基于PCL 的機(jī)器人視覺的形狀特征識別算法分析

李晶晶 孫小強(qiáng) 蔡苑彬 倪敏成

（1、武警廣東省總隊(duì)梅州支隊(duì)，廣東 梅州514000 2、31121 部隊(duì)，廣東 汕頭515041）

Point Cloud Library（PCL）由于其內(nèi)部的算法機(jī)制，通過對特征重構(gòu)、搭建優(yōu)化模型，從而成為了一個(gè)獨(dú)立的大型的處理二維三維圖像和點(diǎn)云數(shù)據(jù)的開源工程。在當(dāng)前，依靠計(jì)算機(jī)、信息技術(shù)，視覺識別在物體、分點(diǎn)的精確的和可靠性均相比于以前實(shí)現(xiàn)質(zhì)效的大幅提高。本文通過構(gòu)建常見物體的點(diǎn)云數(shù)據(jù)模型庫，對基于PCL 機(jī)器人視覺識別算法進(jìn)行了研究，提出了一種形狀特征的實(shí)時(shí)識別算法。

1 機(jī)器視覺技術(shù)概述

機(jī)器視覺在越來越多領(lǐng)域得到充分應(yīng)用，也這是如此，其作為人工智能領(lǐng)域成為發(fā)展最快速的分支之一。其發(fā)展的階段大體可以分為：1950 年，基于平面體系的分析和識別；1960 年由二維構(gòu)造分析轉(zhuǎn)移至三維體系分析以及空間構(gòu)造分析；1960 年后機(jī)器視覺的研究進(jìn)入了新階段，即Marr 教授提了當(dāng)時(shí)較為權(quán)威的Marr 視覺理論[1]；1980 年，機(jī)器視覺的研究開始走出實(shí)驗(yàn)室而被更多地應(yīng)用于實(shí)際生活、生產(chǎn)中，同時(shí)，愈來愈多新方法、新概念被提出。

如圖1 所示，為一個(gè)典型的工業(yè)視覺應(yīng)用系統(tǒng)。其涵蓋了光源、控制執(zhí)行模塊、光學(xué)成像系統(tǒng)、圖像捕捉系統(tǒng)、圖像數(shù)字化模塊和圖像處理及決策模塊。由此圖我們可以看出其工作流程，第一步是目標(biāo)物體圖像信號化處理，主要是借助相機(jī)或其它圖像采集工具；第二步是送給圖像處理系統(tǒng)，這期間需要將這一圖像信號轉(zhuǎn)變成數(shù)字信號；第三步是提取目標(biāo)物體的特征，主要是根據(jù)像素分布、亮度和顏色等信息，進(jìn)行各種圖像處理來；第四步是輸出判斷結(jié)果，最終根據(jù)預(yù)設(shè)的容許度和其他條件得出。從上述介紹中，我們可以得出，機(jī)器視覺系統(tǒng)是最終用于實(shí)際檢測、測量和控制的，主要是用計(jì)算機(jī)來模擬人的視覺功能，進(jìn)行實(shí)時(shí)收集、處理和理解客觀事物的圖像的智能化系統(tǒng)。

圖1 視覺應(yīng)用系統(tǒng)

2 視覺識別系統(tǒng)總體設(shè)計(jì)

主要是數(shù)據(jù)采集、預(yù)處理、建模、特征提取四個(gè)程序步驟。本系統(tǒng)首先使用Kinect 系統(tǒng)采集點(diǎn)云數(shù)據(jù)，其次對采集的數(shù)據(jù)進(jìn)行濾波等實(shí)時(shí)預(yù)處理，之后使用聚類分析對識別目標(biāo)進(jìn)行建模，最后應(yīng)用識別算法對目標(biāo)實(shí)現(xiàn)特征提取。系統(tǒng)主要分為以下四個(gè)模塊，一是點(diǎn)云數(shù)據(jù)采集、二是點(diǎn)云實(shí)時(shí)預(yù)處理、三是聚類分析和四是特征識別。

2.1 點(diǎn)云數(shù)據(jù)采集

機(jī)器人視覺識別系統(tǒng)對目標(biāo)對象進(jìn)行點(diǎn)云圖像的獲取作為首要步驟。為獲取此時(shí)點(diǎn)云圖像數(shù)據(jù)，得到基于場景2.5D 的深度圖像（即每個(gè)像素點(diǎn)除了有灰度信息還有深度信息），需要對所在環(huán)境進(jìn)行信息識別，得到的數(shù)據(jù)圖像傳送至算法流程中，最終完成點(diǎn)云圖像實(shí)時(shí)預(yù)處理過程。

2.2 點(diǎn)云圖像的實(shí)時(shí)預(yù)處理

對于一副由采集到的點(diǎn)云圖像，為提高系統(tǒng)的識別率，在對數(shù)據(jù)點(diǎn)進(jìn)行濾波處理，就好像采集數(shù)據(jù)總會存在誤差一樣難以避免，在進(jìn)行圖像采集時(shí)，無論你是通過何種方式得到的灰度圖像，其中肯定會夾雜著些許的噪點(diǎn)，這就需要通過一些方法對圖像處理以后來實(shí)現(xiàn)有效的降低噪點(diǎn)數(shù)量的目的。本文在研究對比了多種降噪方法以后決定采取均值濾波法進(jìn)行圖像處理。借助于圖形中的像素點(diǎn)，均值濾波通過把圖像分成多個(gè)模塊利用各個(gè)模塊的平均值替代更替像素值，以達(dá)到平滑圖像的目的，是一種非線性處理數(shù)字圖像的方法。

2.3 提取點(diǎn)云聚類

高效分聚類獲取可顯著提高目標(biāo)的識別效率，因此，在實(shí)時(shí)識別算法處理過程中，點(diǎn)云聚類獲取是整理流程中最為關(guān)鍵的一環(huán)。點(diǎn)云聚類實(shí)現(xiàn)過程主要包括：一是將圖像每個(gè)像素點(diǎn)的灰度信息和深度信息向量化成[grey, depth]。二是為得到N 個(gè)分類及每個(gè)分類的像素?cái)?shù)量，通過向量的歐式距離對圖像進(jìn)行最鄰近聚類分析。三是嚴(yán)格選取聚類數(shù)量處于500-25000 之間的分類，從而作為最終識別的目標(biāo)分類，其余分類舍棄。

2.4 特征提取

CVFH 是在基于二維構(gòu)造體系下，通過對特征進(jìn)行分布提取，概述聚類的整體形狀、特征。CVFH 特征直方圖立足于視點(diǎn)特征直方圖來進(jìn)行特征數(shù)據(jù)點(diǎn)的計(jì)算描述，CVFH 特征直方圖和特征直方圖都屬于全局特征描述。

在2.3 的基礎(chǔ)上，為得到形狀特征的數(shù)字描述，可以對獲得的分類進(jìn)行CVFH 特征算子計(jì)算。

3 算法實(shí)驗(yàn)過程分析

如圖2 所示，為完成對工件的定位，并給出每個(gè)目標(biāo)物的高度信息和形狀信息，本次實(shí)驗(yàn)主要是由本文提出的算法進(jìn)行?？梢钥吹?，在試驗(yàn)臺上分別放置橫向尺寸相同，縱向尺寸不同的研究對象，縱向尺寸分別為10mm、15mm 和20mm。

圖2 機(jī)器人工作區(qū)域

3.1 圖像閾值分割

如圖3 所示，之所以對圖像進(jìn)行灰度閾值分割，實(shí)現(xiàn)工件與背景分離，是因?yàn)槟繕?biāo)物顏色為白色，與黑色背景區(qū)別較大。因此可以通過軟件查看圖像的直方圖，明確不同區(qū)域的灰度值，從圖中可以看出當(dāng)88-92 的灰度范圍值可以分辨初工件和背景；因此本文取中間值90，此外為保證像素點(diǎn)均勻性，本文將閾值的像素點(diǎn)設(shè)置為0。

3.2 區(qū)域提取點(diǎn)云聚類

為獲得分割后均勻的區(qū)域塊，需要對分割閾值的區(qū)域進(jìn)行重合，主要考慮放圖像分割后，會在區(qū)域內(nèi)存在邊界和壞點(diǎn)，具體如圖所示中分割前后的效果圖，為便于分辨，本文通過不同顏色來進(jìn)行不同連通點(diǎn)云聚類甄別，之所以采用面積分割方法去除圖像中面積較小的連通區(qū)域，是因?yàn)樵谙鄼C(jī)固定情況下工件在圖像中的面積是固定的。最后運(yùn)用到了霍夫變換算法，其主要用來從圖像中分離出工件的圓形區(qū)域提取點(diǎn)云聚類，進(jìn)行圓形區(qū)域擬合(圖4)。

3.3 特征屬性計(jì)算

之所以機(jī)器人不僅要獲得二維坐標(biāo)信息還必須得到工件高度信息才能完成抓取動(dòng)作，是由于由于待抓取工件高度不同?；赑CL 機(jī)器人視覺算法分析方法中，為使2 個(gè)相機(jī)的作用特征基本保持一致，本人通過采用極線約束方法，利用視差法原理來進(jìn)行工件高度的預(yù)測和分析（圖5）。

圖4 經(jīng)過閾值分割和區(qū)域連接后的提取點(diǎn)云聚類效果圖

圖5 左右相機(jī)圖像極線校正

圖6 立體匹配模型

在左右相機(jī)圖像中找到相同的特征點(diǎn)，然后進(jìn)行視差計(jì)算是圖像立體匹配的原理。之所以利用極線校正方法對左右兩個(gè)相機(jī)的圖像進(jìn)行處理，主要目的在于提高像素的識別效率和可靠性；雙目相機(jī)極線校正主要在于使2 個(gè)相機(jī)的作用特征基本保持一致獲得相同的光軸平行、焦距參量。視覺立體匹配就是首先要在左右相機(jī)成像平面中找到相同特征點(diǎn)的圖像坐標(biāo)，然后根據(jù)三角定位法來求得該點(diǎn)的深度信息。圖6 演示了通過極線校正后在公共成像平面上左右相機(jī)的光軸互相平行的立體匹配模型。

本文通過基于PCL 機(jī)器人視覺識別算法分析進(jìn)行了研究，提出了一種形狀特征的實(shí)時(shí)識別算法，構(gòu)建了常見物體的點(diǎn)云數(shù)據(jù)模型庫，分析了實(shí)驗(yàn)過程中的主要點(diǎn)云處理步驟，如點(diǎn)云分割、特征提取等過程