(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210877843.4 (22)申请日 2022.07.25 (71)申请人 温州大学乐清工业研究院 地址 325600 浙江省温州市乐清经济开发 区纬十七路261号科技孵化中心 (72)发明人 闫俊涛　吴自然　吴桂初　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 杜阳阳 (51)Int.Cl. G06V 20/64(2022.01) G06T 7/73(2017.01) G06T 7/33(2017.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/75(2022.01)G06V 10/762(2022.01) (54)发明名称 一种零部件位姿识别方法及系统 (57)摘要 本发明涉及一种零部件位姿识别方法及系 统， 所述方法包括如下步骤： 对待配准的零部件 的三维模型进行点云采样； 采用3D点云相机拍摄 待识别场景的点云信息； 对场景点云集合进行聚 类和分割， 得到多个候选点云集合； 选取与源点 云集合配准度最高的候选点云集合作为目标点 云集合； 采用SAC ‑IA算法点云粗配准； 采用KD ‑ tree搜索算法和ICP算法进行点云精配准； 基于 所述精配准变换参数对所述三维模 型进行变换， 并将变换后的三维模型与所述目标点云集合进 行拟合渲染， 得到零部件在所述待识别场景下的 位姿识别结果。 本发明基于3D点云， 并配合聚类 和分割、 SAC ‑IA算法、 KD ‑tree搜索算法和ICP算 法实现微小型零部件的位姿识别。 权利要求书3页 说明书10页 附图5页 CN 115147833 A 2022.10.04 CN 115147833 A 1.一种零部件位姿识别方法， 其特 征在于， 所述方法包括如下步骤： 对待配准的零部件的三维模型进行点云采样， 获得源点云集 合； 采用3D点云相机拍摄待识别场景的点云信息， 构建场景点云集 合； 对场景点云集 合进行聚类和分割， 得到多个候选点云集 合； 选取与源点云集 合配准度最高的候选点云集 合作为目标点云集 合； 采用SAC‑IA算法对源点云集合和 目标点云集合进行点云粗配准， 获得粗配准点云集 合， 所述粗配准点云集合中包含多个粗配准点云， 所述粗配准点云为源点云集合中的源点 云基于粗配准变换参数转换后的点云； 采用KD‑tree搜索算法和ICP算法对粗配准点云集合和目标点云集合进行点云精配准， 获得精配准变换参数； 基于所述精配准变换参数对所述三维模型进行变换， 并将变换后的三维模型与所述目 标点云集 合进行拟合 渲染， 得到零部件在所述待识别场景 下的位姿识别结果。 2.根据权利 要求1所述的零部件位姿识别方法， 其特征在于， 所述采用SAC ‑IA算法对源 点云集合和目标点云集 合进行点云粗配准， 获得粗配准 点云集合， 具体包括： 在所述源点云集 合中选取 预设个数的源点云， 作为采样点； 采用近邻搜索算法分别确定所述目标点云集合中与每个所述采样点FPFH特征相差最 小的场景点云， 分别与每 个所述采样点组成粗配准 点对； 采用RANSAC算法对所述 粗配准点进行优化， 获得优化后的粗配准 点对； 基于优化后的粗配准点对， 确定使距离误差和函数的值最小的变换参数， 作为粗配准 变换参数； 基于所述 粗配准变换参数对 源点云集 合进行变换， 得到粗配准 点云集合。 3.根据权利要求2所述的零部件位姿识别方法， 其特 征在于， 所述距离误差和函数为： 其中， Huber表示距离误差和函数， n表示采样点的个数， H(li)表示第i个优化后的粗配 准点对的距离误差； li表示第i个粗配准点对中的采样点基于当前的变换参数变换后的点 云与第i个粗配准 点对中的场景点云的距离； ml表示预设定值。 4.根据权利要求1所述的零部件位姿识别方法， 其特征在于， 所述采用KD ‑tree搜索算 法和ICP算法对粗配准点云集合和目标点云集合进 行点云精配准， 获得精配准变换参数， 具 体包括： 采用KD‑tree搜索算法分别确定粗配准点云集合中与所述目标点云集合中每个场景点 云欧氏距离最小的点云， 组成精配准 点云对； 采用RANSAC算法对所述精配准 点云对进行优化， 获得优化后的精配准 点云对； 基于优化后的精配准 点对， 采用ICP算法进行点云精配准， 获得精配准变换参数。 5.根据权利要求4所述的零部件位姿识别方法， 其特征在于， 所述基于优化后的精配准 点对， 采用ICP算法进行点云精配准， 获得精配准变换参数， 具体包括：权　利　要　求　书 1/3 页 2 CN 115147833 A 2初始化迭代次数k的数值 为0； 基于优化后的精配准点对， 优化求解如下目标函数， 确定使所述目标函数最小时的旋 转矩阵和平 移矩阵， 作为第k次迭代的旋转矩阵和平 移矩阵； 其中， f表示目标函数， N表示优化后的精配准点对的数量， gj表示第j个优化后的精配准 点对中的场景点云， 表示第j个优化后的精配准点对中的粗配准点云经第k次变 换后的点 云； Rk和Tk分别表示第k次迭代的旋转矩阵和平 移矩阵； 基于第k次迭代的旋转矩阵和平移矩阵， 利用如下公式对第k次变换后的点云进行变 换， 获得第k+1次变换后的点云； 判断是否满足迭代结束条件， 获得判断结果； 若所述判断结果表示否， 则令迭代次数的数值增加1， 返回步骤 “基于优化后的精配准 点对， 优化求解如下目标函数， 确定使 所述目标函数最小时的旋转矩阵和平移矩阵， 作为第 k次迭代的旋转矩阵和平 移矩阵”； 若所述判断结果表示是， 则基于每次迭代的旋转矩阵和平移矩阵， 确定由粗配准点云 集合中的粗配准点云变换到第k+1次变换后的点云的总的旋转矩阵和平移矩阵， 作为精配 准参数。 6.根据权利要求5所述的零部件位姿识别方法， 其特征在于， 所述迭代结束条件为： 满 足公式dk<E、 dk+1‑dk<e和k>＝ kmax中的至少一个； 其中， dk和dk+1分别表示第k次迭代和第k+1次迭代后的均方差； E表示均方差阈值， e表示均方 差变化阈值， kmax表示迭代次数阈值， gi表示第i个优化后的精配准 点对中的场景点云。 7.一种零部件位姿识别系统， 其特 征在于， 所述系统包括： 三维模型采样模块， 用于对待配准的零部件的三维模型进行点云采样， 获得源点云集 合； 场景点云获取模块， 用于采用3D点云相机拍摄待识别场景的点云信息， 构建场景点云 集合； 聚类和分割模块， 用于对场景点云集 合进行聚类和分割， 得到多个候选点云集 合； 目标点云集合选取模块， 用于选取与源点云集合配准度最高的候选点云集合作为目标 点云集合； 粗配准模块， 用于采用SAC ‑IA算法对源点云集合和目标点云集合进行点云粗配准， 获 得粗配准点云集合， 所述粗配准点云集合中包含多个粗配准点云， 所述粗配准点云为源点 云集合中的源点云基于粗配准变换参数转换后的点云； 精配准模块， 用于采用KD ‑tree搜索算法和ICP算法对粗配准点云集合和目标点云集合 进行点云精配准， 获得精配准变换参数；权　利　要　求　书 2/3 页 3 CN 115147833 A 3