迭代最近點(diǎn)實(shí)現(xiàn)點(diǎn)云配準(zhǔn)，但是當(dāng)匹配的點(diǎn)云間位姿相差較大時(shí)，容易陷入局部最大值，因此選取霍夫投票高的目標(biāo)位姿作為配準(zhǔn)的初始位姿，實(shí)現(xiàn)粗配準(zhǔn)，再采用ICP算法進(jìn)行精確配準(zhǔn)，得到模型庫(kù)目標(biāo)到場(chǎng)景目標(biāo)的旋轉(zhuǎn)矩陣R與平移向量t。

ICP算法通過在匹配點(diǎn)集中不斷迭代搜索最近點(diǎn)間的距離平方和獲得最優(yōu)的剛性變換，歐式距離平方和計(jì)算公式：

(6)

式中：Np為匹配點(diǎn)數(shù);xi、pi分別為模型、場(chǎng)景點(diǎn)。

ICP算法通過不斷迭代，使最近點(diǎn)距離平方和不斷收斂，直到達(dá)到設(shè)定的距離閾值或者迭代次數(shù)，并輸出最優(yōu)的旋轉(zhuǎn)矩陣R和平移向量t。設(shè)α、β、γ分別為坐標(biāo)軸的旋轉(zhuǎn)角度，tx、ty、tz分別為坐標(biāo)軸的平移向量，則六自由度參數(shù)為

ψ=(α,β,γ,tx,ty,tz)

3 結(jié)果與分析

3.1 算法框架

目標(biāo)識(shí)別算法分為離線訓(xùn)練與在線識(shí)別2個(gè)階段，CV-SHOT算法流程如圖7所示。

圖 7 CV-SHOT算法流程Fig.7 CV-SHOT algorithm flow

3.1.1 離線訓(xùn)練。

1) 建立目標(biāo)點(diǎn)云數(shù)據(jù)集模型庫(kù)。在實(shí)驗(yàn)室真實(shí)場(chǎng)景下，使用深度相機(jī)采集單個(gè)目標(biāo)物體各個(gè)方向的幾何、顏色信息，利用Intel RealSense SDK生成目標(biāo)點(diǎn)云，采集100個(gè)目標(biāo)點(diǎn)云數(shù)據(jù)構(gòu)成模型庫(kù)。

2) 在目標(biāo)點(diǎn)云空間中建立KDTree結(jié)構(gòu)，計(jì)算模型庫(kù)中各個(gè)點(diǎn)云的CVFH描述子，建立物體類別數(shù)據(jù)文件。

3.1.2 在線識(shí)別。

1) 將原始場(chǎng)景點(diǎn)云進(jìn)行點(diǎn)云預(yù)處理，采用歐式聚類分割算法分割場(chǎng)景物體，得到有效的多個(gè)聚類，組成點(diǎn)云集Q。

2) 設(shè)置初步識(shí)別時(shí)匹配的目標(biāo)模型數(shù)量為k，取k=3，卡方檢測(cè)閾值為D，計(jì)算點(diǎn)云集Q中第i個(gè)聚類的CVFH特征(i=1,2,3,…)，對(duì)模型庫(kù)進(jìn)行k近鄰搜索，利用訓(xùn)練建立的KDTree結(jié)構(gòu)進(jìn)行近似查找，搜索得到k個(gè)小于卡方檢測(cè)閾值D的相似點(diǎn)云集合q，完成初步的識(shí)別。

3) 將包含k個(gè)點(diǎn)云聚類的相似點(diǎn)云集q按卡方距離從小到大排序，采用體素濾波算法提取點(diǎn)云關(guān)鍵點(diǎn)，對(duì)點(diǎn)云數(shù)據(jù)稀疏化處理。

4) 分別計(jì)算SHOT描述子，使用KDTree FLANN方法匹配，通過最近鄰搜索得到相似點(diǎn)，當(dāng)相似點(diǎn)對(duì)的平方距離S<0.25時(shí)，則為模型-場(chǎng)景的對(duì)應(yīng)點(diǎn)，遍歷整個(gè)點(diǎn)云聚類qm(0

5) 計(jì)算關(guān)鍵點(diǎn)局部參考坐標(biāo)系，采用3D霍夫投票算法去除偽匹配點(diǎn)對(duì)，精確識(shí)別目標(biāo)，并獲得初始位姿。

6) 根據(jù)獲得的初始位姿，采用經(jīng)典的ICP算法進(jìn)行點(diǎn)云目標(biāo)的精確配準(zhǔn)，得到場(chǎng)景中目標(biāo)的最終位姿估計(jì)。轉(zhuǎn)到步驟2，進(jìn)行識(shí)別點(diǎn)云集合Q中下一個(gè)候選點(diǎn)云聚類。

7) 在場(chǎng)景中被識(shí)別到的目標(biāo)用綠色標(biāo)識(shí)，并輸出其六自由度位姿；迭代下一幀場(chǎng)景點(diǎn)云。

以識(shí)別真實(shí)場(chǎng)景中布仔為例，運(yùn)行本文算法，有效地識(shí)別目標(biāo)并計(jì)算布仔位姿。識(shí)別效果如圖8所示。

圖 8 識(shí)別效果圖Fig.8 Recognition effect diagram

旋轉(zhuǎn)平移矩陣：

M=t(tx,ty,tz)·R(α,β,γ)=

轉(zhuǎn)化為六自由度位姿：

ψ=(α,β,γ,tx,ty,tz)=

(-0.015 0.008 0.005 0.005 0.010 -0.001)3.2實(shí)驗(yàn)平臺(tái)搭建

計(jì)算機(jī)操作系統(tǒng)為windows 10，硬件配置為Intel(R) Core(TM) i3-4005U CPU@ 1.70 GHz，運(yùn)行內(nèi)存為8 GiB，結(jié)合PCL 1.9.1 點(diǎn)云庫(kù)，在 Visual Studio 2019中編譯運(yùn)行程序。真實(shí)場(chǎng)景中的點(diǎn)云采集設(shè)備使用英特爾公司的RealSense D435i深度相機(jī)，采集實(shí)驗(yàn)室場(chǎng)景制作數(shù)據(jù)集。

3.3 數(shù)據(jù)集

以識(shí)別布仔為例，在布仔場(chǎng)景中分別采用C-SHOT算法[8]、CSHOT-VFH算法[25]、本文三維視覺識(shí)別算法進(jìn)行測(cè)試。使用深度相機(jī)RealSense D435i采集200個(gè)真實(shí)環(huán)境中的單物體點(diǎn)云圖作為數(shù)據(jù)來(lái)源，單物體識(shí)別結(jié)果見表1。

表 1 單物體識(shí)別結(jié)果

從表1可以看出，本文算法識(shí)別率比C-SHOT算法提高了約3%，相比C-SHOT、CSHOT-VFH算法，修正了目標(biāo)與模型點(diǎn)云位置、形狀相似下目標(biāo)分割不準(zhǔn)確造成的誤匹配，使目標(biāo)識(shí)別率進(jìn)一步提高。

考慮實(shí)際生產(chǎn)環(huán)境的復(fù)雜性，對(duì)多物體(除布仔，多個(gè)相似物品)以及對(duì)布仔進(jìn)行部分遮擋的復(fù)雜場(chǎng)景進(jìn)行識(shí)別。同樣，采集200個(gè)真實(shí)環(huán)境中的復(fù)雜場(chǎng)景點(diǎn)云圖作為數(shù)據(jù)來(lái)源，多物體識(shí)別結(jié)果見表2。

表 2 多物體識(shí)別結(jié)果

從表2可以看出，現(xiàn)有識(shí)別算法在復(fù)雜環(huán)境下的識(shí)別率明顯降低，本文算法通過兩步法識(shí)別，利用SHOT特征修正識(shí)別，降低了相似目標(biāo)的誤識(shí)別率，識(shí)別率顯著提高，高達(dá)93.5%，驗(yàn)證了本文算法對(duì)復(fù)雜環(huán)境有一定的魯棒性。

在位姿估計(jì)階段，為了檢驗(yàn)?zāi)繕?biāo)位姿的準(zhǔn)確性與穩(wěn)定性，以估計(jì)場(chǎng)景中布仔為例，首先對(duì)場(chǎng)景中布仔添加不同程度的遮擋，即占原始布仔點(diǎn)云數(shù)據(jù)量的百分比，遮擋強(qiáng)度為無(wú)遮擋、10%、20%、30%，不同遮擋程度下的布仔遮擋場(chǎng)景如圖9所示。

(a) 無(wú)遮擋 (b) 10%遮擋 (c) 20%遮擋 (d) 30%遮擋圖 9 不同遮擋程度下的布仔Fig.9 The fabric objects in under different degrees of occlusion

通過采集布仔不同程度遮擋的場(chǎng)景，測(cè)試位姿估計(jì)算法以及ICP算法[10]，計(jì)算并統(tǒng)計(jì)布仔的配準(zhǔn)耗時(shí)與配準(zhǔn)得分，不同遮擋程度下布仔配準(zhǔn)性能見表3。

其中配準(zhǔn)得分為配準(zhǔn)過程完成后對(duì)應(yīng)點(diǎn)集之間距離平方和的平均值，得分越低，表明配準(zhǔn)效果越好。配準(zhǔn)得分計(jì)算公式：

(7)

式中：pj為模型中的點(diǎn);qj為模型點(diǎn)pj在場(chǎng)景中所對(duì)應(yīng)的點(diǎn);n為對(duì)應(yīng)點(diǎn)的數(shù)量。

表 3 不同遮擋程度下布仔配準(zhǔn)性能

從表3可以看出，隨著布仔遮擋程度的增加，相比ICP算法，本文算法的配準(zhǔn)得分與配準(zhǔn)耗時(shí)增加幅度較小，配準(zhǔn)得分均小于ICP算法，且得分保持在10 μm級(jí)別，配準(zhǔn)時(shí)間也有所下降，因此，本文提出的位姿估計(jì)算法在存在目標(biāo)部分遮擋情況下仍能保持較好的配準(zhǔn)效果，對(duì)復(fù)雜場(chǎng)景具有一定的魯棒性。

4 結(jié) 論

1) 面對(duì)復(fù)雜場(chǎng)景下的三維目標(biāo)識(shí)別，本文改進(jìn)了傳統(tǒng)的CVFH識(shí)別算法，提出了一種將CVFH算法與SHOT算法相結(jié)合的特征融合識(shí)別算法，并將3D霍夫變換與ICP算法結(jié)合，實(shí)現(xiàn)了復(fù)雜環(huán)境下的目標(biāo)識(shí)別與位姿估計(jì)。

2) 在單物體場(chǎng)景、部分遮擋的多物體場(chǎng)景中，驗(yàn)證了本文算法比傳統(tǒng)識(shí)別算法識(shí)別率有效提高，達(dá)到了90%以上。

3) 對(duì)相同位置、不同復(fù)雜場(chǎng)景中的目標(biāo)進(jìn)行位姿估計(jì)，本文位姿估計(jì)算法準(zhǔn)確度較高，可滿足對(duì)三維目標(biāo)有效識(shí)別與定位的需求。