CN108053443B - 一种基于粒子群优化的物体点云位姿估算方法和*** - Google Patents
一种基于粒子群优化的物体点云位姿估算方法和*** Download PDFInfo
- Publication number
- CN108053443B CN108053443B CN201711157067.6A CN201711157067A CN108053443B CN 108053443 B CN108053443 B CN 108053443B CN 201711157067 A CN201711157067 A CN 201711157067A CN 108053443 B CN108053443 B CN 108053443B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- particle
- cloud data
- posture information
- transformed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明实施例涉及一种基于粒子群优化的物体点云位姿估算方法和***,属于空间机器人视觉感知技术领域。其中,该方法包括:初始化粒子群内各个粒子的代表的初始位姿和移动速度,根据初始位姿,对空间点云做旋转变换,根据变换后的点云数据和点云所在的几何模型,确定每个点与几何面的位置关系,进而确定变换后的点云与几何模型的最邻近距离,根据最邻近距离和算法规则确定每个粒子的适应度,根据适应度更新粒子的位姿信息,并根据更新位姿信息确定点云的位姿信息。通过本实施例提供的技术方案,实现了精准且高效的获取点云位姿信息的技术效果。
Description
技术领域
本发明实施例涉及空间机器人视觉感知技术领域,尤其涉及一种基于粒子群优化的物体点云位姿估算方法和***。
背景技术
随着科学技术的发展,机器人的发展和相关应用逐步发展并逐渐完善。在现有技术中,为获取点云位姿信息,一方面,通过将模型转换为点云数据集的方式,从而实现点云位姿信息的获取;另一方面,有些企业开始使用“对齐算法”以便提高获取点云位姿信息的效率。
但是,在发明人实现本发明的过程中,发现至少存在以下几个问题:
1、点云位姿估算效率偏低,时间复杂度较高;
2、点云位姿估算精度较低,无法满足高精度的机器人抓取需求。
发明内容
为解决上述技术问题,本发明实施例提供了一种基于粒子群优化的物体点云位姿估算方法和***。
根据本发明实施例的第一方面,本发明实施例提供了一种基于粒子群优化的物体点云位姿估算方法,所述方法包括:
步骤S100:根据预先设置的预处理规则对获取到的点云中的点的初始点云数据进行预处理,得到点云数据;
步骤S200:根据预先设置的初始化规则对粒子种群中的粒子进行初始化,得到粒子的位姿信息;
步骤S300:根据所述位姿信息和所述点云数据对所述点云中的点进行平移和旋转,得到变换后的点云数据;
步骤S400:遍历变换后的点云数据对应的点,根据变换后的点云数据和变换后的点云所在的几何模型,确定变换后的点云数据对应的点与所述几何模型中的几何面的位置关系;
步骤S500:根据预先设置的计算规则和所述位置关系确定变换后的点云与所述几何模型的最邻近距离;
步骤S600:根据所述最邻近距离和预先设置的算法规则确定每个所述粒子的适应度;
步骤S700:根据每个所述粒子的适应度和获取到的每个所述粒子的历史适应度,确定每个所述粒子的历史最优得分和全局最优得分;
步骤S800:根据预先设置的更新规则和每个所述粒子的历史最优得分和全局最优得分,更新每个所述粒子的位姿信息,得到更新位姿信息;
步骤S900:当所述更新位姿信息对应的误差小于预先设置的误差阈值,或者,更新的次数等于或大于预先设置的迭代阈值时,则根据所述更新位姿信息确定所述点云的位姿信息;
步骤S1000:当所述更新位姿信息对应的误差等于或大于预先设置的误差阈值,或者,更新的次数小于预先设置的迭代阈值时,则返回步骤S300。
根据每个点与所述几何面的位置关系确定最邻近几何面;
根据所述最邻近几何面确定变换后的点云与其对应的几何模型之间的最邻近距离。
进一步地,所述步骤S100具体包括:
通过传感器获取初始点云数据;
依次对所述初始点云数据进行点云过滤处理、异常值去除处理、聚类分割处理,得到所述点云数据。
通过本实施例提供的:对获取到的初始点云数据进行一系列的处理后,得到点云数据的技术方案,实现了获取点云数据的精准性和可靠性,进而实现了快速且精准的确定变换后的点云数据对应的点云位姿的技术效果。
进一步地,所述传感器为深度摄像头。
进一步地,所述步骤S200具体包括:
分别对所述粒子的位姿向量和速度向量进行初始化;
根据初始化后的位姿向量和速度向量确定所述位姿信息。
进一步地,所述步骤S400具体包括:
变换后的点云数据对应的点和所述几何面确定变换后的点云数据对应的点在所述几何面的投影点;
根据所述投影点确定变换后的点云数据对应的点与所述几何面的位置关系。
进一步地,所述步骤S500具体包括:
根据所述位置关系和所述计算规则确定最邻近几何面;
根据所述最邻近几何面确定变换后的点云与其对应的几何模型之间的最邻近距离。
根据本发明实施例的另一个方面,本发明实施例提供了一种基于粒子群优化的物体点云位姿估算***,所述***包括:
预处理模块:用于根据预先设置的预处理规则对获取到的点云中的点的初始点云数据进行预处理,得到点云数据;
初始化模块:用于根据预先设置的初始化规则对粒子种群中的粒子进行初始化,得到粒子的位姿信息;
变换模块:用于根据所述位姿信息和所述点云数据对所述点云中的点进行平移和旋转,得到变换后的点云数据;
遍历模块:用于遍历变换后的点云数据对应的点,根据变换后的点云数据和变换后的点云所在的几何模型,确定变换后的点云数据对应的点与所述几何模型中的几何面的位置关系;
搜索模块:用于根据预先设置的计算规则和所述位置关系确定变换后的点云与所述几何模型的最邻近距离,根据所述最邻近距离和预先设置的算法规则确定每个所述粒子的适应度,根据每个所述粒子的适应度和获取到的每个所述粒子的历史适应度,确定每个所述粒子的历史最优得分和全局最优得分;
更新模块:用于根据预先设置的更新规则和每个所述粒子的历史最优得分和全局最优得分,更新每个所述粒子的位姿信息,得到更新位姿信息;
所述搜索模块还用于:当所述更新位姿信息对应的误差小于预先设置的误差阈值,或者,更新的次数等于或大于预先设置的迭代阈值时,则根据所述更新位姿信息确定所述点云的位姿信息;
迭代模块:用于当所述更新位姿信息对应的误差等于或大于预先设置的误差阈值,或者,更新的次数小于预先设置的迭代阈值时,则返回变换模块。
进一步地,所述预处理模块具体用于:
通过传感器获取初始点云数据;
依次对所述初始点云数据进行点云过滤处理、异常值去除处理、聚类分割处理,得到所述点云数据。
进一步地,所述传感器为深度摄像头。
进一步地,所述初始化模块具体用于:分别对所述粒子的位姿向量和速度向量进行初始化;
根据初始化后的位姿向量和速度向量确定所述位姿信息。
进一步地,所述搜索模块具体用于:
根据所述位置关系和所述计算规则确定最邻近几何面;
根据所述最邻近几何面确定变换后的点云与其对应的几何模型之间的最邻近距离。
本发明实施例的有益效果在于,由于采用了根据位姿信息和点云数据确定变换后的点云数据,根据变换后的点云数据和点云所在的几何模型,确定每个点与几何面的位置关系,进而确定变换后的点云与几何模型的最邻近距离,根据最邻近距离和算法规则确定每个粒子的适应度,根据适应度更新粒子的位姿信息,并根据更新位姿信息确定变换后的点云数据对应的点云的位姿信息的技术方案,避免了现有技术中局部解的技术问题,实现了快速且精准的确定变换后的点云数据对应的点云位姿的技术效果。
附图说明
图1为本发明实施例提供的一种基于粒子群优化的物体点云位姿估算方法的流程示意图;
图2本发明实施例提供的一种基于粒子群优化的物体点云位姿估算***的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、接口、技术之类的具体细节,以便透切理解本发明。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
本发明实施例提供了一种基于粒子群优化的物体点云位姿估算方法和***。
根据本发明实施例的一个方面,本发明实施例提供了一种基于粒子群优化的物体点云位姿估算方法。
请参阅图1,图1为本发明实施例提供的一种点云位姿信息的估算方法的流程示意图。
如图1所示,该方法包括:
步骤S100:根据预先设置的预处理规则对获取到的点云中的点的初始点云数据进行预处理,得到点云数据;
步骤S200:根据预先设置的初始化规则对粒子种群中的粒子进行初始化,得到粒子的位姿信息;
步骤S300:根据位姿信息和点云数据对点云中的点进行平移和旋转,得到变换后的点云数据;
步骤S400:遍历变换后的点云数据对应的点,根据变换后的点云数据和变换后的点云所在的几何模型,确定变换后的点云数据对应的点与几何模型中的几何面的位置关系;
步骤S500:根据预先设置的计算规则和位置关系确定变换后的点云与几何模型的最邻近距离;
步骤S600:根据最邻近距离和预先设置的算法规则确定每个粒子的适应度;
步骤S700:根据每个粒子的适应度和获取到的每个粒子的历史适应度,确定每个粒子的历史最优得分和全局最优得分;
步骤S800:根据预先设置的更新规则和每个粒子的历史最优得分和全局最优得分,更新每个粒子的位姿信息,得到更新位姿信息;
步骤S900:当更新位姿信息对应的误差小于预先设置的误差阈值,或者,更新的次数等于或大于预先设置的迭代阈值时,则根据更新位姿信息确定点云的位姿信息;
步骤S1000:当更新位姿信息对应的误差等于或大于预先设置的误差阈值,或者,更新的次数小于预先设置的迭代阈值时,则返回步骤S300。
通过本实施例提供的技术方案,实现了快速且精准对位姿信息进行确定的技术效果。节约了时间,提高了效率,且提高了准确性。
在一种可能实现的技术方案中,步骤S100具体包括:
通过传感器获取初始点云数据;
依次对初始点云数据进行点云过滤处理、异常值去除处理、聚类分割处理,得到点云数据。
在本实施例中,通过传感器对初始点云数据进行获取,获取到初始点云数据后,并非直接对该初始点云数据进行应用,而是优先对该初始点云数据进行预处理。
其中,预处理具体包括:依次对初始点云数据进行过滤,过滤后再进行异常值去除处理,异常值异去除后,再通过聚类分割处理,以便得到点云数据。以确保点云数据的精准性。
其中,传感器为深度摄像头。
通过本实施例提供的技术方案,实现了快速且精准的获取点云数据的技术效果,进而实现了快速且精准对位姿信息进行确定的技术效果。
在一种可能实现的技术方案中,步骤S200具体包括:
分别对粒子的位姿向量和速度向量进行初始化;
根据初始化后的位姿向量和速度向量确定位姿信息。
在本实施例中,根据式1对第一粒子进行初始化,以便得到第一粒子的初始位置信息,根据式2对第一粒子进行初始化,以便得到第一粒子的初始速度信息;
式1:X1=[x1,y1,z1,φ1,ψ1,γ1]
式2:
其中,X1为第一个粒子的初始位置信息,V1为第一个粒子的初始速度信息,x1,y1,z1分别为第一个粒子的六维向量中的位置向量;φ1、ψ1、γ1分别为第一个粒子的六维向量中的位姿向量,分别为第一个粒子的六维向量中的速度向量。
在一种可能实现的技术方案中,步骤S400具体包括:
变换后的点云数据对应的点和几何面确定变换后的点云数据对应的点在几何面的投影点;
根据投影点确定变换后的点云数据对应的点与几何面的位置关系。
在一种可能实现的技术方案中,步骤S500具体包括:
根据所述位置关系和计算规则确定最邻近几何面;
根据最邻近几何面确定变换后的点云与其对应的几何模型之间的最邻近距离。
可以理解的是,所有的几何模型都可以细分成由一个个几何面(在本申请中,几何面是指三角面)组成。具体地,可以基于STL格式的CAD模型获取几何模型的三角面数据。
确定点在目标三角面上的投影点,其中,目标三角面为多个三角面中的任意一个;
当投影点落在目标三角面中,或者投影点落在目标三角面的任一边上,则欧式距离为点云与投影点之间连线的距离;
当投影点落在目标三角面的边之外,则欧式距离为点云与目标三角面的三条边之间的距离中最短的距离。
根据欧式距离确定最邻近几何面。
根据最邻近几何面,确定变换后的点云与其对应的几何模型之间的最邻近距离。
在一种可能实现的技术方案中,根据式3和式4对点云的位姿信息进行确定,
式3:
式4:
其中,第一个粒子的速度为第一个粒子第k+1次迭代的速度信息,第一个粒子的位置为第一个粒子第k+1次迭代的位置信息,w为惯性因子,c1、c1为学习因子,r1、r2为第一个粒子第k+1次迭代的随机因子,k为大于1的整数,为第一个粒子k次中最高得分、gbestk为所有粒子k次中全局最优得分。
根据本发明实施例的另一个方面,本发明实施例提供了与上述方法相对应的一种点云位姿信息的估算***。
请参阅图2,图2为本发明实施例提供的一种基于粒子群优化的物体点云位姿估算***的结构示意图。
如图2所示,该***包括:
预处理模块:用于根据预先设置的预处理规则对获取到的点云中的点的初始点云数据进行预处理,得到点云数据;
初始化模块:用于根据预先设置的初始化规则对粒子种群中的粒子进行初始化,得到粒子的位姿信息;
变换模块:用于根据位姿信息和点云数据对点云中的点进行平移和旋转,得到变换后的点云数据;
遍历模块:用于遍历变换后的点云数据对应的点,根据变换后的点云数据和变换后的点云所在的几何模型,确定变换后的点云数据对应的点与几何模型中的几何面的位置关系;
搜索模块:用于根据预先设置的计算规则和位置关系确定变换后的点云与何模型的最邻近距离,根据最邻近距离和预先设置的算法规则确定每个粒子的适应度,根据每个粒子的适应度和获取到的每个粒子的历史适应度,确定每个粒子的历史最优得分和全局最优得分;
更新模块:用于根据预先设置的更新规则和每个粒子的历史最优得分和全局最优得分,更新每个所述粒子的位姿信息,得到更新位姿信息;
搜索模块还用于:当更新位姿信息对应的误差小于预先设置的误差阈值,或者,更新的次数等于或大于预先设置的迭代阈值时,则根据更新位姿信息确定点云的位姿信息;
迭代模块:用于当更新位姿信息对应的误差等于或大于预先设置的误差阈值,或者,更新的次数小于预先设置的迭代阈值时,则返回变换模块。
在一种可能实现的技术方案中,预处理模块具体用于:
通过传感器获取初始点云数据;
依次对初始点云数据进行点云过滤处理、异常值去除处理、聚类分割处理,得到点云数据。
在一种可能实现的技术方案中,传感器为深度摄像头。
在一种可能实现的技术方案中,初始化模块具体用于:分别对粒子的位姿向量和速度向量进行初始化;
根据初始化后的位姿向量和速度向量确定位姿信息。
在一种可能实现的技术方案中,搜索模块具体用于:
根据位置关系和计算规则确定最邻近几何面;
根据最邻近几何面确定变换后的点云与其对应的几何模型之间的最邻近距离。
读者应理解,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
还应理解,在本发明各实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于粒子群优化的物体点云位姿估算方法,其特征在于,所述方法包括:
步骤S100:根据预先设置的预处理规则对获取到的点云中的点的初始点云数据进行预处理,得到点云数据;
步骤S200:根据预先设置的初始化规则对粒子种群中的粒子进行初始化,得到粒子的位姿信息;
步骤S300:根据所述位姿信息和所述点云数据对所述点云中的点进行平移和旋转,得到变换后的点云数据;
步骤S400:遍历变换后的点云数据对应的点,根据变换后的点云数据和变换后的点云所在的几何模型,确定变换后的点云数据对应的点与所述几何模型中的几何面的位置关系;
步骤S500:根据预先设置的计算规则和所述位置关系确定变换后的点云与所述几何模型的最邻近距离;
步骤S600:根据所述最邻近距离和预先设置的算法规则确定每个所述粒子的适应度;
步骤S700:根据每个所述粒子的适应度和获取到的每个所述粒子的历史适应度,确定每个所述粒子的历史最优得分和全局最优得分;
步骤S800:根据预先设置的更新规则和每个所述粒子的历史最优得分和全局最优得分,更新每个所述粒子的位姿信息,得到更新位姿信息;
步骤S900:当所述更新位姿信息对应的误差小于预先设置的误差阈值,或者,更新的次数等于或大于预先设置的迭代阈值时,则根据所述更新位姿信息确定所述点云的位姿信息;
步骤S1000:当所述更新位姿信息对应的误差等于或大于预先设置的误差阈值,或者,更新的次数小于预先设置的迭代阈值时,则返回步骤S300。
2.根据权利要求1所述的一种基于粒子群优化的物体点云位姿估算方法,其特征在于,所述步骤S100具体包括:
通过传感器获取初始点云数据;
依次对所述初始点云数据进行点云过滤处理、异常值去除处理、聚类分割处理,得到所述点云数据。
3.根据权利要求2所述的一种基于粒子群优化的物体点云位姿估算方法,其特征在于,
所述传感器为深度摄像头。
4.根据权利要求1所述的一种基于粒子群优化的物体点云位姿估算方法,其特征在于,所述步骤S200具体包括:
分别对所述粒子的位姿向量和速度向量进行初始化;
根据初始化后的位姿向量和速度向量确定所述位姿信息。
5.根据权利要求1所述的一种基于粒子群优化的物体点云位姿估算方法,其特征在于,所述步骤S400具体包括:
根据变换后的点云数据对应的点和所述几何面确定变换后的点云数据对应的点在所述几何面的投影点;
根据所述投影点确定变换后的点云数据对应的点与所述几何面的位置关系。
6.根据权利要求1-5中任一项所述的一种基于粒子群优化的物体点云位姿估算方法,其特征在于,所述步骤S500具体包括:
根据所述位置关系和所述计算规则确定最邻近几何面;
根据所述最邻近几何面确定变换后的点云与其对应的几何模型之间的最邻近距离。
7.一种基于粒子群优化的物体点云位姿估算***,其特征在于,所述***包括:
预处理模块:用于根据预先设置的预处理规则对获取到的点云中的点的初始点云数据进行预处理,得到点云数据;
初始化模块:用于根据预先设置的初始化规则对粒子种群中的粒子进行初始化,得到粒子的位姿信息;
变换模块:用于根据所述位姿信息和所述点云数据对所述点云中的点进行平移和旋转,得到变换后的点云数据;
遍历模块:用于遍历变换后的点云数据中的每个点,根据变换后的点云数据和变换后的点云所在的几何模型,确定变换后的点云数据对应的点与所述几何模型中的几何面的位置关系;
搜索模块:用于根据预先设置的计算规则和所述位置关系确定变换后的点云与所述几何模型的最邻近距离,根据所述最邻近距离和预先设置的算法规则确定每个所述粒子的适应度,根据每个所述粒子的适应度和获取到的每个所述粒子的历史适应度,确定每个所述粒子的历史最优得分和全局最优得分;
更新模块:用于根据预先设置的更新规则和每个所述粒子的历史最优得分和全局最优得分,更新每个所述粒子的位姿信息,得到更新位姿信息;
所述搜索模块还用于:当所述更新位姿信息对应的误差小于预先设置的误差阈值,或者,更新的次数等于或大于预先设置的迭代阈值时,则根据所述更新位姿信息确定所述点云的位姿信息;
迭代模块:用于当所述更新位姿信息对应的误差等于或大于预先设置的误差阈值,或者,更新的次数小于预先设置的迭代阈值时,则返回变换模块。
8.根据权利要求7所述的一种基于粒子群优化的物体点云位姿估算***,其特征在于,所述预处理模块具体用于:
通过传感器获取初始点云数据;
依次对所述初始点云数据进行点云过滤处理、异常值去除处理、聚类分割处理,得到所述点云数据。
9.根据权利要求8所述的一种基于粒子群优化的物体点云位姿估算***,其特征在于,
所述传感器为深度摄像头。
10.根据权利要求7-9中任一项所述的一种基于粒子群优化的物体点云位姿估算***,其特征在于,
所述初始化模块具体用于:分别对所述粒子的位姿向量和速度向量进行初始化;
根据初始化后的位姿向量和速度向量确定所述位姿信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711157067.6A CN108053443B (zh) | 2017-11-20 | 2017-11-20 | 一种基于粒子群优化的物体点云位姿估算方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711157067.6A CN108053443B (zh) | 2017-11-20 | 2017-11-20 | 一种基于粒子群优化的物体点云位姿估算方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108053443A CN108053443A (zh) | 2018-05-18 |
CN108053443B true CN108053443B (zh) | 2019-08-02 |
Family
ID=62119990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711157067.6A Active CN108053443B (zh) | 2017-11-20 | 2017-11-20 | 一种基于粒子群优化的物体点云位姿估算方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108053443B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6880080B2 (ja) * | 2018-07-02 | 2021-06-02 | ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド | ポイントクラウドに基づく姿勢推定を用いた車両ナビゲーションシステム |
CN110954113B (zh) * | 2019-05-30 | 2021-10-15 | 北京初速度科技有限公司 | 一种车辆位姿的修正方法和装置 |
CN110310325B (zh) * | 2019-06-28 | 2021-09-10 | Oppo广东移动通信有限公司 | 一种虚拟测量方法、电子设备及计算机可读存储介质 |
CN111079208B (zh) * | 2019-11-20 | 2024-01-23 | 杭州电子科技大学 | 基于粒子群算法的cad模型之间面对应关系识别方法 |
CN112084937B (zh) * | 2020-09-08 | 2021-03-19 | 清华大学 | 一种动态车辆检测方法 |
CN113433532B (zh) * | 2021-07-07 | 2022-09-30 | 清华大学苏州汽车研究院(吴江) | 一种基于粒子群算法的激光雷达姿态标定方法及装置 |
CN114355415A (zh) * | 2022-01-06 | 2022-04-15 | 上海安亭地平线智能交通技术有限公司 | 位姿信息的确定方法和装置、电子设备和存储介质 |
CN117496074B (zh) * | 2023-12-29 | 2024-03-22 | 中国人民解放军国防科技大学 | 一种适应相机快速移动的高效三维场景重建方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102446354A (zh) * | 2011-08-29 | 2012-05-09 | 北京建筑工程学院 | 一种高精度多源地面激光点云的整体配准方法 |
CN103412565A (zh) * | 2013-05-17 | 2013-11-27 | 浙江中控研究院有限公司 | 一种具有全局位置快速估计能力的机器人及其定位方法 |
CN105551015A (zh) * | 2015-12-02 | 2016-05-04 | 南京邮电大学 | 一种散乱点云图像配准方法 |
US20160253807A1 (en) * | 2015-02-26 | 2016-09-01 | Mitsubishi Electric Research Laboratories, Inc. | Method and System for Determining 3D Object Poses and Landmark Points using Surface Patches |
CN106951860A (zh) * | 2017-03-20 | 2017-07-14 | 河南腾龙信息工程有限公司 | 一种基于点云的三维数据智能识别方法 |
US20170258391A1 (en) * | 2016-03-14 | 2017-09-14 | Sensors Unlimited, Inc. | Multimodal fusion for object detection |
-
2017
- 2017-11-20 CN CN201711157067.6A patent/CN108053443B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102446354A (zh) * | 2011-08-29 | 2012-05-09 | 北京建筑工程学院 | 一种高精度多源地面激光点云的整体配准方法 |
CN103412565A (zh) * | 2013-05-17 | 2013-11-27 | 浙江中控研究院有限公司 | 一种具有全局位置快速估计能力的机器人及其定位方法 |
US20160253807A1 (en) * | 2015-02-26 | 2016-09-01 | Mitsubishi Electric Research Laboratories, Inc. | Method and System for Determining 3D Object Poses and Landmark Points using Surface Patches |
CN105551015A (zh) * | 2015-12-02 | 2016-05-04 | 南京邮电大学 | 一种散乱点云图像配准方法 |
US20170258391A1 (en) * | 2016-03-14 | 2017-09-14 | Sensors Unlimited, Inc. | Multimodal fusion for object detection |
CN106951860A (zh) * | 2017-03-20 | 2017-07-14 | 河南腾龙信息工程有限公司 | 一种基于点云的三维数据智能识别方法 |
Non-Patent Citations (3)
Title |
---|
A point cloud registration method combining enhanced particle swarm optimization and iterative closest point method;Yuqin Ge 等;《2016 Chinese Control and Decision Conference (CCDC)》;20160530;第2810-2815页 * |
基于几何特征的点云拼合研究;翟欢乐;《中国优秀硕士学位论文全文数据库信息科技辑》;20111215;正文第1-69页 * |
散乱点云数据精配准的粒子群优化算法;韩贤权 等;《武汉大学学报信息科学版》;20141005;第39卷(第10期);第1214-1220页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108053443A (zh) | 2018-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108053443B (zh) | 一种基于粒子群优化的物体点云位姿估算方法和*** | |
CN109559320B (zh) | 基于空洞卷积深度神经网络实现视觉slam语义建图功能的方法及*** | |
CN105741355B (zh) | 一种三角网格模型的块分割方法 | |
CN112328715B (zh) | 视觉定位方法及相关模型的训练方法及相关装置、设备 | |
Liang et al. | Model-based hand pose estimation via spatial-temporal hand parsing and 3D fingertip localization | |
US8411081B2 (en) | Systems and methods for enhancing symmetry in 2D and 3D objects | |
US9111172B2 (en) | Information processing device, information processing method, and program | |
CN111627050B (zh) | 一种目标跟踪模型的训练方法和装置 | |
JP6487642B2 (ja) | 手指形状の検出方法、そのプログラム、そのプログラムの記憶媒体、及び、手指の形状を検出するシステム。 | |
US8478001B2 (en) | Image processing apparatus | |
CN110991513A (zh) | 一种具有类人连续学习能力的图像目标识别***及方法 | |
CN110211151A (zh) | 一种运动物体的追踪方法和装置 | |
CN108496188A (zh) | 神经网络训练的方法、装置、计算机***和可移动设备 | |
CN114387462A (zh) | 一种基于双目相机的动态环境感知方法 | |
JP2021528726A (ja) | ポイントクラウドデータの処理方法、装置、電子機器及び記憶媒体 | |
Spiller | Object Localization Using Deformable Templates | |
WO2015176502A1 (zh) | 一种图像特征的估计方法和设备 | |
WO2022001739A1 (zh) | 标记点识别方法、装置、设备和存储介质 | |
CN115147433A (zh) | 点云配准方法 | |
CN114511745B (zh) | 三维点云分类及旋转姿态预测方法及*** | |
CN113935368B (zh) | 针对散乱堆叠状态且具有可抓取平面物体的识别、定位及抓取方法 | |
Majcher et al. | 3D Model-based 6D Object Pose Tracking on RGB Images using Particle Filtering and Heuristic Optimization. | |
CN108830860B (zh) | 一种基于rgb-d约束的双目图像目标分割方法和装置 | |
CN118015288B (zh) | 一种手部关键点去噪方法、装置、电子设备及存储介质 | |
CN117152516A (zh) | 一种用于视觉任务的分块卷积计算方法、***和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |