[发明专利]三维大场景中的目标模型识别方法、装置及系统

说明书

本发明公开了一种三维大场景中的目标模型识别方法、装置及系统，所述方法包括获取三维大场景的点云数据；将所述点云数据进行聚类处理，获得三维大场景中各独立物体的点云数据；针对各独立物体的点云数据，提取出特征点，形成各独立物体的特征点集合；对模型库中各目标物体的模型进行采样，并基于采样后的数据提取出特征点，形成各目标物体的特征点集合；将各独立物体的特征点集合与各目标物体的特征点集合进行配准，完成独立物体与目标物体的配对，获得独立物体的目标模型。本发明能够在复杂场景下实现点云的快速识别。

技术领域

本发明属于计算机视觉与自动化领域，具体涉及一种三维大场景中的目标模型识别方法、装置及系统。

背景技术

三维模型作为点、面、其他信息集合的数据，在影视、游戏、医疗、建筑等领域有重要应用。但是在自动化标注和生产过程中，三维模型的生产成本比较高，并且在固定场景下，存在着大量的重新使用的情况，因此需要一种快速的点云识别算法，能够对扫描得到的三维点云进行快速识别定位。

目前的点云识别主要可以依赖于深度学习技术，依靠大量带有标注信息的点云样本进行训练学习，在大部分场景下可以取得优异的性能。但针对于大场景的点云识别问题，则很难解决训练样本少以及场景过大带来的问题，并且这种方法在重新加入待识别的设备模型后，需要重新进行训练。

发明内容

针对上述问题，本发明提出一种三维大场景中的目标模型识别方法、装置及系统，能够在复杂场景下实现点云的快速识别。

为了实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

第一方面，本发明提供了一种三维大场景中的目标模型识别方法，包括：

获取三维大场景的点云数据；

将所述点云数据进行聚类处理，获得三维大场景中各独立物体的点云数据；

针对各独立物体的点云数据，提取出特征点，形成各独立物体的特征点集合；

对模型库中各目标物体的模型进行采样，并基于采样后的数据提取出特征点，形成各目标物体的特征点集合；

将各独立物体的特征点集合与各目标物体的特征点集合进行配准，完成独立物体与目标物体的配对，获得独立物体的目标模型。

可选地，所述将所述点云数据进行聚类处理，获得三维大场景中各独立物体的点云数据，包括以下步骤：

使用聚类算法对三维大场景的点云数据进行聚类处理，获得若干个聚类族；

删除所包含的点云数小于预设阈值的聚类族，获得三维大场景中各独立物体的点云数据，一个聚类族对应一个独立物体。

可选地，所述聚类算法为DBSCAN聚类算法。

可选地，所述预设阈值为100-120。

可选地，各独立物体的特征点集合的形成方法包括：

使用PointNet算法从对各独立物体的点云数据中提取出特征点；

基于提取到的特征点，形成各独立物体的特征点集合。

可选地，各目标物体的特征点集合的形成方法包括：

使用PointNet算法从采样后的数据中提取出特征点；

基于提取到的特征点，形成各目标物体的特征点集合。

可选地，所述将各独立物体的特征点集合与各目标物体的特征点集合进行配准，完成独立物体与目标物体的配对，包括以下步骤：

针对各独立物体的特征点集合，分别执行计算和判断步骤，直至找到与该独立物体的特征点集合配对的目标物体的特征点集合；