CN106934372A - 基于传统vfh描述子加入颜色信息的点云分类方法 - Google Patents

基于传统vfh描述子加入颜色信息的点云分类方法 Download PDF

Info

Publication number
CN106934372A
CN106934372A CN201710148764.9A CN201710148764A CN106934372A CN 106934372 A CN106934372 A CN 106934372A CN 201710148764 A CN201710148764 A CN 201710148764A CN 106934372 A CN106934372 A CN 106934372A
Authority
CN
China
Prior art keywords
point
vfh
histogram
point cloud
color
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710148764.9A
Other languages
English (en)
Other versions
CN106934372B (zh
Inventor
高会军
林伟阳
毕程
李湛
邱剑彬
杨学博
于兴虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201710148764.9A priority Critical patent/CN106934372B/zh
Publication of CN106934372A publication Critical patent/CN106934372A/zh
Application granted granted Critical
Publication of CN106934372B publication Critical patent/CN106934372B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

基于传统vfh描述子加入颜色信息的点云分类方法，本发明涉及点云分类方法。本发明是要解决现有的基于点云vfh描述子直方图的分类方法存在着显著的问题以及对于比较接近的物体无法进行区分的问题，而提出的基于传统vfh描述子加入颜色信息的点云分类方法。该方法是通过一、将点云以保留颜色的格式存储；二、将保留颜色的格式存储的点云按照传统的vfh描述子计算方法计算快速点特征直方图FPFH得到视点相关的特征分量；三、生成颜色直方图，并将颜色直方图取代原直方图单个区间的位置；四、对于待识别的物体用Kd树进行搜索得到分类结果等步骤实现的。本发明应用于点云分类领域。

Description

基于传统vfh描述子加入颜色信息的点云分类方法
技术领域
本发明涉及点云分类方法，特别涉及基于传统vfh描述子加入颜色信息的点云分类方法。
背景技术
随着3D摄像头的出现，引入深度信息的三维图像成了机器人视觉领域的新的焦点，如何让机器人对物体进行分类并配准有着重要的意义。现有的基于点云vfh描述子直方图的分类方法存在着显著的问题，对于比较接近的物体或者仅仅是颜色不同的物体无法进行区分。
发明内容
本发明的目的是为了解决现有的基于点云vfh描述子直方图的分类方法存在着显著的问题以及对于比较接近的物体或者仅仅是颜色不同的物体无法进行区分的问题，而提出的基于传统vfh描述子加入颜色信息的点云分类方法。
上述的发明目的是通过以下技术方案实现的：
步骤一、获取被识别物体的点云，将点云以保留颜色的格式存储；
步骤二、将保留颜色的格式存储的点云按照传统的vfh描述子计算方法计算快速点特征直方图FPFH得到视点相关的特征分量；
步骤三、根据实际情况划分合适的区间个数，在FPFH直方图分量内，对每个区间内的点采集颜色信息，设置阈值，生成颜色直方图，并将颜色直方图取代原直方图单个区间的位置；其中，颜色直方图的所有区间内取直方图时均采用相同的阈值和横坐标颜色排序；每个区间都完成后原VFH直方图扩展为带有颜色的vfh描述子的特征向量cvfh；
步骤四、将各个待识别物体的cvfh直方图作为样本，在识别阶段，根据样本建立Kd树，对于待识别的物体用Kd树进行搜索得到分类结果。
发明效果
本发明了cvfh(coloutViewpoint Feature Histogram)描述子，合理利用了点云的颜色信息对点云的特征进行描述；合理的利用了三维点云的颜色信息，在不明显增加运算时间的情况下极大的提高了分类的准确率和识别外形相近但是颜色不同的物体的能力。
附图说明
图1为本发明流程图。
具体实施方式
具体实施方式一：如图1所示，本实施方式的基于传统vfh描述子加入颜色信息的点云分类方法，具体是按照以下步骤制备的：
步骤一、获取被识别物体的点云，将点云以保留颜色的格式存储；
步骤二、将保留颜色的格式存储的点云按照传统的vfh描述子计算方法计算快速点特征直方图FPFH得到视点相关的特征分量；
步骤三、根据实际情况划分合适的区间个数，在FPFH直方图分量内，对每个区间内的点采集颜色信息，设置合适的阈值(根据人为需要所设定)，生成颜色直方图，并将颜色直方图取代原直方图单个区间的位置；其中，颜色直方图的所有区间内取直方图时均采用相同的阈值和横坐标颜色排序；每个区间都完成后原VFH直方图扩展为带有颜色的vfh描述子的特征向量cvfh；
步骤四、将各个待识别物体的cvfh直方图作为样本，在识别阶段，根据样本建立Kd树，对于待识别的物体用Kd树进行搜索得到分类结果。
本实施方式效果：
本实施方式了cvfh(coloutViewpoint Feature Histogram)描述子，合理利用了点云的颜色信息对点云的特征进行描述；合理的利用了三维点云的颜色信息，在不明显增加运算时间的情况下极大的提高了分类的准确率和识别外形相近但是颜色不同的物体的能力。
具体实施方式二：本实施方式与具体实施方式一不同的是：步骤二中保留颜色的格式存储的点云按照传统的vfh描述子计算方法计算快速点特征直方图FPFH得到视点相关的特征分量具体为：
步骤二一、扩展快速点特征直方图FPFH，利用整个点云对象估计扩展快速点特征直方图FPFH(对每个特征合理划分区间，统计落入每个区间的点个数生成快速点特征直方图FPFH)；
在计算FPFH时以物体表面点云的中心点与物体表面点云的其他所有点之间的点对作为计算单元，生成FPFH直方图分量；
步骤二二、添加视点方向与每个点估计法线之间额外的统计信息，通过统计视点方向与每个法线之间角度的直方图来计算视点相关的特征分量；
注意：并不是每条法线的视角，因为法线的视角在尺度变换下具有可变性，法线的视角指的是平移视点到查询点后的视点方向和每条法线间的角度。其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是：步骤二二中每个法线的视角指的是平移视点到查询点后的视点方向和每条法线间的角度。其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：步骤四中利用Kd树进行搜索得到分类结果具体为：选择在k-d树中与待识别的物体的查询点距离最近的数据点作为分类结果。其它步骤及参数与具体实施方式一至三之一相同。

Claims (4)

1.基于传统vfh描述子加入颜色信息的点云分类方法，其特征在于，该方法具体是按照以下步骤进行的：
步骤一、获取被识别物体的点云，将点云以保留颜色的格式存储；
步骤二、将保留颜色的格式存储的点云按照传统的vfh描述子计算方法计算快速点特征直方图FPFH得到视点相关的特征分量；
步骤三、根据实际情况划分合适的区间个数，在FPFH直方图分量内，对每个区间内的点采集颜色信息，设置阈值，生成颜色直方图，并将颜色直方图取代原直方图单个区间的位置；其中，颜色直方图的所有区间内取直方图时均采用相同的阈值和横坐标颜色排序；每个区间都完成后原VFH直方图扩展为带有颜色的vfh描述子的特征向量cvfh；
步骤四、将各个待识别物体的cvfh直方图作为样本，在识别阶段，根据样本建立Kd树，对于待识别的物体用Kd树进行搜索得到分类结果。
2.根据权利要求1所述基于传统vfh描述子加入颜色信息的点云分类方法，其特征在于：步骤二中保留颜色的格式存储的点云按照传统的vfh描述子计算方法计算快速点特征直方图FPFH得到视点相关的特征分量具体为：
步骤二一、扩展快速点特征直方图FPFH，利用整个点云对象估计扩展快速点特征直方图FPFH；
在计算FPFH时以物体表面点云的中心点与物体表面点云的其他所有点之间的点对作为计算单元，生成FPFH直方图分量；
步骤二二、通过统计视点方向与每个法线之间角度的直方图来计算视点相关的特征分量。
3.根据权利要求1所述基于传统vfh描述子加入颜色信息的点云分类方法，其特征在于：步骤二二中每个法线的视角指的是平移视点到查询点后的视点方向和每条法线间的角度。
4.根据权利要求1所述基于传统vfh描述子加入颜色信息的点云分类方法，其特征在于：步骤四中利用Kd树进行搜索得到分类结果具体为：选择在k-d树中与待识别的物体的查询点距离最近的数据点作为分类结果。
CN201710148764.9A 2017-03-13 2017-03-13 基于传统vfh描述子加入颜色信息的点云分类方法 Active CN106934372B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710148764.9A CN106934372B (zh) 2017-03-13 2017-03-13 基于传统vfh描述子加入颜色信息的点云分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710148764.9A CN106934372B (zh) 2017-03-13 2017-03-13 基于传统vfh描述子加入颜色信息的点云分类方法

Publications (2)

Publication Number Publication Date
CN106934372A true CN106934372A (zh) 2017-07-07
CN106934372B CN106934372B (zh) 2020-05-26

Family

ID=59432999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710148764.9A Active CN106934372B (zh) 2017-03-13 2017-03-13 基于传统vfh描述子加入颜色信息的点云分类方法

Country Status (1)

Country Link
CN (1) CN106934372B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107748890A (zh) * 2017-09-11 2018-03-02 汕头大学 一种基于深度图像的视觉抓取方法、装置及其可读存储介质
CN109191484A (zh) * 2018-09-06 2019-01-11 杭州中科天维科技有限公司 一种从机载激光雷达点云中快速提取平面片的方法
CN110097598A (zh) * 2019-04-11 2019-08-06 暨南大学 一种基于pvfh特征的三维物体位姿估计方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104038752A (zh) * 2014-06-04 2014-09-10 上海师范大学 基于三维高斯混合模型的多视点视频直方图颜色校正
CN104809457A (zh) * 2015-05-26 2015-07-29 牟永敏 一种基于区域化隐函数特征的三维人脸识别方法及系统
CN104950883A (zh) * 2015-05-14 2015-09-30 西安电子科技大学 一种基于距离网格地图的移动机器人路径规划方法
US20160224858A1 (en) * 2015-02-04 2016-08-04 GM Global Technology Operations LLC Method and device for recognizing a known object in a field of view of a three-dimensional machine vision system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104038752A (zh) * 2014-06-04 2014-09-10 上海师范大学 基于三维高斯混合模型的多视点视频直方图颜色校正
US20160224858A1 (en) * 2015-02-04 2016-08-04 GM Global Technology Operations LLC Method and device for recognizing a known object in a field of view of a three-dimensional machine vision system
CN104950883A (zh) * 2015-05-14 2015-09-30 西安电子科技大学 一种基于距离网格地图的移动机器人路径规划方法
CN104809457A (zh) * 2015-05-26 2015-07-29 牟永敏 一种基于区域化隐函数特征的三维人脸识别方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHIN-SHENG CHEN等: ""Three-Dimensional Object Recognition and Registration for Robotic Grasping Systems Using a Modified Viewpoint Feature Histogram"", 《SENSORS》 *
YASIR SALIH等: ""Compressed VFH descriptor for 3D object classification"", 《2014 3DTV-CONFERENCE》 *
吴婷璇等: ""基于三维彩色点云的物体识别算法"", 《电视技术》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107748890A (zh) * 2017-09-11 2018-03-02 汕头大学 一种基于深度图像的视觉抓取方法、装置及其可读存储介质
CN109191484A (zh) * 2018-09-06 2019-01-11 杭州中科天维科技有限公司 一种从机载激光雷达点云中快速提取平面片的方法
CN109191484B (zh) * 2018-09-06 2019-06-21 杭州中科天维科技有限公司 一种从机载激光雷达点云中快速提取平面片的方法
CN110097598A (zh) * 2019-04-11 2019-08-06 暨南大学 一种基于pvfh特征的三维物体位姿估计方法
CN110097598B (zh) * 2019-04-11 2021-09-07 暨南大学 一种基于pvfh特征的三维物体位姿估计方法

Also Published As

Publication number Publication date
CN106934372B (zh) 2020-05-26

Similar Documents

Publication Publication Date Title
Myers et al. Affordance detection of tool parts from geometric features
CN103207879B (zh) 图像索引的生成方法及设备
CN109344874A (zh) 一种基于深度学习的染色体自动分析方法及系统
CN107369161A (zh) 一种基于改进欧式聚类的散乱工件点云分割方法
CN106651882B (zh) 一种基于机器视觉的燕窝杂质识别与检测方法及装置
CN105608441B (zh) 一种车型识别方法及系统
CN106570468A (zh) 一种重建LiDAR原始点云建筑物轮廓线的方法
CN106934372A (zh) 基于传统vfh描述子加入颜色信息的点云分类方法
CN107437060A (zh) 对象识别设备、对象识别方法和程序
CN109101864A (zh) 基于关键帧和随机森林回归的人体上半身动作识别方法
CN111311702B (zh) 一种基于BlockGAN的图像生成和识别模块及方法
CN109490838A (zh) 一种面向数据库残缺的雷达辐射源识别方法
CN105069816B (zh) 一种进出口人流量统计的方法及系统
Blank et al. 6DoF pose-estimation pipeline for texture-less industrial components in bin picking applications
KR20090092486A (ko) 3차원 회전대칭형 물체의 자가 모델링 방법 및 장치
CN102708367A (zh) 基于目标轮廓特征的图像识别方法
CN101339556B (zh) 一种利用圆锥坐标实现图像颜色相似对比的方法
CN102930538A (zh) 高斯势与空间直方图融合的自适应图像分割方法
CN107274425B (zh) 一种基于脉冲耦合神经网络的彩色图像分割方法及装置
CN114863464A (zh) 一种pid图纸图件信息的二阶识别方法
CN110969260A (zh) 不平衡数据过采样方法、装置及存储介质
Geetha et al. An improved method for segmentation of point cloud using minimum spanning tree
CN104134073B (zh) 一种基于一类归一化的遥感影像单类分类方法
CN104036232A (zh) 一种基于图像边缘特征分析的领带花型检索方法
Zhang et al. Fully automatic system for fish biomass estimation based on deep neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant