馬志軍，楊俊友，孫義真

（沈陽工業(yè)大學，遼寧 沈陽110000）

1 引言

隨著老齡化越來越嚴重，家庭服務機器人越來越受到人們的歡迎，同時對于機器人的研究越來越多，其中機器人視覺研究十分熱門。

FROME等提出了3D形狀描述子（3D Shape Context），該算法計算復雜并且必須在關(guān)鍵點計算描述子。RUSU等提出了快速點特征直方（Fast PointFeature Histogram，F(xiàn)PFH）[2]，它對點云具有旋轉(zhuǎn)平移不變性，但是計算復雜度較高。近幾年RUSU又提出全局特征視點特征直方圖（View Feature Histogram，VFH）。該特征具有旋轉(zhuǎn)及縮放不變性，但識別中會受到遮擋的影響。針對以上問題，本文提出了點云特征描述子融合的算法（VFH-FPFH）。該算法既有VFH的高效性，同時也包含了FPFH特征較高的魯棒性。

2 點云分割

本文采用的分割算法主要包括RANSAC平面分割[4]和歐式聚類分割[5]。

RANSAC算法主要分割掉場景點云中平面部分，本文主要分割支撐平面和背景平面部分。算法原理為：①設(shè)平面方程ax+by+zx+d=0，點云數(shù)據(jù)中任意三個點P{pi，pj，pk}；②選取點云數(shù)據(jù)中多組點，求取A·B=0的最優(yōu)解為B=Bx，得到擬合平面ABx=0；③輸入點云數(shù)據(jù)，滿足擬合平面的為內(nèi)點，否則為外點，保留內(nèi)點。

經(jīng)過平面分割處理后，還需要對點云進行聚類分割，本文利用歐式聚類分割算法對點云進行分割。

為了獲得最好的聚類效果，對歐式聚類分割算法參數(shù)進行設(shè)置，近鄰搜索半徑設(shè)為0.02，聚類點數(shù)的范圍為[100，1 000]。

3 多特征融合算法

3.1 特征描述子

FPFH的算法原理為：FPFH只計算查詢點和其鄰域點的PFH值，統(tǒng)計為SPFH，然后再計算鄰域點的SPFH值，最后對鄰域點SPFH進行加權(quán)計算：

式（1）中：ωi為查詢點P到鄰域點Pi的距離。

此外，基于FPFH特征識別，不受遮擋的影響，還可以求取點云配準的6D位姿。但是FPFH計算復雜，導致識別時間過長，在實際應用中依然受限。

視點特征直方圖（VFH）屬于全局特征描述子，VFH由FPFH演變而來，主要的改進是加入視點方向，如圖1所示。算法原理為：VFH以整個點云為對象，選取點云中心點Pi為查詢點，然后選點云的采樣點為鄰域點，計算點云的FPFH，同時將視點方向融入到計算中：

計算完五個特征元素cosα、cosβ、θ、cosφ、d，分別統(tǒng)計每個元素在不同區(qū)間的百分比，最終完成直方圖的構(gòu)建。

VFH具有旋轉(zhuǎn)不變性和縮放不變性。VFH的識別速度比局部特征PFH和FPFH快很多。雖然識別速度快，但是VFH沿視覺方向具有旋轉(zhuǎn)不變性，無法進行6D位姿估計。VFH特征描述如圖1所示。

圖1 VFH特征描述

綜上，本文采用局部特征和全局特征融合方法，完成識別和位姿估計。

3.2 多特征模型庫的建立

模型庫的建立包括深度相機采集點云、點云濾波、點云分割、提取點云特征。具體步驟如下：①只有目標物體的場景下，對目標進行多角度拍攝，然后對拍攝的點云進行濾波和分割處理，得到只有目標物體的點云。計算每個角度目標點云的特征描述子VFH和FPFH，然后將特征數(shù)據(jù)和對應的點云數(shù)據(jù)放到同一個文件夾data下，最后轉(zhuǎn)換為FLANN格式[6]；②為了加快搜尋和匹配速度，將FLANN格式數(shù)據(jù)轉(zhuǎn)換為Kd-tree結(jié)構(gòu)[7]；③設(shè)卡方距離閾值為200，近鄰搜索值為16，對測試點云進行搜索，結(jié)果紅色點云表示不滿足要求，綠色點云表示在參數(shù)范圍內(nèi)，測試表明運行算法能夠滿足識別要求。

4 識別實驗

4.1 實驗平臺建立

本文采用ubuntu 16.04系統(tǒng)，配置PCL 1.8.0函數(shù)庫，ROS-kinetic操作環(huán)境。硬件為Intel（R）Core（TM）i5-4200H CPU，16 G內(nèi)存，RealSense深度相機，實驗室“小粉”機器人，如圖2所示。

圖2 “小粉”機器人

本實驗選取茶葉盒為目標對象，分別在茶葉盒簡單場景、茶葉盒和其他物體組合復雜場景、茶葉盒被類似茶葉盒遮擋復雜場景三種場景下分別進行實驗。

4.2 實驗步驟

在線識別過程和模型庫建立過程有很多相同的部分，主要包括深度相機采集場景點云、點云濾波、點云分割、點云特征計算、場景點云和模型庫點云搜索匹配、目標物體位姿估計。具體步驟如下。

第一，深度相機采集包含目標物體的場景點云。

第二，利用直通濾波去除場景點云中離散點，再通過體素濾波算法降低點云密度。

第三，通過平面分割算法分割掉平面點云，然后利用歐式聚類分割算法對剩余點云進行聚類分割。

第四，計算聚類分割后每個點云的VFH特征，利用最近鄰算法[7]（K-nearest neighbor）在模型庫中對每個聚類的VFH特征進行匹配搜索。設(shè)卡方距離閾值為D，模型點云Pi和場景點云Qi卡方距離為Di，若Di>D，則標為紅色，否則標為綠色，小于閾值D的卡方值形成集合P{D1，D2，…，Dk}，并對集合中的卡方距離按從小到大排序。設(shè)最小和最大卡方距離分別為Dmin、Dmax，任意小值為ε。若Dmin＜＜Dk且min≠k，則Dmin對應的聚類為目標點云，進行第六步；若Dmax－Dmin=ε，則表明場景中存在目標物遮擋和目標物相似的情況，進行第五步。

第五，分別計算集合對應的點云和模型點云的FPFH特征，進行配準識別。

第六，求取模型點云Pj和目標點云Qj的特征FPFH，利用SAC-IA+FPFH和ICP+FPFH分別求得初始變換T1和精確變換T2，則配準的位姿變換Ti=T1·T2。

第七，如果模型點云相對于相機的位姿轉(zhuǎn)換關(guān)系為Tj，則目標點云相對于相機的位姿為T=Ti·Tj。

4.3 實驗結(jié)果與分析

如圖3、圖4、圖5三種場景，分別表示茶葉盒、茶葉盒與其他物體組合、茶葉盒被其他物體遮擋三種場景的識別結(jié)果，點云圖中地面上密度較大的點云集為識別結(jié)果。圖3表示只有茶葉盒的簡單場景，圖4表示茶葉盒在復雜環(huán)境中。對比圖3和圖4的實驗環(huán)境，圖4中目標物體周圍的物體對識別產(chǎn)生了一定的干擾。對比圖4和圖5的實驗環(huán)境，圖5中除了擺放了較多的物體，還存在目標物被遮擋的現(xiàn)象。上述三種場景基本涵蓋了家庭環(huán)境中雜亂、遮擋、相似物等問題。

圖4 茶葉盒和其他物體組合圖

圖5 茶葉盒被類似茶葉盒遮擋

表1是在無遮擋場景中，通過FPFH、VFH、本文算法三種算法，對單物（只有茶葉盒）和多物（茶葉盒和其他物體組合）兩類場景不同內(nèi)容進行200次識別實驗，結(jié)果發(fā)現(xiàn)本文算法（VFH+FPFH）識別率最高。

表1 無遮擋場景

表2是在遮擋場景中，通過FPFH、VFH、本文算法三種算法，對多物體（不遮擋組合）和多物（遮擋組合）兩種場景進行200次實驗，發(fā)現(xiàn)本文的算法識別率最高，綜合表1和表2，說明本文算法識別率最高。

表2 遮擋場景

5 總結(jié)

為了讓服務機器人在復雜的家庭環(huán)境下高效地識別和定位物體，本文提出了特征描述子融合（VFH-FPFH）的方法，當目標物體沒有被遮擋和被類似物干擾時，VFH能夠快速識別；當目標物遇到干擾和遮擋時，基于FPFH不受遮擋影響的特性繼續(xù)識別，最終完成目標物的識別。相比于VFH和FPFH識別算法，復雜場景下本文算法識別率分別提高了6%和8%。實驗結(jié)果表明本文算法有很強的魯棒性和高效性，能夠滿足服務機器人在家庭環(huán)境下的識別需求。未來計劃將本文算法應用于服務機器人的識別抓取中。