[发明专利]一种结构光视觉系统的下一最佳测量位姿确定方法

说明书

本发明针对机器人视觉自动测量中下一最佳测量位姿确定问题，公开了一种新颖的结构光视觉系统的下一最佳测量位姿确定方法。该方法首先采用结构光双目视觉测量系统获得被测物体的深度图像和三维点云，通过深度图像快速获取被测物体的边缘与密度聚类分析区域。基于密度聚类方法判定物体边缘区域三维形貌的复杂程度，结合视场大小确定子区域权重，从而获得深度图上下一视场最佳移动方向。采用趋势面分析法预测下一最佳测量位姿的空间范围。为避免边缘局部复杂程度对趋势面的影响，以深度图像上的测量视场为中心获得趋势面分析全局区域，并快速获得中心趋势线以确定出下一最佳测量位姿。

技术领域

本发明涉及机器人自动测量方法，特别是指一种一种结构光视觉系统的下一最佳测量位姿确定方法。

背景技术

结构光三维测量技术已经得到了广泛的应用，然而在实际测量中，受限于系统测量视场范围和物体复杂程度等原因，对大尺寸或者表面形貌较为复杂的物体，一次测量难以获得物体完整的形貌，需要从不同角度多次测量并拼合才能获得完整的物体。被测物体越复杂或者其尺寸与视场大小之间的比例越大，则需要测量次数就越多，甚至达到成千上百次。如此繁重的测量任务使得自动测量变得非常重要，而下一个最佳测量位姿的确定是实现自动测量的前提与关键所在，也是三维重建、机器人导航、自动装配等领域亟待解决的难题之一。

在对未知模型的自动测量中，为了每次获得尽可能多的点云信息，需要根据当前信息判断下一最佳测量位姿。何炳蔚等在论文“线激光三维测量仪中视觉传感器规划方法研究”(中国激光，2010,37(6):1618-1625.)中提出可视空间与极限面相结合的视点规划策略来确定下一最佳视点的位置。张世辉等在论文“基于深度图像利用遮挡信息确定下一最佳观测方位”(计算机学报，2015，38(12)，P2450-2463)中从消除被测物体的自遮挡区域入手，确定下一最优视点。在二维深度图像中识别已测得数据中的自遮挡区域，计算可消除自遮挡区域的视点，并结合遮挡区域的向量和面积构建下一最佳观测方位的模型。随后利用梯度下降法寻优求得模型的最优解确定下一最优视点。

综上所述，虽然目前对自动三维测量中下一最优视点的确定方法已有所研究，取得了一定成果，但资料报道并不多，涉及的关键技术亟待进一步研究。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种新颖的结构光视觉系统的下一最佳测量位姿确定方法。

本发明采用如下技术方案：

一种结构光视觉系统的下一最佳测量位姿确定方法，其特征在于，包括如下步骤：

A1、获取被测物体初始位置的深度图像和三维点云；

A2、通过深度图像获取被测物体的边缘，根据有效测量范围确定下一最佳位姿判定所需的区域；

A3、对区域内三维点云进行密度聚类，依据密度与三维形貌复杂程度关系，获得各个子区域的复杂系数；

A4、结合视场大小优化各个子区域权重，从而确定深度图上最佳移动方向；

A5、以测量视场为中心，结合深度图像获得趋势面，分析全局区域以及中心趋势线，从而确定出下一最佳测量位姿。

所述A2包括如下：

首先，在深度图像上采用Canny算子边缘提取法快速识别出物体的边缘；再采用区域宽度t的计算方法确定所述区域，公式如下：

其中a为视场长度，b为视场宽度，表示将面积转化为矩形平均宽度，S为有效测量区域面积，c为边缘区域面积与有效区域面积之比，k₁为轮廓修正系数，l为有效测量区域长度。