CN109211210B - 一种目标物体的识别定位测量方法及装置 - Google Patents

Abstract

本发明实施例提出一种目标物体的识别定位测量方法。目标物体的识别定位测量方法包括：获得目标物体的点云模型；依据区域生长法和点云模型构建至少一个种子面；依据种子面和预存储的样板平面判断目标物体是否满足平面相似条件；当目标物体满足平面相似条件时，依据点云模型和预存储的样板点云模型判断目标物体是否满足立体相似条件；当目标物体满足立体相似条件时，获取目标物体的位置信息。通过分级设立平面相似判断和立体相似判断，既提升了识别的准确性，又降低了程序的运行负担，提高了程序的运行效率，并获取识别的目标物体的位置信息。

Description

一种目标物体的识别定位测量方法及装置

技术领域

本发明涉及目标物体抓取技术领域，具体而言，涉及一种目标物体的识别定位测量方法及装置。

背景技术

目前，随着国内智能制造的日益普及，相关自动化设备市场前景广阔，尤其是以工业机器人为代表的相关自动化设备近年来一直保持市场需求井喷态势，作为工业机器人的重要应用方向，以机械臂与工业相机为硬件基础的，基于机器视觉技术的目标物体无序抓取被广泛应用于自动化生产线中的工业零配件自动识别与抓取工序中。

目标物体无序抓取技术实现的相关解决方案主要可基于2D或3D机器视觉，其中，基于2D机器视觉的解决方案主要针对表面几何形状较为简单，3D特征不突出的目标物体，在该类目标物体的识别场景中，2D机器视觉相关解决方案虽然具备高识别效率、低运算量、低延时等优点，但针对表面几何形状较为复杂的目标物体，其识别的成功率较低。3D机器视觉的解决方案具有更好的适应性，但于此同时，该类解决方案具备高运算量、高硬件配置需求等不足，从而影响其应用普及性。

发明内容

为了解决上述问题，本发明提供一种目标物体的识别定位测量方法及装置。

第一方面，本发明实施例提供了一种目标物体的识别定位测量方法，所述目标物体识别方法的步骤包括：

获得目标物体的点云模型；

依据区域生长法和所述点云模型构建至少一个种子面；

依据所述种子面和预存储的样板平面判断所述目标物体是否满足平面相似条件；

当所述目标物体满足平面相似条件时，依据所述点云模型和预存储的样板点云模型判断所述目标物体是否满足立体相似条件；

当所述目标物体满足立体相似条件时，获取所述目标物体的位置信息。

第二方面，本发明实施例还提供了一种目标物体的识别定位测量装置，包括：

点云模型获得单元：用于获得目标物体的点云模型；

种子面构建单元：用于依据区域生长法和所述点云模型构建至少一个种子面；

判断单元：用于依据所述种子面和预存储的样板平面判断所述目标物体是否满足平面相似条件；

所述判断单元还用于当所述目标物体满足平面相似条件时，依据所述点云模型和预存储的样板点云模型判断所述目标物体是否满足立体相似条件。

位置信息获取单元，用于当所述目标物体满足立体相似条件时，获取所述目标物体的位置信息。

本发明实施例提供的目标物体的识别定位测量方法及装置的有益效果：获得目标物体的点云模型；依据区域生长法和点云模型构建至少一个种子面；依据种子面和预存储的样板平面判断目标物体是否满足平面相似条件；当目标物体满足平面相似条件时，依据点云模型和预存储的样板点云模型判断目标物体是否满足立体相似条件；当目标物体满足立体相似条件时，获取目标物体的位置信息。其中，“依据种子面和预存储的样板平面判断目标物体是否满足平面相似条件？”和“依据点云模型和预存储的样板点云模型判断目标物体是否满足立体相似条件？”通过分级设立平面相似判断和立体相似判断，既提升了识别的准确性，又降低了程序的运行负担，提高了程序的运行效率，并获取识别的目标物体的位置信息。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本发明实施例提供的目标物体的识别定位测量方法的应用环境示意图；

图2示出了本发明实施例提供的目标物体的识别定位测量方法的用户终端结构框图；

图3示出了本发明实施例提供的目标物体的识别定位测量方法的流程示意图；

图4示出了本发明实施例提供的目标物体的识别定位测量方法中的步骤S120的子步骤的流程示意图；

图5示出了本发明实施例提供的目标物体的识别定位测量方法中的步骤S130的子步骤的流程示意图；

图6示出了本发明实施例提供的目标物体的识别定位测量装置的功能单元图。

图标：10-控制器；20-外设接口；30-显示装置；40-存储器；50-信息采集设备；60-存储控制器；70-抓取设备；100-用户终端；200-目标物体的识别定位测量装置；201-点云模型获取单元；202-种子面构建单元；203-判断单元；204-位置信息获取单元；205-特征点信息获取单元；206-数字化信息获取单元。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本发明较佳实施例提供的一种目标物体的识别定位测量方法，基于程序交互，可应用于如图1所示应用环境，用户终端100分别与信息采集设备50、抓取设备70电连接。如图2所示，用户终端100包括：控制器10、外设接口20、显示装置30、存储器40、存储控制器60。这些组件通过一条或多条通讯总线/信号线相互通讯。

目标物体的识别定位测量装置200包括至少一个可以软件或固件(firmware)的形式存储于存储器40中或固化在控制器10的操作系统(operating system，OS)中的软件功能模块。

控制器10种类有多种选择，例如：中央处理器(Central Processing Unit，CPU)、数字信号处理器(Digital Signal Processing，DSP)、可编程逻辑器件(ComplexProgrammable Logic Device，CPLD)、现场可编程阵列(Field-Programmable Gate Array，FPGA)、单片机等。本实施例中采用CPU。

存储器40可用于存储软件程序以及模块，如本发明实施例中的图片处理装置及方法所对应的程序指令/模块，目标物体的识别定位测量装置200。控制器10通过运行存储在存储器40内的软件程序以及模块，从而执行各种功能应用以及数据处理，如本发明实施例提供的目标物体的识别定位测量方法。存储器40还可用于存储控制器10传输的其他数据。

外设接口20用于将各种输入/输出装置耦合至控制器10以及存储器40。在一些实施例中，外设接口20、控制器10以及存储控制器60可以在单个芯片中实现，在其他一些实施例中，他们可以分别由独立的芯片实现。

显示装置30用于显示控制器10传输的信息，例如图像信息，便于用户观察等。

信息采集设备50可以为三维激光扫描仪，该信息采集设备50用于采集目标物体的图像信息、构建对应的点云模型，并将该点云模型传输给控制器10。

抓取设备70用于执行控制器10传输的抓取命令。

本发明较佳实施例提供的一种目标物体的识别定位测量方法可以在上述环境下实施，具体流程步骤如图3所示：

步骤S110：获得目标物体的点云模型。

具体地，信息采集设备50采集目标物体的图像信息，构建对应的点云模型，并将该点云模型发送给控制器10。控制器10获得对应的点云模型。信息采集设备50可以同时采集多个目标物体的图像信息，同时分别构建对应的多个点云模型，例如5个或3个，在此不做任何限定。

步骤S120：依据区域生长法和所述点云模型构建至少一个种子面。

区域生长法(Region Growing)是指将成组的像素或区域发展成更大区域的过程。从种子点的集合开始，从这些点的区域增长是通过将与每个种子点有相似属性像强度、灰度级、纹理颜色等的相邻像素合并到此区域。

具体地，步骤S120构建其中一个种子面的子步骤，如图4所示：

步骤S121：在所述点云模型中随机选取1个点作为基点。

步骤S122：获取所述基点的一阶相邻点。

其中，所述一阶相邻点包括所有与所述基点的距离小于或等于预设的第四阈值的点；

所述第四阈值根据所述点云模型的大小具体设置，在此不做任何限定。具体的，从所述点云模型中筛选出与所述基点的距离小于或等于预设的第四阈值的所有点。所以，所述一阶相邻点不止一个，数量由实际筛选后得出。

步骤S123：判断所述基点的法线和每个所述一阶相邻点的法线的夹角是否均小于预设的第五阈值？若是，则执行步骤S124；若否，则执行步骤S123，排除已选择的点，从所述点云模型中再任选1个点作为基点。

具体地，所述点云模型中的每一个点都标有法线(向量)。当所述基点为棱边或棱角附近的点时，则不满足所述基点的法线和每个所述一阶相邻点的法线的夹角是否均小于预设的第五阈值的条件。

当所述基点的法线和每个所述一阶相邻点的法线的夹角均小于预设的第五阈值时，则可以判断出，所述基点远离棱边和棱角，位于某一个种子面的优选位置。

如此，可排除所述基点为棱边或棱角附近的点，从而避免构建错误的种子面，优化了识别效果。

步骤S124：将所述基点认定为第一种子点，并生成对应所述第一种子点的所述种子面。

具体地，依据所述第一种子点，生成对应的所述种子面，所述种子面并非传统意义上的平面，可以理解为，一个相对高度较低的立体图形，其中，可以包括多个不再同一平面上的点。

步骤S125：将所述一阶相邻点认定为第二种子点。

具体地，重新认定所述一阶相邻点认定为第二种子点。

步骤S126：将所述第二种子点纳入所述种子面。

具体地，将所述第二种子点加入所述种子面中点的集合。

步骤S127：获取所述第二种子点的二阶相邻点。

其中，所述二阶相邻点包括所有与所述第二种子点的距离小于或等于预设的第四阈值且未被纳入所述种子面的点。同理步骤S122，所述二阶相邻点也不止一个。

步骤S128：判断所述二阶相邻点的法线和所述第二种子点的法线的夹角是否小于预设的第五阈值？若是，执行步骤S129；若否，则结束步骤。

具体地，逐个判断所述二阶相邻点的法线和所述第二种子点的法线的夹角是否小于预设的所述第五阈值，排除其中法线夹角大于或等于预设的所述第五阈值的所述二阶相邻点。

筛选出，其中法线夹角小于预设的所述第五阈值的所述二阶相邻点的所有点，这里可能有多个，也可能只有一个，当然也可能一个都没有。当一个也没有时，也就是说所有所述二阶相邻点的法线和所述第二种子点的法线的夹角均大于或等于预设的第五阈值时，则结束步骤。

所述第五阈值可以由建模时工作人员具体设置。

步骤S129：将对应的所述二阶相邻点认定为下一代第二种子点

具体地，对应的所述二阶相邻点为法线夹角小于预设的所述第五阈值的所述二阶相邻点的所有点。将满足该条件的所有点均认定为下一代的第二种子点。并重复执行步骤S126。

当上述步骤S121～步骤S129结束后，可以重复执行步骤S121，取点的范围为所述点云模型中还未被所述种子面纳入的点的集合。直至，所述点云模型中的每一个点都被纳入某一个种子面。

当多个所述种子面中有重复的面时，将重复的所述种子面合并。

具体地，当其中两个种子面的法线夹角小于第六阈值，且两个种子面间的距离小于第七阈值时，则认定上述两个种子重合、重复。

步骤S130：依据所述种子面和预存储的样板平面判断所述目标物体是否满足平面相似条件？

具体地，步骤S130包括三种情况：

第一种，如图5所示：

步骤S131：获取与所述种子面对应的种子特征点信息。

具体地，依据特征点提取和描述算法(Oriented FAST and Rotated BRIEF，ORB)，提取所述种子面的种子特征点信息。

步骤S132：判断所述种子特征点信息与所述样本特征点信息的重合度是否大于第一阈值？若是，则执行步骤133；若是，则结束步骤。

具体地，将所述种子特征点信息和所述样本特征点匹配，当对应的重合度大于所述第一阈值，说明满足该条件。所述第一阈值，可由工作人员建模时，依据所述点云模型设定。

步骤S133：获取与所述种子面对应的种子数字化信息。

具体地，距离特征提取的数据匹配算法(Chamfer)获取对应的种子数字化信息。

步骤S134：判断所述种子数字化信息与所述样本数字化信息的重合度是否大于第二阈值？若是，则执行步骤135；若否，则结束步骤。

具体地，将所述种子数字化信息和所述样本数字化信息匹配，当对应的重合度大于所述第二阈值，说明满足该条件。所述第二阈值，可由工作人员建模时，依据所述点云模型设定。

步骤S135：认定所述目标物体满足平面相似条件。

通过两次判断认定，提升了识别结果的准确性。

当然，也可以是步骤S133和步骤S134在前，步骤S131和步骤132在后。

第二种：

获取与所述种子面对应的种子特征点信息；如步骤S131。

当所述种子特征点信息与所述样本特征点信息的重合度大于第一阈值时，则认定所述目标物体满足平面相似条件，如连续执行步骤132和步骤S135。

第三种：

获取与所述种子面对应的种子数字化信息；如步骤S133。

当所述种子数字化信息与所述样本数字化信息的重合度大于第二阈值时，则认定所述目标物体满足平面相似条件，如连续执行步骤134和步骤S135。

步骤S140：依据所述点云模型和预存储的样板点云模型判断所述目标物体是否满足立体相似条件？若是，执行步骤S150；若否，则结束步骤。

具体地，依据迭代就近点算法(Iterative Closest Point，ICP)匹配所述点云模型和预存储的样板点云模型。当他们的重合度大于预设的所述第三阈值时，则认定所述点云模型和预存储的样板点云模型判断所述目标物体满足立体相似条件。

通过分级设立平面相似判断和立体相似判断，既提升了识别的准确性，又降低了程序的运行负担，提高了程序的运行效率。

步骤S150：获取所述目标物体的位置信息。

具体地，当所述目标物体满足上述的判断条件，则获取其位置信息，并依据其位置信息，控制所述抓取设备70抓取所述目标物体。可以理解地，通过目标物体和预设的目标场景获取其位置信息。

请参阅6，图6为本发明较佳实施例提供的一种目标物体的识别定位测量装置200。需要说明的是，本实施例所提供的目标物体的识别定位测量装置200，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述实施例中相应内容。

目标物体的识别定位测量装置200应用于控制器10，目标物体的识别定位测量装置200包括：点云模型获得单元201、种子面构建单元202、判断单元203、位置信息获取单元204、特征点信息获取单元205、数字化信息获取单元206。

点云模型获得单元201，用于获得目标物体的点云模型。

具体地，点云模型获得单元201可以执行步骤S110。

种子面构建单元202，用于依据区域生长法和所述点云模型构建至少一个种子面。

具体地，种子面构建单元202可以执行步骤S120。

判断单元203，用于依据所述种子面和预存储的样板平面判断所述目标物体是否满足平面相似条件。具体地，判断单元203可以执行步骤S130。

判断单元203还用于当所述目标物体满足平面相似条件时，依据所述点云模型和预存储的样板点云模型判断所述目标物体是否满足立体相似条件。具体地，判断单元203还可以执行步骤S140。

位置信息获取单元204，用于当所述目标物体满足立体相似条件时，获取所述目标物体的位置信息。具体地，位置信息获取单元204可以执行步骤S150。

特征点信息获取单元205，用于获取与所述种子面对应的种子特征点信息。具体地，特征点信息获取单元205可以执行步骤S131。

判断单元203还用于判断所述种子特征点信息与所述样本特征点信息的重合度是否大于第一阈值。具体地，判断单元203还可以执行步骤S132。若是，则所述目标物体满足平面相似条件。

数字化信息获取单元206，用于获取与所述种子面对应的种子数字化信息。具体地，数字化信息获取单元206可以执行步骤S133。

判断单元203还可用于判断所述种子数字化信息与所述样本数字化信息的重合度是否大于第二阈值；具体地，判断单元203还可以执行步骤S140。若是，则所述目标物体满足平面相似条件。

判断单元203还用于依据迭代就近点算法判断所述点云模型中的点和所述样板点云模型中的点重合度是否大于第三阈值；若是，则所述目标物体满足立体相似条件。

综上所述，本发明较佳实施例提供的目标物体的识别定位测量方法及装置中：首先，设立“依据所述种子面和预存储的样板平面判断所述目标物体是否满足平面相似条件？”和“依据所述点云模型和预存储的样板点云模型判断所述目标物体是否满足立体相似条件？”通过分级设立平面相似判断和立体相似判断，既提升了识别的准确性，又降低了程序的运行负担，提高了程序的运行效率；其次，在平面相似的判断中，设立特征点信息匹配判断和数字化信息匹配判断，通过两次判断认定，进一步提升了识别结果的准确性；最后，在种子面的构建过程中，设置种子点筛选过程“判断所述基点的法线和每个所述一阶相邻点的法线的夹角是否均小于预设的第五阈值？”，可排除所述基点为棱边或棱角附近的点，从而避免构建错误的种子面，优化了识别效果。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种目标物体的识别定位测量方法，其特征在于，所述目标物体识别方法的步骤包括：

获得目标物体的点云模型；

依据区域生长法和所述点云模型构建至少一个种子面；

依据所述种子面和预存储的样板平面判断所述目标物体是否满足平面相似条件；

当所述目标物体满足平面相似条件时，依据所述点云模型和预存储的样板点云模型判断所述目标物体是否满足立体相似条件；

当所述目标物体满足立体相似条件时，获取所述目标物体的位置信息；

所述依据区域生长法和所述点云模型构建至少一个种子面的步骤包括：

在所述点云模型中随机选取1个点作为基点；

获取所述基点的一阶相邻点；其中，所述一阶相邻点包括所有与所述基点的距离小于或等于预设的第四阈值的点；

当所述基点的法线和每个所述一阶相邻点的法线的夹角均小于预设的第五阈值时，将所述基点认定为第一种子点，并生成对应所述第一种子点的所述种子面；

将所述一阶相邻点认定为第二种子点；

将所述第二种子点纳入所述种子面；

获取所述第二种子点的二阶相邻点；其中，所述二阶相邻点包括所有与所述第二种子点的距离小于或等于预设的第四阈值且未被纳入所述种子面的点；

当所述二阶相邻点的法线和所述第二种子点的法线的夹角小于预设的第五阈值时，将对应的所述二阶相邻点认定为下一代第二种子点；

循环执行上述步骤，至所有所述二阶相邻点的法线和所述第二种子点的法线的夹角均大于或等于预设的第五阈值。

2.根据权利要求1所述的目标物体的识别定位测量方法，其特征在于，所述样板平面包括样本特征点信息，所述依据所述种子面和预存储的样板平面判断所述目标物体是否满足平面相似条件的步骤包括：

获取与所述种子面对应的种子特征点信息；

当所述种子特征点信息与所述样本特征点信息的重合度大于第一阈值时，则认定所述目标物体满足平面相似条件。

3.根据权利要求1所述的目标物体的识别定位测量方法，其特征在于，所述样板平面包括样本数字化信息，所述依据所述种子面和预存储的样板平面判断所述目标物体是否满足平面相似条件的步骤包括：

获取与所述种子面对应的种子数字化信息；

当所述种子数字化信息与所述样本数字化信息的重合度大于第二阈值时，则认定所述目标物体满足平面相似条件。

4.根据权利要求1所述的目标物体的识别定位测量方法，其特征在于，所述依据所述点云模型和预存储的样板点云模型判断所述目标物体是否满足立体相似条件的步骤包括：

依据迭代就近点算法判断所述点云模型中的点和所述样板点云模型中的点重合度是否大于第三阈值；

若是，则所述目标物体满足立体相似条件。

5.根据权利要求1所述的目标物体的识别定位测量方法，其特征在于，所述目标物体的识别定位测量方法的步骤还包括：

当多个所述种子面中有重复的面时，将重复的种子面合并。

6.一种目标物体的识别定位测量装置，其特征在于，包括：

点云模型获得单元：用于获得目标物体的点云模型；

种子面构建单元：用于依据区域生长法和所述点云模型构建至少一个种子面；

判断单元：用于依据所述种子面和预存储的样板平面判断所述目标物体是否满足平面相似条件；

所述判断单元还用于当所述目标物体满足平面相似条件时，依据所述点云模型和预存储的样板点云模型判断所述目标物体是否满足立体相似条件；

位置信息获取单元，用于当所述目标物体满足立体相似条件时，获取所述目标物体的位置信息：

所述依据区域生长法和所述点云模型构建至少一个种子面的步骤包括：

在所述点云模型中随机选取1个点作为基点；

获取所述基点的一阶相邻点；其中，所述一阶相邻点包括所有与所述基点的距离小于或等于预设的第四阈值的点；

当所述基点的法线和每个所述一阶相邻点的法线的夹角均小于预设的第五阈值时，将所述基点认定为第一种子点，并生成对应所述第一种子点的所述种子面；

将所述一阶相邻点认定为第二种子点；

将所述第二种子点纳入所述种子面；

获取所述第二种子点的二阶相邻点；其中，所述二阶相邻点包括所有与所述第二种子点的距离小于或等于预设的第四阈值且未被纳入所述种子面的点；

当所述二阶相邻点的法线和所述第二种子点的法线的夹角小于预设的第五阈值时，将对应的所述二阶相邻点认定为下一代第二种子点；

循环执行上述步骤，至所有所述二阶相邻点的法线和所述第二种子点的法线的夹角均大于或等于预设的第五阈值。

7.根据权利要求6所述的目标物体的识别定位测量装置，其特征在于，所述样板平面包括样本特征点信息，所述目标物体的识别定位测量装置还包括：

特征点信息获取单元：用于获取与所述种子面对应的种子特征点信息；

所述判断单元还用于判断所述种子特征点信息与所述样本特征点信息的重合度是否大于第一阈值；

若是，则所述目标物体满足平面相似条件。

8.根据权利要求6所述的目标物体的识别定位测量装置，其特征在于，所述样板平面包括样本数字化信息，所述目标物体的识别定位测量装置还包括：

数字化信息获取单元，用于获取与所述种子面对应的种子数字化信息；

所述判断单元还用于判断所述种子数字化信息与所述样本数字化信息的重合度是否大于第二阈值；

若是，则所述目标物体满足平面相似条件。

9.根据权利要求6所述的目标物体的识别定位测量装置，其特征在于，

所述判断单元还用于依据迭代就近点算法判断所述点云模型中的点和所述样板点云模型中的点重合度是否大于第三阈值；

若是，则所述目标物体满足立体相似条件。

Images