CN111028345B - 一种港口场景下圆形管道的自动识别与对接方法 - Google Patents

Abstract

本发明公开了一种港口基于智能液液压输油臂技术的圆形管道自动识别与对接方法，其步骤包括：1利用集成云台旋转二维激光扫描仪产生俯仰角，从而获取圆形管道多视角三维点云信息；2利用三维空间格网建立无序点云空间索引结构，加快数据预处理速度；3对建立数据索引结构的点云进行预处理，从而将整个场景的三维点云分割成代表不同物体的三维点云聚类；4对采集的点云数据集进行训练，并且不断更新，形成时相不变特征模型库；5利用模型库完成对港口场景下的圆形管道自识别并与液压输油臂自动对接。本发明能实现圆形管道自识别并与液压输油臂的精准对接，从而向智能化的港口发展迈向新的一步。

Description

一种港口场景下圆形管道的自动识别与对接方法

技术领域

本发明涉及测绘定位技术领域，具体的涉及一种港口用圆形管道自动识别与对接方法。

背景技术

随着我国港口码头建设的不断发展，相关工作量大规模提升以及高危人力作业缺口严重，迫切需要寻求新的替代方式。在以往的传统作业中，采用接触式的检测与测量定位方式不但加重人力负担而且具有很高的危险性，而在非接触性的检测中，有基于深度学习的识别算法、采用相机照片的方式对所采集的场景信息进行解析等方法，但是这些方式容易受到天气因素的影响，如在高光强度下产生的图片化信息模糊进而影响到检测与定位的精度结果从而难以得到高可靠及高适用性。目前主流的激光扫描技术成本较高且在港口应用较少，难以满足其亟待解决的需求问题。因此，面对传统方式的不足迫切需要一种新的智能化方式产生。

发明内容

本发明为克服上述现有技术的不足之处，提供一种港口场景下圆形管道的自动识别与液压输油臂的对接方法，以期针对于港口码头复杂场景，实现液压输油臂与港口码头圆形管道的精准对接，从而高效的解决现有技术中无法自动识别对接的问题，并提高识别与定位的精度。

本发明解决上述技术问题的技术方案如下：

本发明一种港口场景下圆形管道的自动识别与对接方法的特点是按如下步骤进行：

步骤S1，利用集成云台旋转二维激光扫描仪并产生俯仰角，从而获取圆形管道的各视角下的三维点云信息；

步骤S2，建立所述三维点云信息与三维空间格网之间的关系，从而得到具有数据索引结构的点云数据；

步骤S3，对所述具有数据索引结构的点云数据进行点云滤波与点云聚类分割，得到代表不同物体的三维点云聚类；

步骤S4，利用改进的点云特征算法对所述三维点云聚类进行训练，从而获取圆形管道各个视角下的点云数据集模型库；

步骤S5，利用所述点云数据集模型库实现对港口场景下圆形管道的自识别与液压输油臂的自动对接。

本发明所述自动识别与对接方法的特点也在于，所述步骤S2是按如下过程进行：

步骤S2.1，针对任意一个视角下的三维点云信息，获取三维点云信息在三维坐标X、Y、Z的三个方向上的最大值(X_max,Y_max,Z_max)与最小值(X_min,Y_min,Z_min)；

步骤S2.2，设定微小量δ，并将(X_max+δ,Y_max+δ,Z_max+δ)和(X_min-δ,Y_min-δ,Z_min-δ)作为更新后的最大值和最小值；

步骤S2.3，设定所述三维格网的长、宽、高分别为X_grid，Y_grid，Z_grid，则在三维坐标X，Y，Z的三个方向上的格网个数分别为n_x、n_y和n_z；

步骤S2.4，根据所述三维格网的长X_grid、宽Y_grid、高Z_grid以及更新后的最大值和最小值，得到所述三维格网中各个空间格网的最大值(X_{g_max},Y_{g_max},Z_{g_max})与最小值(X_{g_min},Y_{g_min},Z_{g_min})；

步骤S2.5，利用各个空间格网的八个顶点绘制三维格网，并通过固定步长来增加格网的长、宽、高来循环绘制，从而得到最终的三维格网；

步骤S2.6，将处于所述空间格网的最大值(X_{g_max},Y_{g_max},Z_{g_max})与最小值(X_{g_min},Y_{g_min},Z_{g_min})内范围内的三维点云信息存储在相应空间格网内；从而将所有三维点云信息分别存入对应的空间格网内，以得到具有数据索引结构的点云数据。

所述步骤S3是按如下过程进行：

步骤S3.1，对所述具有数据索引结构的点云数据进行稀释处理，得到稀释后的点云数据；

步骤S3.2，对所述稀释后的点云数据进行统计滤波处理，得到滤波后的点云数据；

步骤S3.3，利用随机采样一致性算法对所述滤波后的点云数据进行剔除，得到剔除后的点云数据；

步骤S3.4，利用欧式聚类分割算法对所述剔除后的点云数据进行精细化分割，得到分割后的三维点云聚类。

所述步骤S4是按如下过程进行：

步骤S4.1，从所述三维点云聚类中查找到关于圆形管道的m个点云聚类，并利用VFH点云特征算法对所述每个圆形管道的点云聚类分别进行特征计算，从而得到圆形管道的m个VFH点云特征；对所述圆形管道的m个VFH点云特征构建k-dtree结构，从而获得初步的圆形管道点云模型库；

步骤S4.2，根据m个VFH点云特征的时相不变性，利用机器学习的方法对所述m个VFH点云特征进行特征提取和匹配，得到匹配成功的圆形管道的VFH点云特征，并删除匹配失败的VFH点云特征；

步骤S4.3，计算匹配成功的VFH点云特征的直方图，并根据直方图的时间戳，计算圆形管道的VFH点云特征的梯度强度和左右方向的不敏感特征描述子；

步骤S4.4，利用欧式距离对不敏感特征描述子进行相似度计算，将梯度方向从0～360°，规划到0～180°，从而剔除在梯度方向上特征失配的VFH点云特征，并获得时相不变的A个管道点云特征，并构成圆形管道点云模型库；

步骤S4.5，利用点云扫描的规则性和连续性，对所述圆形管道点云模型库中的管道点云特征按步长N进行划分，从而按照训练次数A/N对所述划分后的管道点云特征进行学习和训练，得到训练完成的圆形管道点云模型库；

步骤S4.6，从训练完成的圆形管道点云模型库中随机选取k个管道点云特征，并分别与待识别的圆形管道的点云数据进行圆形管道的匹配、识别与定位，从而得到待识别的圆形管道的坐标；

步骤S4.7，将所述待识别的圆形管道的坐标与待识别的圆形管道的实际位置做差，得到三维坐标向量M，判断所述三维坐标M是否在误差阈值R内，若在误差阈值R内，则保留所述k个管道点云特征后，执行步骤S4.8；否则，删除k个管道点云特征，从而更新所述训练完成的圆形管道点云模型库；

步骤S4.8，计算k个管道点云特征的匹配时长平均数U，并将大于平均数U的管道点云特征剔除，从而更新所述训练完成的圆形管道点云模型库；

步骤S4.9，重复步骤S4.6顺序执行，直到圆形管道点云模型库的匹配率满足精度要求，从而得到圆形管道各个视角下的点云数据集模型库。

所述步骤S5是按如下过程进行：

步骤S5.1，获取待识别的圆形管道的点云数据，并利用K-dtree最近邻查找算法在所述点云数据集模型库中查找相似特征，从而得到与所述待识别的圆形管道的点云数据相匹配的目标圆形管道；

步骤S5.2，对所目标圆形管道进行平面提取，从而得到目标圆形管道的三个圆面；

对三个圆面进行分割处理，并对每个单独的圆面分别求取圆心坐标，从而将求取到的圆心坐标与待识别的圆形管道的实际质心坐标进行比对，若比对结果小于等于所设定的误差范围，则表示待识别的圆形管道能对接成功，否则，进行报警处理，形成安全信息提示。

与已有技术相比，本发明的有益效果是：

1、本发明通过圆形管道三维点云信息的采集与其点云模型库的建立，在实际作业时可以实现液压输油臂与圆形管道的精准识别与对接。相比于传统的识别与对接方法，避免了大量人力物力，更避免了高风险的危害，同时可进一步检测圆形管道周边异物及危险物体分布变化，对港口进一步发展与建设具有重要意义。

2、本发明的步骤S1中，通过集成的一体化云台带动低成本二维激光雷达实现了三维点云信息的采集。

3、本发明步骤S2中，对于无序、无拓扑关系的点云数据构建索引关系，为进一步加快数据预处理速度和实现精准实时对接打下基础。

4、本发明步骤S3中，点云滤波不再是以往剔除噪声点云，而加入点云稀释的过程，采用每个体素重心来近似显示体素中其他点，大大减小了数据量，对于高密度、复杂场景数据采集具有重要意义。

5、本发明步骤S5中，通过求解圆形管道圆心与实际圆形管道质心点云坐标，从而确定了不同场景标准下的阈值范围。

6、本发明步骤S4中，基于机器学习及深度学习，对于模型库进行不断更新，从而提取时相不变特征点进行自主标记与存储，以自学习为主线，实现了高精度精准识别。

7、本发明以三维激光雷达作为数据获取来源，利用港口圆形管道的结构特征采集该圆形管道的VFH特征建立kd-tree结构，借助kd-tree实现了多维空间关键点的近邻查找进而完成不同特征的相似匹配与分类识别定位，从而在保证了一定误差限制范围内实现了液压输油臂与港口码头圆形管道的完美对接，对于快速发展的港口化建设提供重要基础，同时为进一步实现自助式自动化港口安全建设提供依据。

附图说明

图1为本发明自动识别与对接方法的流程图；

图2为本发明自动识别与对接方法的空间格网索引图；

图3为本发明自动识别与对接方法的构建模型库流程图；

图4为本发明自动识别与对接方法的圆形管道VFH特征图；

图5为本发明自动识别与对接方法的其他物体VFH特征图。

具体实施方式

本实施例中，如图1所示，一种港口用圆形管道自动识别与对接方法，包括以下步骤：

步骤S1，利用集成云台(包含上位机及转动装置)旋转二维激光扫描仪俯仰角，从而获取圆形管道多角度(各视角下)三维点云信息；

步骤S1.1，激光传感器所采集的数据为二维，因此需要借助云台装置，利用云台的电机转动带动激光雷达进行俯仰角的扫描进而实现三维数据的采集；

步骤S1.2，根据数据采集模块所获得的数据是在球坐标中，即以激光雷达内部光源为原点所构建的球坐标系，假设在该球坐标系下场景内某点的坐标为(l,α,β)，其中l表示由雷达根据TOF原理所计算的目标点到扫描仪中心的距离，α为云台带动扫描仪所进行的俯仰角度，β为扫描角度，则将二维激光雷达所采集的球坐标系下的点云坐标(l,α,β)转化为直角坐标系下的点云坐标(x,y,z)可表示为：

步骤S1.3，通过设置步长将扫描装置从圆形管道一侧阶段性移动到另一侧，从而实现各视角下圆形管道三维点云信息；

步骤S2，建立无序点云数据索引结构，利用三维空间格网建立点云数据与空间格网之间的关系以及空间格网与空间格网之间的关系，加快数据预处理速度；步骤S2的空间格网索引图如图2所示；

步骤S2.1，读取点云，搜索点云三维坐标X、Y、Z的三个方向的最大值(X_max,Y_max,Z_max)与最小值(X_min,Y_min,Z_min)。通过给定一个微小量δ(δ为大于0的一个常量)，防止点云的最值落在格网线上(微小量δ不参与运算)。以(X_max+δ,Y_max+δ,Z_max+δ)和(X_min-δ,Y_min-δ,Z_min-δ)为最大值和最小值，在最值范围内绘制三维格网；

步骤S2.2，设定三维格网的长、宽、高分别为X_grid，Y_grid，Z_grid，则在三维坐标X，Y，Z的三个方向上的格网个数分别为n_x个、n_y个和n_z个，可表示为：

根据格网的长、宽、高求得各个空间格网的最大值(X_{g_max},Y_{g_max},Z_{g_max})与最小值(X_{g_min},Y_{g_min},Z_{g_min})，则需要通过如下步骤：

X_{g_max}＝X_min-δ+X_grid×(i+1) (i＝0,1,2...n_x)

Y_{g_max}＝Y_min-δ+Y_grid×(j+1) (j＝0,1,2...n_y)

Z_{g_max}＝Z_min-δ+Z_grid×(k+1) (k＝0,1,2...n_z)

X_{g_min}＝X_min-δ+X_grid×i (i＝0,1,2...n_x)

Y_{g_min}＝Y_min-δ+Y_grid×j (j＝0,1,2...n_y)

Z_{g_min}＝Z_min-δ+Z_grid×k (k＝0,1,2...n_z)

步骤S2.3，利用空间格网的八个顶点绘制三维格网，通过固定步长增加格网的长、宽、高进行循环，绘制所有的三维格网。

步骤S2.4，根据点云数据的坐标值是否落在某个空间格网最值范围内，将落在该格网最值范围内的点云数据存储在该格网内，进而将所有的点云分别存入对应的均匀空间格网内。完成点云数据与空间格网以及空间格网与空间格网之间关系的建立；

步骤S3，对建立数据索引结构的点云进行点云滤波与点云聚类分割，从而将整个场景的三维点云分割成一个个代表不同物体的三维点云聚类；

步骤S3.1，首先进行点云的稀释处理，减少点云在处理时的数据点数，在稀释部分利用体素栅格化下采样的方式借助格网的索引结构降低三维点云的数据量，通过对输入的点云数据创建一个三维体素栅格(可把体素栅格想象为微小的空间三维立方体的集合)，然后在每个体素(即三维立方体，一般体素大小为50)内，用体素中所有点的重心来近似显示体素中其他点，这样在该体素内的所有点就可以用一个重心点最终表示，对于所有体素下采样处理后得到过滤后的点云，即实现过程化点云稀释与去噪过程；

步骤S3.2，在稀释的基础上再对点云进行统计滤波处理，主要可以用来剔除离群点，或者测量误差导致的粗差点。滤波思想为：对每一个点的邻域进行一个统计分析，计算它到所有临近点的分布，对每一个点，计算它到所有临近点的平均距离(假设得到的结果是一个高斯分布，其形状是由均值和标准差决定)，那么平均距离在标准范围之外的点，可以被定义为离群点并从数据中去除。

本实施例中设置的k为500-800，距离阈值为500；RANSAC算法剔除地面点云中设置最大迭代次数为10000，定义最远距离阈值为80；

根据邻域平均距离的概率密度函数公式：

设置每个点的最大搜索阈值为N，标准差倍数为n，超出平均距离n倍的σ点即被定义为离群点，离群点将会被剔除；

在本实施例中，设置N＝80，n＝0.6，即计算点云中每个点与它临近的80个点的平均距离。当该值大于0.6倍标准差时，该点被判定为离群点，则删除该点；点云滤波前后过程中原始点云个数从1227863降低为滤波后点云个数为223438。

步骤S3.3，首先利用随机采样一致性算法(Random Sample Consensus，RANSAC)对地面进行剔除，减少候选区域的种类；

步骤S3.4，利用欧式聚类分割算法对点云进行精细化分割。即利用K-dtree建立点云数据的拓扑组织结构。对每个点进行k邻域搜索，并计算该点与搜索的k个邻近点之间的欧氏距离,将在一定距离范围内的点归为为一类。设置一定的阈值,对每个点进行k邻域搜索，并计算该点与搜索的k个邻近点之间的欧氏距离，将在一定距离范围内的点归为一类，将此步进行迭代计算，直至所有类与类之间的距离大于指定阈值。

步骤S4，对采集的点云数据集进行训练，从而获取圆形管道各个视角下的点云数据集模型库，并且不断更新，形成时相不变特征模型库；

步骤S4.1，使用VFH(Viewpoim Feature Histogram)点云特征算法，完成对圆形管道点云特征的计算，并且利用构建的K-dtree序列，形成点云特征的数据模型库。点云的VFH视点特征描述符本质上是对点云中每个点的法向量方向进行统计并绘制出直方图，因此同类物体其VFH特征是相似的，不同类物体其VFH特征是不同的。以此特征为依据，即可判定两个点云是否为同一类物体，这也是完成点云识别与分类的依据。故以大量分割后的圆形管道点云聚类作为样本，计算其VFH特征，然后以此作为圆形管道点云聚类的特征构建K-dtree序列表并储存，即得到样本数据模型库；

步骤S4.2，根据m个VFH点云特征的时相不变性，采用提取的时相不变特征点，即通过同一地区不同时期的特征点进行特征提取和匹配，对不同时期成功匹配的特征点和失配特征点通过机器学习方法，以自学习为主线，对所述m个VFH点云特征进行特征提取和匹配，得到匹配成功的圆形管道的VFH点云特征，并删除匹配失败的VFH点云特征；

如图3展示了数据处理的流程图，针对于港口某一区域，通过将扫描仪固定在不同的方位视角一共采集了156次，针对于这些数据分别进行稀释、剔除地面、欧式聚类分割操作，完成对候选区域的单体化，针对于候选区域找到圆形管道目标区域分别求取VFH特征，如图4展示了156个圆形管道训练集中的4个视角下的VFH特征图；如图5展示了场景中非圆形管道的4个物体的VFH特征图。从直方图可以看出同一物体的VFH特征在不同视角下他们的直方图相似，而不同物体的VFH特征相差较大。

步骤S4.3，计算匹配成功的VFH点云特征的直方图，并根据直方图的时间戳，计算圆形管道的VFH点云特征的梯度强度和左右方向的不敏感特征描述子；

步骤S4.4，利用欧式距离对不敏感特征描述子进行相似度计算，采用的是圆形管道特征点附近纹理的梯度直方图，然而随着时间推移和季节变化，有些圆形管道纹理梯度强度甚至方向会有变化，可能导致匹配失败。故将梯度方向从0～360°，规划到0～180°，从而剔除在梯度方向上特征失配的VFH点云特征，并获得时相不变的A个管道点云特征，并构成圆形管道点云模型库；

步骤S4.5，利用点云扫描的规则性和连续性，对所述圆形管道点云模型库中的管道点云特征按步长N进行划分，从而按照训练次数A/N对所述划分后的管道点云特征进行学习和训练，得到训练完成的圆形管道点云模型库；

步骤S4.6，从训练完成的圆形管道点云模型库中随机选取k个管道点云特征，并分别与待识别的圆形管道的点云数据进行圆形管道的匹配、识别与定位，从而得到待识别的圆形管道的坐标；

步骤S4.7，将所述待识别的圆形管道的坐标与待识别的圆形管道的实际位置做差，得到三维坐标向量M，判断所述三维坐标M是否在误差阈值R内，若在误差阈值R内，则保留所述k个管道点云特征后，执行步骤S4.8；否则，删除k个管道点云特征，从而更新所述训练完成的圆形管道点云模型库；

步骤S4.8，计算k个管道点云特征的匹配时长平均数U，并将大于平均数U的管道点云特征剔除，从而更新所述训练完成的圆形管道点云模型库；

步骤S4.9，重复步骤S4.6顺序执行，直到圆形管道点云模型库的匹配率满足精度要求，从而得到圆形管道各个视角下的点云数据集模型库。

步骤S5，利用模型库完成对港口场景下的圆形管道自识别并与液压输油臂自动对接；

步骤S5.1，在模型库基础上，实际作业时，对于待识别的圆形管道点云，利用K-dtree最近邻查找算法，完成在数据模型库中的搜索任务，用于在特征数据模型库中查找相似特征，即完成圆形管道三维点云的识别与分类任务；

本实施例中针对于预处理后产生的16个聚类结果，依次循环求取聚类的每个VFH特征，并与圆形管道模型库的6个最近邻做对比，经过实验测试将该距离阈值设置为20，如果第i个聚类的VFH特征与模型库的6个紧邻距离在20以内，则认为该第i个聚类结果就是要找的圆形管道目标聚类文件，完成聚类识别，反之，如果距离超出阈值20，则认为该聚类非圆形管道目标，继续叠加进行第(i+1)个聚类识别；

步骤S5.2，在求出的圆形管道目标的基础上，进行一个平面提取，即可完成目标圆形管道三个圆面的提取，再次进行分割单独的圆面分别求取圆心，将求取到的圆心坐标与实际圆形管道质心点云坐标进行比对，根据具体场景设定阈值标准，将误差缩小在需要范围内。若比对结果小于等于所设定的误差范围，则表示待识别的圆形管道能对接成功，并执行步骤S5.3；否则，进行报警处理，形成安全信息提示。

步骤S5.3，液压输油臂根据圆形管道圆心坐标指引实现与圆形管道的精准对接；

在实施例中，圆形管道与液压输油臂自识别与对接技术不仅只限于港口，更可以应用于类似液压输油臂的精准对接。同时，对于液压输油臂周围异物检测与排查同样具有重要意义。

综上所述，本发明一种港口场景下圆形管道的自动识别与对接方法，建立了高精度时相不变特征点库，从而高效可靠的解决了现有技术中无法自动识别对接的问题。同时，在成本上利用集成云台旋转二维激光扫描仪并产生俯仰角，从而获取圆形管道的各视角下的三维点云信息大大降低了成本，对于实际应用工程具有重要意义。

Claims (3)

1.一种港口场景下圆形管道的自动识别与对接方法，其特征是按如下步骤进行：

步骤S1，利用集成云台旋转二维激光扫描仪并产生俯仰角，从而获取圆形管道的各视角下的三维点云信息；

步骤S2，建立所述三维点云信息与三维空间格网之间的关系，从而得到具有数据索引结构的点云数据；

步骤S2.1，针对任意一个视角下的三维点云信息，获取三维点云信息在三维坐标X、Y、Z的三个方向上的最大值(X_max,Y_max,Z_max)与最小值(X_min,Y_min,Z_min)；

步骤S2.2，设定微小量δ，并将(X_max+δ,Y_max+δ,Z_max+δ)和(X_min-δ,Y_min-δ,Z_min-δ)作为更新后的最大值和最小值；

步骤S2.3，设定所述三维空间格网的长、宽、高分别为X_grid，Y_grid，Z_grid，则在三维坐标X，Y，Z的三个方向上的格网个数分别为n_x、n_y和n_z；

步骤S2.4，根据所述三维格网的长X_grid、宽Y_grid、高Z_grid以及更新后的最大值和最小值，得到所述三维格网中各个空间格网的最大值(X_{g_max},Y_{g_max},Z_{g_max})与最小值(X_{g_min},Y_{g_min},Z_{g_min})；

步骤S2.5，利用各个空间格网的八个顶点绘制三维格网，并通过固定步长来增加格网的长、宽、高来循环绘制，从而得到最终的三维格网；

步骤S2.6，将处于所述空间格网的最大值(X_{g_max},Y_{g_max},Z_{g_max})与最小值(X_{g_min},Y_{g_min},Z_{g_min})内范围内的三维点云信息存储在相应空间格网内；从而将所有三维点云信息分别存入对应的空间格网内，以得到具有数据索引结构的点云数据；

步骤S3，对所述具有数据索引结构的点云数据进行点云滤波与点云聚类分割，得到代表不同物体的三维点云聚类；

步骤S4，利用改进的点云特征算法对所述三维点云聚类进行训练，从而获取圆形管道各个视角下的点云数据集模型库；

步骤S4.1，从所述三维点云聚类中查找到关于圆形管道的m个点云聚类，并利用VFH点云特征算法对所述每个圆形管道的点云聚类分别进行特征计算，从而得到圆形管道的m个VFH点云特征；对所述圆形管道的m个VFH点云特征构建k-dtree结构，从而获得初步的圆形管道点云模型库；

步骤S4.2，根据m个VFH点云特征的时相不变性，利用机器学习的方法对所述m个VFH点云特征进行特征提取和匹配，得到匹配成功的圆形管道的VFH点云特征，并删除匹配失败的VFH点云特征；

步骤S4.3，计算匹配成功的VFH点云特征的直方图，并根据直方图的时间戳，计算圆形管道的VFH点云特征的梯度强度和左右方向的不敏感特征描述子；

步骤S4.4，利用欧式距离对不敏感特征描述子进行相似度计算，将梯度方向从0～360°，规划到0～180°，从而剔除在梯度方向上特征失配的VFH点云特征，并获得时相不变的A个管道点云特征，并构成圆形管道点云模型库；

步骤S4.5，利用点云扫描的规则性和连续性，对所述圆形管道点云模型库中的管道点云特征按步长N进行划分，从而按照训练次数A/N对所述划分后的管道点云特征进行学习和训练，得到训练完成的圆形管道点云模型库；

步骤S4.6，从训练完成的圆形管道点云模型库中随机选取k个管道点云特征，并分别与待识别的圆形管道的点云数据进行圆形管道的匹配、识别与定位，从而得到待识别的圆形管道的坐标；

步骤S4.7，将所述待识别的圆形管道的坐标与待识别的圆形管道的实际位置做差，得到三维坐标向量M，判断所述三维坐标M是否在误差阈值R内，若在误差阈值R内，则保留所述k个管道点云特征后，执行步骤S4.8；否则，删除k个管道点云特征，从而更新所述训练完成的圆形管道点云模型库；

步骤S4.8，计算k个管道点云特征的匹配时长平均数U，并将大于平均数U的管道点云特征剔除，从而更新所述训练完成的圆形管道点云模型库；

步骤S4.9，重复步骤S4.6顺序执行，直到圆形管道点云模型库的匹配率满足精度要求，从而得到圆形管道各个视角下的点云数据集模型库；

步骤S5，利用所述点云数据集模型库实现对港口场景下圆形管道的自识别与液压输油臂的自动对接。

2.根据权利要求1所述自动识别与对接方法，其特征在于，所述步骤S3是按如下过程进行：

步骤S3.1，对所述具有数据索引结构的点云数据进行稀释处理，得到稀释后的点云数据；

步骤S3.2，对所述稀释后的点云数据进行统计滤波处理，得到滤波后的点云数据；

步骤S3.3，利用随机采样一致性算法对所述滤波后的点云数据进行剔除，得到剔除后的点云数据；

步骤S3.4，利用欧式聚类分割算法对所述剔除后的点云数据进行精细化分割，得到分割后的三维点云聚类。

3.根据权利要求1所述自动识别与对接方法，其特征在于，所述步骤S5是按如下过程进行：

步骤S5.1，获取待识别的圆形管道的点云数据，并利用K-dtree最近邻查找算法在所述点云数据集模型库中查找相似特征，从而得到与所述待识别的圆形管道的点云数据相匹配的目标圆形管道；

步骤S5.2，对所目标圆形管道进行平面提取，从而得到目标圆形管道的三个圆面；

对三个圆面进行分割处理，并对每个单独的圆面分别求取圆心坐标，从而将求取到的圆心坐标与待识别的圆形管道的实际质心坐标进行比对，若比对结果小于等于所设定的误差范围，则表示待识别的圆形管道能对接成功，否则，进行报警处理，形成安全信息提示。

Images