CN113313137A - 涂胶障碍物识别及去除方法 - Google Patents

Abstract

本发明涉及一种涂胶障碍物识别及去除方法，它主要解决涂胶自动化过程中障碍物的识别问题。其技术方案要点是：数据处理，使用直通滤波和半径滤波对传感器数据进行预处理；去除平面，用随机抽样一致算法拟合平面；提取点云模板特征，计算模板点云的特征参数；点云分割，对某时刻的点云使用改进的欧氏聚类进行分割；去除障碍物，根据阈值筛选出障碍物所在子集并去除。上述涂胶障碍识别及去除方法，改进点云处理流程和分割算法，能对实时采集到的数据进行统计分类，能提高障碍物识别的精准和稳定，以及涂胶生产线上障碍物处理的自动化程度。

Description

涂胶障碍物识别及去除方法

技术领域

本发明属于涂胶自动化控制设备技术领域，具体涉及一种涂胶障碍物识别及去除方法。

背景技术

目前的汽车生产线中，涂胶***能通过传感器进行涂胶引导和胶型检测。涂胶路径上的障碍物会对引导精度、检测准确率产生影响。

在应用中，通常障碍物检测、识别由人目进行，障碍物规避由手动控制。随着计算机视觉技术的发展，现有常规视觉传感器模拟视觉功能获取各类障碍物的特征信息，但该技术具有一定局限性，仅能检测直线或简单圆弧曲线轨迹上的简易障碍物，一旦出现复杂空间曲线轨迹及障碍物，常规的视觉传感判别很难实现实时性和高精度，从而无法满足全自动化。除此之外，现今的激光视觉传感器对工件三维形貌测量***不具备采集范围调节自适应性，通用柔性不高。由此可见，将传感器应用于复杂轨迹涂胶自动化生产线上的障碍物识别技术的研究工作尚未成熟。

本发明提出一种涂胶障碍物识别及去除方法，能提高障碍物识别的精准和稳定，以及涂胶生产线上障碍物处理的自动化程度。

发明内容

针对上述问题，本发明旨在解决复杂轨迹涂胶自动化过程中障碍物的识别及去除问题。针对目前仅能检测直线或简单圆弧曲线轨迹上的简易障碍物及其精准性和稳定性不高的问题，在现有的视觉传感技术的基础上，通过障碍物判别算法的优选和流程的改进，提出了一种对于激光传感器数据的障碍物识别方法。其技术方案是：

步骤1：数据处理

采用直通滤波法和迭代半径滤波法进行点云数据的预处理。使用线结构光扫描的方式采集点云，物体沿z向分布较广，但x,y向的分布处于有限范围内。此时可使用直通滤波器，确定点云在x或y方向上的范围，可较快剪除离群点，达到第一步粗处理的目的。半径滤波器与统计滤波器相比更加简单。以某点为中心画一个圆计算落在该圆中点的数量，当数量大于给定值时，则保留该点，数量小于给定值则剔除该点。此算法运行速度快，依序迭代留下的点一定是最密集的，但是圆的半径和圆内点的数目都需要人工指定。

步骤2：去除平面

随机抽样一致性算法找到平面。拟合点云平面，在异常值存在的情况下可以得到比较理想的拟合效果。

该算法对阈值的选取比较敏感，因此通过自动选取阈值来检测并剔除异常值，得到最佳参数估计。

使用改进的结合特征值的算法进行点云平面拟合，其阈值的选取很重要，若选取的阈值较小则会剔除应该选择的有效点，而选取的阈值较大时则会将无效点或误差点误判为有效点。标准偏差是一种数据值偏离算术平均值程度的度量，此处利用点到初始平面模型距离的标准偏差来自动选取阈值t。该方法能有效地剔除异常数据，保留有效数据，且能自动选取阈值，不需要人为设定其参数，方便易行。

步骤3：提取模板点云特征

由于涂胶的场景、轮廓较为单一，易于提取单帧点云，本文提取模板点云特征，通过计算模板点云在不同k邻域下点与邻近点之间的平均距离和标准差、不同r邻域下最大邻近点数目和点与邻近点之间法线夹角均值，优化后续点云分割的参数选取，有利于提高分割结果的准确性。具体步骤是：

1)不同k邻域下点与邻近点之间的平均距离和标准差

2)不同r邻域下最大邻近点数目和点与邻近点之间法线夹角均值

步骤4：点云分割

平面去除后，通过对比某点和其邻近点的某些特征，可以对某一时刻的数据点直接使用基于邻近信息的点云分割。

使用基于改进欧氏聚类的点云分割的优势在于：提出自适应搜索半径的聚类分割，在涂胶点云的非边缘区域选取较大的搜索半径，并在边缘区域选取较小的搜索半径，从而在保证分割效果的基础上提高算法的速度。

搜索半径自适应的思想是：在聚类过程中，对位于涂胶内部区域的点选择较大的搜索半径，对位于边缘区域的点选择较小的搜索半径。判断点云中的点是否位于边缘区域需要用到步骤3中模板点云的平均距离和标准差，若点与其k邻近点之间的距离均值在模板点云的平均距离波动范围内，则为工件边缘点，取其距离均值为搜索半径，反之，则取最远邻近点和该点的距离作为搜索半径。

步骤5:去除障碍物

经过处理，目标点云被分割成点云子集，每个子集都代表一个目标形状。分别求得每个子集的高度,以及涂胶的合格高度范围。筛选出符合高度范围的子集,去除其他点云数据。

本发明的有益效果是：本发明旨在解决复杂轨迹涂胶自动化过程中障碍物的识别及去除问题，提出一种障碍物的识别及去除方法。在现有的激光视觉传感技术的基础上，改进点云处理流程和分割算法，能对实时采集到的数据进行统计分类，精准地区分、去除障碍物，并实现激光在复杂轨迹上的自适应性，为复杂轨迹涂胶生产线的障碍物处理全自动化打下基础。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1是本发明的算法流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了更好的表达整个发明的技术方案与有益效果，下面结合附图和实施例对本发明做进一步详细说明。但是，本发明的实施方式不限于此。

步骤1：数据处理

采用直通滤波法和迭代半径滤波法进行点云数据的预处理。使用线结构光扫描的方式采集点云，物体沿z向分布较广，但x,y向的分布处于有限范围内。此时可使用直通滤波器，确定点云在x或y方向上的范围，可较快剪除离群点，达到第一步粗处理的目的。半径滤波器与统计滤波器相比更加简单。以某点为中心画一个圆计算落在该圆中点的数量，当数量大于给定值时，则保留该点，数量小于给定值则剔除该点。此算法运行速度快，依序迭代留下的点一定是最密集的，但是圆的半径和圆内点的数目都需要人工指定。

预处理步骤为：

1)采用k维(k-D)树邻近点搜索算法建立点云中点与点之间的拓扑关系，实现邻近点的快速搜索；

2)在3个坐标维度上分别通过直通滤波器去除冗余点；

3)半径滤波器滤波是通过检测目标点邻域半径内的近邻点数目是否小于预设阈值消除离群点的。该方法需要设定邻近点数目阈值Tth，由于实际点云中边缘上点的邻近点数量接近搜索区域近邻点数量最大值的50％，因此，通过统计不同邻域下模板点云的最大邻近点数目，在给定邻域时，选取接近其对应最大邻近点数目50％的值作为阈值，可以去除大部分离群点。但是该方法经过一次滤波很难完全去除离群点，因此，本文提出迭代半径滤波方法，在初始滤波的基础上引入迭代思想，进行多次重复滤波，直到滤波前后点云数目差异满足给定值，终止迭代。

步骤2：去除平面

随机抽样一致性算法找到平面。拟合点云平面，在异常值存在的情况下可以得到比较理想的拟合效果，该方法对阈值t的选取比较敏感，因此通过自动选取阈值t来检测并剔除异常值，得到最佳参数估计。

随机抽样一致性算法要求在一定的置信概率下，基本子集最少迭代次数 M与至少取得一个良性取样子集的概率P(P<ε)满足如下关系：

P＝1-(1-(1-ε)^m)^M

式中，ε为数据错误率，m为计算模型参数需要的最小数据量，通常情况下ε和P是根据具体条件给定的，本文取ε＝0.2，P＝0.99。

改进的结合特征值的算法进行点云平面拟合，其过程为：

1)在原始点云中选取任意3个点，判断其是否共线，若不共线则解算出其对应的初始平面ax+by+cz＝d。

2)计算点云到该初始平面的距离d_i＝|ax_i+by_i+cz_i-d|。

3)选取阈值t＝2δ₀，δ₀为点云到初始平面模型距离的标准偏差。当d_i>t 时该点被当作异常点剔除，反之被当作有效数据保留，统计有效数据的数量 PNum。

4)重复1)，2)，3)步骤，迭代M次，比较并选择含有效数据点数量 PNum最大的平面。

5)采用特征值法对有效数据点数量PNum最大的平面bestPlane重新进行估计，即可得到所需的平面模型参数。

6)根据模型，去除相应的平面点。

步骤3)中阈值t的选取很重要，若选取的t较小则会剔除应该选择的有效点，而选取的t较大时则会将无效点或误差点误判为有效点。标准偏差δ是一种数据值偏离算术平均值程度的度量，此处利用点到初始平面模型距离的标准偏差来自动选取阈值t。该方法能有效地剔除异常数据，保留有效数据，且能自动选取阈值，不需要人为设定其参数，方便易行。

步骤3：提取模板点云特征

由于涂胶的场景、轮廓较为单一，易于提取单帧点云，本文提取模板点云特征，通过计算模板点云在不同k邻域下点与邻近点之间的平均距离和标准差、不同r邻域下最大邻近点数目和点与邻近点之间法线夹角均值，优化后续点云分割的参数选取，有利于提高分割结果的准确性。具体步骤如下：

1)不同k邻域下点与邻近点之间的平均距离和标准差

对任意一点q_i∈Q(Q为模板点云，数目为N)，搜索距离最近的k个邻近点，记作{q_i1,q_i2,…q_ik}，计算每个邻近点距该点的平均距离：

遍历点云中所有的点，得到N个平均距离值，求得点云在k邻域下的平均距离均值d和标准差σ：

2)不同r邻域下最大邻近点数目和点与邻近点之间法线夹角均值

对点云Q的任意一点，搜索其r邻域(小于胶型宽度)内的所有邻近点，统计其邻近点数目，遍历点云中的所有点，得到N个邻近点数目，将点云r 邻域下的最大邻近点数目取为最大值。

采用主成分分析(PCA)法求取点云中点的法线，具体步骤是：对任意一点q_i∈Q，搜索其r邻域半径内所有的邻近点，设邻近点数目为g，记作 {q_i1,q_i2,…q_ig}，利用最小二乘法拟合局部平面：

式中n为局部平面法线，

为邻近元素的三维质心，d表示表示局部平面到坐标原点的距离。令局部平面过

点，n为单位法线，则可将问题转化为求协方差矩阵M的特征值：

|M|·v_j＝λ_j·v_j，j∈{1，2，3}

式中λ_j和v_j分别为协方差矩阵的特征值和特征向量，且λ₀≤λ₁≤λ₂。具有最小特征值的特征向量即q_i点的法线，记作v_i。点q_i的g邻近点对应法线分别为{v_i1，v_i2，…，v_ig}，计算点q_i与r邻域内邻近点法线夹角的均值、点云的r邻域下法线夹角均值：

步骤4：点云分割

平面去除后，通过对比某点和其邻近点的某些特征，可以对某一时刻的数据点直接使用基于邻近信息的点云分割。

使用基于改进欧氏聚类的点云分割的优势在于：提出自适应搜索半径的聚类分割，在涂胶点云的非边缘区域选取较大的搜索半径，并在边缘区域选取较小的搜索半径，从而在保证分割效果的基础上提高算法的速度。

首先，构建目标点云P的k－D树，确定模板点云邻域法线夹角均值的最小值，设阈值为σ_th，读取其对应的邻域半径r_min；然后，对点q_i∈Q，采用步骤3计算该点的r_min邻域下的法线夹角均值为σ_qi，若σ_qi＞σ_th，则q_i点为边缘点，反之，则为非边缘点，遍历点云中所有点，最终得到边缘点云P₁和非边缘点云P₂，且两者满足P₁，P₂∈P，P₁∪P₂＝P。

搜索半径自适应的思想是：在聚类过程中，对位于涂胶内部区域的点选择较大的搜索半径，对位于边缘区域的点选择较小的搜索半径。判断点云中的点是否位于边缘区域需要用到步骤3中模板点云的平均距离和标准差，若点与其k邻近点之间的距离均值在模板点云的平均距离波动范围内，则为工件边缘点，取其距离均值为搜索半径，反之，则取最远邻近点和该点的距离作为搜索半径。总结搜索半径自适应的欧氏聚类分割算法步骤如下。

1)构建非边缘点云P₂的k－D树，初始化邻近点数目为k，由步骤2得到点云k邻域下的距离均值d和标准差σ，初始化最小聚类数目n_min和最大聚类数目n_max。

2)新建一个空的点云索引向量s_{cluster_indices}用于存储聚类结果，新建一个整型向量q_queue并初始化为空，用于存储单次聚类结果；新建一个bool型向量 p_processed，尺寸和点云P₂相同，初始化向量为false，用于表示点云是否被处理过。

3)初始化i＝0，对p_i∈P₂，执行以下步骤。

a初始化c＝0，将p_i点的索引加入当前序列q_queue[c]，标记该点为已分类，即p_processed[i]＝true。

b根据序列q_queue中第c个元素存储的点索引找到其在点云P₂中的对应点 p_c，在k-D树中，搜索距离p_c点最近的k个邻近点，求k个邻近点与该点的距离{D_dist[j]，j＝1,2,…,k}，取均值为A_SinglePoint，计算固定距离阈值：

D＝d+μσ

式中μ为比例因子。

若A_SinglePoint≤D，则p_c点为非边缘点，自适应搜索半径R_th表示为

R_th＝Max{D_dist[j],j＝1,2,…,k}，

反之，自适应搜索半径R_th则表示为

c根据步骤b求得的搜索半径R_th，将位于该半径范围内邻近点的索引加入序列q_queue，并标记邻近点为已分类，c＝c+l。

d重复步骤b、c，直到q_queue中对应的所有的点都被处理过，根据n_min≤n_queuesize≤n_max判断该聚类结果是否满足数目要求，若满足，则将q_queue中所有的点索引放入点云索引向量s_{cluster_indices}中，清空队列q_queue，反之，则舍弃并清空序列q_queue，i＝i+1。

4)重复步骤3)，直到点云P₂中所有的点都已处理完毕，将聚类结果存放在{s_{cluster_indices}[0],s_{cluster_indices}[1],…,s_{cluster_indices}[m-1]}中，将每组点云索引向量中索引在P₂中对应的点保存成点云输出，记作{C_{cluster_1},C_{cluster_1},…, C_{cluster_1},}。

步骤5:去除障碍物

经过处理，目标点云P₂被分割成m个点云子集，每个子集都代表一个目标形状。分别求得m个子集的高度,以及涂胶的合格高度范围。筛选出符合高度范围的子集,去除其他点云数据。

以上所述仅是本发明的优选实施方式，应当指出，在不脱离本发明原理的前提下所作出的若干改进，都视为本发明的保护范围。

Claims (5)

1.一种用于激光传感器数据进行涂胶障碍物识别及去除方法，其特征在于，所述涂胶障碍物识别及去除方法包括如下步骤：

数据处理，使用直通滤波和半径滤波对传感器数据进行预处理；

去除平面，用随机抽样一致算法拟合平面；

提取点云模板特征，计算模板点云的特征参数；

点云分割，对某时刻的点云使用改进的欧氏聚类进行分割；

去除障碍物，根据阈值筛选出障碍物所在子集并去除。

2.根据权利要求1所述的涂胶障碍物识别及去除方法，其特征在于，还包括数据去噪步骤，包括：

采用k维树邻近点搜索算法建立点云中点与点之间的拓扑关系，实现邻近点的快速搜索；

在3个坐标维度上分别通过直通滤波器去除冗余点；

迭代半径滤波器进行多次重复滤波，直到滤波前后点云数目差异满足给定值，终止迭代。

3.根据权利要求1所述的涂胶障碍物识别及去除方法，其特征在于，所述去除平面步骤，通过自动选取随机抽样一致性算法的阈值来检测并剔除异常值，得到最佳参数估计。

4.根据权利要求1所述的涂胶障碍物识别及去除方法，其特征在于，所述提取模板点云特征步骤，通过计算模板点云在不同k邻域下点与邻近点之间的平均距离和标准差、不同r邻域下最大邻近点数目和点与邻近点之间法线夹角均值，优化后续点云分割的参数选取，有利于提高分割结果的准确性。

5.根据权利要求1所述的涂胶障碍物识别及去除方法，其特征在于，所述点云分割步骤，使用基于改进欧氏聚类的点云分割，能自适应搜索半径，在涂胶点云的非边缘区域选取较大的搜索半径，并在边缘区域选取较小的搜索半径，从而在保证分割效果的基础上提高算法的速度。

Images