基于双目结构光的工件位姿检测方法

面向机器人在柔性上下料中工件放置范围较大、摆放位姿不确定的应用场景,提出了一种基于双目结构光的空间位姿检测系统。基于双目结构光视觉系统获取工件点云数据,通过对Z轴分层遍历寻找工件最上层平面,利用其法向重新建立坐标系来矫正原始点云数据;将最上层点云数据映射转成2D图像,通过图像处理完成多个工件分割并获得工件位置信息进行点云粗配准,再通过ICP精配准得到工件的位姿信息。以检测料框为例进行实验,实验结果表明：视觉系统距检测目标3 m处,仍能输出多个料框的准确位姿信息,可有效提升工业机器人柔性上料的可靠性。     

基于双目结构光的工件位姿检测方法北大核心CSCD

面向机器人在柔性上下料中工件放置范围较大、摆放位姿不确定的应用场景,提出了一种基于双目结构光的空间位姿检测系统。基于双目结构光视觉系统获取工件点云数据,通过对Z轴分层遍历寻找工件最上层平面,利用其法向重新建立坐标系来矫正原始点云数据;将最上层点云数据映射转成2D图像,通过图像处理完成多个工件分割并获得工件位置信息进行点云粗配准,再通过ICP精配准得到工件的位姿信息。以检测料框为例进行实验,实验结果表明:视觉系统距检测目标3 m处,仍能输出多个料框的准确位姿信息,可有效提升工业机器人柔性上料的可靠性。     

应用摄像机位姿估计的点云初始配准

基于摄像机位姿估计的数学模型,提出了一种检测摄像机位移前后目标图像特征点的方法,通过求解摄像机发生位移前后的相对位姿矩阵来解决应用视觉图像获得点云的初始配准问题。首先,介绍了摄像机位姿估计模型,包括本质矩阵、旋转矩阵以及平移矩阵;然后,介绍了SURF算子的特征点检测、描述和匹配的方法,在此基础上面向双目视觉和单目结构光系统,分别提出了摄像机位移前后目标图像SURF特征点匹配和深度估计模型;最后,分别进行双目视觉和单目结构光系统点云的获取、位移前后目标图像特征点检测匹配和深度估计实验,应用摄像机位姿估计模型求解旋转矩阵和位移矩阵,并对位移矩阵进行统计分析剔除粗差。实验中采用基于点云空间特征点和基于图像的方法进行对比,点云对应特征点均方误差缩小至12.46mm。实验结果验证了方法的可行性,表明本文的点云初始配准方法能较好地获得点云精确配准初值。     

车辆轮对外型尺寸检测设备的研究

文中介绍了一种新型铁路货车轮对外形参数检测设备,它主要利用视觉系统进行非接触测量,通过工控机及PLC,实现了设备的自动化及信息化。重点介绍了设备的基本结构、控制系统、设备的工作过程。现场实践表明,该设备能够满足测量需求。     

一维非均匀齿轮形貌点云精确配准方法

为了提高虚拟齿轮形貌点云和实测非均匀齿轮形貌点云的配准精度提出一种配准方法。首先以实测齿轮形貌点云数据为基准生成与其数量相同的虚拟齿轮形貌点云数据;再利用互相关算法求出这两组点云数据的初相位,并对虚拟齿轮形貌点云进行相位平移;最后以实测齿轮形貌点云数据为基准,重新生成一组与其点与点对应的虚拟齿轮形貌点云数据,实现两组点云数据的精确配准。实验结果表明:当周采样数目为125952时,采用一维非均匀齿轮形貌点云配准方法较迭代最近点(ICP)算法,角位移配准精度提高了0.0008°,线位移配准精度提高了4μm。该方法可提高非均匀齿轮形貌点云的配准精度。     

序列图像约束的点云初始配准方法

针对现有算法难以精确配准重叠区域较小的点云,提出一种结合二维序列图像的点云初始配准方法。基于移动式三维测量方法获取实物表面灰度图像及三维数据,根据透视投影原理对相机在点云局部坐标系中的位置进行定位,获取点云到对应相机坐标系的变换矩阵,并以灰度图像的特征点及其匹配点作为匹配对,通过重建序列图像对相机外参数予以全局优化,根据初始配准公式实现点云初始配准。试验结果表明,该算法可正确配准重叠区域较小的点云,且能显著提高配准过程的稳健性及配准效率。     

高铁钢轨的三维结构光检测及视角优化研究

为满足高速铁路对钢轨更为严格的检测要求,同时实现检测过程的高效与数据的智能管理,提出了一种新的钢轨廓形非接触检测系统。针对在双目结构光检测过程中人为选择的检测仪视角对钢轨检测数据的不确定性影响,基于投影仪和系统最佳测量范围两方面影响因素,提出了视角优化方法,确定检测设备位置参数,保证点云数据的完整性和准确性。通过实地检测与实验对比,证明该视角优化方法确定的检测视角可获得较理想的检测结果,较好地解决了人为选择视角得到点云数据的缺失和冗余等缺陷。     

轮对轮辋厚度检测中图像配准方法研究

针对轮辋厚度参数的在线检测,提出了基于双相机的轮辋厚度参数检测方法,其中图像配准是影响该参数计算的重要因素。在分析轮对轮廓线图像特点的基础上,提出了利用配准板特征点的图像配准方法,设计了图像配准步骤,采用仿射变换作为图像配准中的变换模型。为保证配准精度,在综合考虑配准板上特征点的数量和特征点的分布的基础上设计了配准板。通过图像配准实验,提取了配准板特征点坐标,求解了仿射变换矩阵。实验表明,该方法的配准精度为2个像素。     

基于图像处理的轮对磨耗值检测方法的研究

提出了如何利用图像处理技术进行轮对磨耗值检测的一种方法,详细介绍了系统结构和图像处理的整个过程,从而实现了轮对磨耗值的非接触测量。测量精度可以达到0．1mm。     

颅骨点云模型的优化配准

由于颅骨的三维点云数据模型复杂且不同人的颅骨差异较小,对其配准精度要求较高。为了提高颅骨点云模型的配准精度和收敛速度,提出了一种先粗配准再细配准的配准方法。首先,对颅骨点云数据模型进行去噪、简化和归一化等预处理;然后,通过区域划分、区域配准和求解组合系数以及求解刚体变换等步骤实现区域层次上的颅骨粗配准;最后,通过引入动态迭代系数来改进基于旋转角约束的迭代最近点算法,并采用该改进的ICP算法实现颅骨的细配准,从而达到精确配准的目的。实验结果表明:与ICP算法相比,改进的ICP算法的配准精度和收敛速度分别提高了约30%和50%。证明该种先粗配准再细配准的颅骨点云模型配准方法是一种精度高、速度快的有效颅骨配准算法。     

基于激光扫描和SFM的非同步点云三维重构方法

室外场景具有测量数据量大、扫描数据易重叠及建筑物表面信息复杂等特点,单靠激光扫描方法能够获得场景精确的深度信息,但缺乏颜色和纹理信息,利用从运动中恢复结构(SFM)方法可获得丰富的彩色信息,但重构精度不高,若将两种设备固定进行在线实时同步测量,易受到测量环境和系统制约不易实现。针对此问题,提出了一种基于激光扫描和SFM结合的非同步点云数据融合的三维重构方法。首先,提出利用手动选择控制点进行7自由度初始配准,再利用迭代最近点(ICP)算法对初始配准结果进行精确配准,最后利用最近点搜索算法将分布在经基于面片的多视图立体视觉(PMVS)算法优化后的SFM数据中的颜色信息与激光扫描的点云坐标进行融合。实验结果和数据分析显示,本文的方法能有效地将激光扫描与SFM点云数据进行融合,实现了室外大场景的三维彩色重构。     

基于深度学习的三维点云分析方法研究进展

点云是目前自动驾驶、机器人、遥感、增强现实(AR)、虚拟现实(VR)、电力、建筑等领域最常用的三维数据处理形式,深 度学习方法能够处理大型数据,且可自主提取特征,因此点云深度学习方法已逐渐成为研究热点。 本文综述了近十年来基于深 度学习的三维点云分析方法的研究进展。 首先给出了三维点云深度学习的相关概念;然后针对点云目标检测与跟踪、分类分 割、配准和匹配以及拼接这 4 种任务,分别阐述了相应的深度学习方法的原理,分析并比较了各自的优缺点;随后整理了 18 种 点云数据集和 4 种点云分析任务的性能评价指标,并给出了性能对比结果;最后总结了点云分析方法目前存在的问题,对进一 步的研究工作进行了展望。     

基于激光三维扫描的人体特征尺寸测量

提出了一种利用三维人体点云数据测量人体关键尺寸的方法。应用线结构光激光三维扫描仪对特定站姿的人体进行扫描,获得完整三维人体点云。根据人体视线和脚尖的同向性及两腿的自然分开特征,对点云进行方位调整,使人体朝向z轴正方向。利用手动删除和最大连通域删除相结合删除噪声点。确定人体的6个特征点和20个特征平面,分别应用对应截面y坐标差值法测量长度尺寸,凸壳法测量截面周长,测量了34个人体关键长度和周长,对影响测量精度的因素进行了分析。结果表明,典型尺寸测量误差小于3%,可满足人类工效学等领域快速测量人体特征尺寸的要求。     

基于激光点云与图像信息融合的交通环境车辆检测

随着无人驾驶汽车的快速发展,仅依靠单一传感器的环境感知已经无法满足车辆在复杂交通场景下的目标检测需求。融合多种传感器数据已成为无人驾驶汽车的主流感知方案。提出一种基于激光点云与图像信息融合的交通环境车辆检测方法。首先,利用深度学习方法对激光雷达和摄像头传感器所采集的数据分别进行目标检测;其次,利用匈牙利算法对两种目标检测结果进行实时目标跟踪,进而对两种传感器检测及跟踪结果的特征进行最优匹配;最后,将已匹配及未匹配的目标进行择优输出,作为最终感知结果。利用公开数据集KITTI的部分交通环境跟踪序列及实际道路测试来验证所提方法,结果表明,所提融合方法实时车辆检测精度提升12%以上、误检数减少50%以上。