CN115937320B - 一种手机壳打磨用视觉定位方法 - Google Patents

Abstract

本发明涉及图像处理领域，具体涉及一种手机壳打磨用视觉定位方法，包括：获取待测点云以及模板点云；获取待测点云的各个类簇；根据各个类簇中各个点的原始距离差异以及法线夹角得到各个类簇的突起特征强度；根据各个类簇中一类点以及内点的比例得到各个类簇的高频特征显著性以及直线特征强度，进而得到各个类簇的线性特征值；根据各个类簇对应的最小外接矩形得到各个类簇的距离序列；根据各个类簇的距离序列以及位置参照值得到各个类簇的位置特征值；根据各个类簇的位置特征值以及各个类簇的线性特征值得到各个类簇的多余硅胶显著值，进而得到各个打磨位置。本发明可以实现对待测手机壳打磨位置更加精确的视觉定位。

Description

一种手机壳打磨用视觉定位方法

技术领域

本发明涉及图像处理领域，具体涉及一种手机壳打磨用视觉定位方法。

背景技术

手机壳按质地分有PC，皮革，硅胶，布料，塑料等，材质不一，起到保护手机、防摔、防刮、防水和防震等作用。硅胶是各种材料中非常重要的一种，硅胶在经过模具压膜后，除去四边的明显多余的硅胶，就形成了一个手机壳胚。但除去周围多余的硅胶后，在原先出现多余硅胶的部分四周仍会残留一条约0.2mm的多余的硅胶，这些多余的硅胶很难去除，在日常使用过程中会出现划手或磨手的问题，降低使用的舒适性，只能通过后续精确打磨降低这些多余硅胶的影响，所以在手机壳打磨前对手机壳进行更细致精确的打磨的位置的定位非常重要。

手机打磨用定位主要是定位手机壳上较为粗糙的位置，即需要打磨的位置。按照取样方式的差异，其测量方法有两种：接触式和非接触式。接触式测量精度和速度受到测量方法的限制且易损伤样本；非接触式方法主要包括光学测量法、声发射检测法和视觉检测法等。

其中光学检测和声发射易受环境影响、成本代价较高。而目前的视觉检测法通常采用二维图像法，但二维图像的特征提取依赖于光照条件和测量物体的对比度，且后续需要综合其他方法，分析繁杂、精确度易受影响。因此需要一种受环境干扰小、结果更为稳定精确的手机壳粗糙位置定位方法。

发明内容

本发明提供一种手机壳打磨用视觉定位方法，以解决现有的问题。

本发明的一种手机壳打磨用视觉定位方法采用如下技术方案：

本发明一个实施例提供了一种手机壳打磨用视觉定位方法，该方法包括以下步骤：

获取待测点云以及模板点云；

对待测点云与模板点云进行匹配，将待测点云中各个点在模板点云中匹配的点称为各个点的匹配点；根据各个点与对应的匹配点之间的距离得到各个点的原始距离差异；获取待测点云的一类点以及待测点云中各个点的法线夹角；获取待测点云中的各个平面，对各个平面中各个点的原始距离差异进行聚类，得到各个平面的各个类簇；对各个类簇进行直线拟合，得到各个类簇的内点；根据各个类簇中各个点的原始距离差异以及法线夹角得到各个类簇的突起特征强度；根据各个类簇中一类点的比例得到各个类簇的高频特征显著性；根据各个类簇中内点的比例得到各个类簇的直线特征强度，根据各个类簇的突起特征强度、直线特征强度以及高频特征显著性得到各个类簇的线性特征值；

获取待测点云各个平面的最小外接矩形，每个最小外接矩形均包括两个长边以及两个短边；获取各个平面的各个类簇中各个点到对应最小外接矩形的一条长边之间的最短距离，得到各个点对应的最短距离值，对所得所有最短距离值进行突变值的检测，得到各个类簇的各个突变值，将各个类簇剔除突变值后对应的所有最短距离值构成的序列称为各个类簇的距离序列；获取各个类簇的位置参照值，根据各个类簇的距离序列以及位置参照值得到各个类簇的位置特征值；

根据各个类簇的位置特征值以及各个类簇的线性特征值得到各个类簇的多余硅胶显著值；根据待测点云中各个类簇的多余硅胶显著值得到各个打磨位置。

优选的，所述各个点的原始距离差异的获取步骤包括：

计算待测点云中所有点与对应匹配点之间的欧氏距离，将所得所有距离的平均值作为待测点云的平均距离；

以待测点云中的任意一个点为目标点；当目标点与对应匹配点之间的欧氏距离小于等于平均距离时，将目标点对应的欧氏距离开二次方后的结果作为目标点的原始距离差异；当目标点与对应匹配点之间的欧氏距离大于平均距离时，获取目标点的放大参数，根据目标点的放大参数以及目标点对应的欧氏距离得到目标点的原始距离差异；

以待测点云中的各个点为目标点，得到各个点的原始距离差异。

优选的，所述获取目标点的放大参数的方法为：

获取目标点距离最近的各个参考点，所得参考点的个数为预设个数；计算目标点的各个参考点与各个参考点对应匹配点之间的欧氏距离，计算所得所有欧氏距离中，大于待测点云的平均距离的各个欧氏距离的平均值，将所得平均值作为目标点的放大参数。

优选的，所述各个类簇的突起特征强度的获取方式为：

计算各个类簇中各个点的原始距离差异以及各个点的法线夹角之间的乘积，将所得所有乘积的平均值作为各个类簇的突起特征强度。

优选的，所述各个类簇的线性特征值的获取方法包括：

计算各个类簇的直线特征强度、高频特征显著性与一个常数系数之间的累加和，将所得累加和与各个类簇的突起特征强度之间的乘积作为各个类簇的线性特征值。

优选的，所述各个类簇的位置参照值是指：将各个类簇所处平面对应的最小外接矩形的短边长度的一半作为各个类簇的位置参照值。

优选的，所述各个类簇的位置特征值的获取步骤包括：

计算各个类簇的距离序列中各个最短距离值与各个类簇的位置参照值之间差值的绝对值，获取各个类簇的距离序列中所有最短距离值对应绝对值的累加和；计算各个类簇的距离序列中包含的最短距离值的个数与各个类簇的突变值个数之间的乘积，将所得累加和与所得乘积之间的比值作为各个类簇的位置特征值。

本发明的有益效果是：首先将获取的待检测手机壳对应的待测点云与无多余硅胶的模板点云进行匹配，对待测点云中各个点与其匹配点之间的欧氏距离进行适当放大或缩小，得到各个点的原始距离差异，从而得到待检测手机壳表面多余硅胶位置的较为粗糙的判断结果，然后根据多余硅胶位置为具有较强的线形特征的突起位置，且属于待测手机壳表面的细节高频信息，通过待测点云中各个平面上各个类簇的突起特征强度、直线特征强度以及高频特征显著性得到各个类簇的线性特征值；并结合多余硅胶出现的位置为手机壳侧边的特点，进一步根据各个类簇的位置特征值得到各个类簇的多余硅胶显著值，使用多余硅胶显著值表征待测手机壳表面多余硅胶的综合特征，根据各个类簇的多余硅胶显著值确定待测手机壳的多余硅胶位置，进而确定待测手机壳需要打磨的各个打磨位置，避免手机壳本身纹理，如手机上的摄像头在手机壳上对应的位置的干扰，从而实现对待测手机壳打磨位置更加精确的视觉定位。

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获得其他的附图。

图1为本发明的一种手机壳打磨用视觉定位方法的步骤流程图。

实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种手机壳打磨用视觉定位方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种手机壳打磨用视觉定位方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种手机壳打磨用视觉定位方法的步骤流程图，该方法包括以下步骤：

步骤S001：获取待测点云以及模板点云。

首先对单目线结构光3D相机进行光平面标定、手眼标定和示教视觉扫描轨迹等处理，然后用机器臂抓取待检测手机壳，使用单目线结构光3D相机按照示教好的视觉扫描轨迹对待检测手机壳进行扫描测量，根据单目线结构光3D相机的单应性矩阵、机器臂与相机之间的转换矩阵等信息，以及对待检测手机壳的每帧图像进行三维点云重建，从而将扫描测量得到的数据转换为待检测手机壳对应的点云数据，将所得点云数据称为待测点云；

由于机器人示教器示教的视觉扫描轨迹不完美等原因，通过单目线结构光3D相机重建出的待测点云会有冗余和部分离群点，需要对扫描出的整体点云使用直通滤波和离群点滤波进行处理，直通滤波和离群点滤波均为公知技术，具体过程不再赘述。

按照上述方法获取已经打磨完成，手机壳侧边不存在多余硅胶的无瑕疵手机壳模板的点云数据，将所得点云数据称为模板点云。

步骤S002：获取待测点云的各个类簇；根据各个类簇中各个点的原始距离差异以及法线夹角得到各个类簇的突起特征强度；根据各个类簇中一类点以及内点的比例得到各个类簇的高频特征显著性以及直线特征强度，进而得到各个类簇的线性特征值。

对待测点云和模板点云使用体素化网格方法实现下采样，在保证点云的特征不发生改变的同时降低点云密度，提升后续点云匹配的速度。使用ICP点云匹配算法，将获取的待测点云与模板点云进行匹配。ICP算法可以得到最优的匹配参数，使待测点云上每个数据点都会在模板点云中有一个最邻近点与之匹配，为保证待测点云中每个点在模板点云都有对应匹配的点，若待测点云中出现无法与模板点云进行匹配的点M，取待测点云中距离该点M最近的点W，将W在模板点云中匹配的点作为点M匹配的点。本实施例中，将匹配完成后，待测点云中的各个点在模板点云中对应的点称为各个点的匹配点。

获取待测点云上的每个点对应的原始距离差异，其中待测点云中点的原始距离差异可表示为：

式中为点与模板点云中对应的匹配点之间的欧氏距离；为待测点云的平均距离，该平均距离为待测点云中所有点与对应匹配点之间欧氏距离的均值；为放大参数；c为常数系数。

当待检测手机壳上存在多余硅胶时，待测点云中多余硅胶位置对应的点与其在模板点云中对应的匹配点之间的距离较大，且存在的多余硅胶越多，对应的距离越大。待测点云中不含有多余硅胶的位置对应的点与其在模板点云中对应的匹配点之间的距离较小，且远小于多余硅胶位置对应的距离，因此一个点与其匹配点之间的距离越大，该点对应的位置上出现多余硅胶的可能性越大，所以，在计算原始距离差异时，需要根据各个点与对应匹配点之间的距离不同设置不同的计算方法，其中，由于与对应的匹配点之间距离较小的点为不存在多余硅胶位置的概率较大，即正常位置，因此当时，认为该点与其匹配点之间的距离较小，此时需要对该点对应的距离进行适当缩小，从而得到较小的原始距离差异；而由于与匹配点之间距离较大的点为多余硅胶位置的概率较大，即需要打磨的位置，因此当时，认为该点与其匹配点之间的距离较大，此时需要对该点对应的距离进行适当扩大，从而得到较大的原始距离差异，本实施例使用放大参数来得到较大的原始距离差异；

其中放大参数的获取过程如下：设置预设个数为a，a的大小可由实施者自行设定，本实施例中a的经验值为10；当点与其匹配点之间的距离大于时，只在待测点云中选取与点距离最近的a个点作为点的参考点，计算所得a个参考点与对应匹配点之间的欧氏距离，计算所得欧氏距离中大于平均距离的各个欧氏距离之间的平均值，所得平均值即为放大参数；

c的值可由实施者可自行设定，本实施例中c的经验值为1，对于一个与匹配点之间的距离大于的点，当其周围不存在可选的点对应的欧氏距离大于平均距离时，会使得所得放大参数为零，导致该点对应的原始距离差异为零，也就无法准确反映出该点在待检测手机壳上对应位置与无瑕疵手机壳对应位置上的差异情况，为了避免该现象的出现，本实施例使用c来保证与匹配点之间的距离大于的点对应的原始距离差异不为0。

由于原始距离差异的获取过程是以平均距离作为划分标准的，然而即使待检测手机壳上不存在多余硅胶，待测点云上各个点与对应匹配点之间的欧氏距离也会存在大于平均距离以及小于平均距离的点，使得部分点对应的原始距离差异的值较大，因此根据平均距离作为划分标准得到的原始距离差异只是对多余硅胶位置的一个较为粗糙的判断结果，存在一定的误差，进而导致直接根据待测点云中各个点的原始距离差异判断待检测手机壳上是否存在多余硅胶并不准确，因此还需要对多余硅胶位置的其他特征进行分析，而由于多余硅胶位置为平整的手机壳侧面上突出的部分，呈约2mm宽的长条状，故多余硅胶位置为具有较强的线形特征的突起位置，而手机壳表面也会存在一定的纹理，例如手机上的摄像头在手机壳上对应的区域，因此还需要结合多余硅胶位置的位置特征对多余硅胶位置进行判断，从而得到更加准确的多余硅胶位置的判断结果。

对待测点云使用DoN点云分割算法进行分割，从而将待测点云中小尺度上的高频信息分割出来，将DoN算法分割出的点记为一类点。在获取一类点的过程中，待测点云中的每个点在大、小两个尺度上均有一个法线方向，而手机壳表面大多为平面结构，多余硅胶位置在待检测手机壳上为突起位置，因此多余硅胶位置对应的点在大、小两个尺度上的法线方向之间的夹角较大，平整表面上的各个点在大、小两个尺度对应的法线方向基本一致，记平整表面上的各个点对应的两个法线方向之间夹角较小，将点在大、小两个尺度上对应的法线方向之间的夹角，记为点的法线夹角；

此时，一个点在两个法线方向之间的夹角越大，该点属于手机壳表面突起位置的概率越大，对应该点属于多余硅胶位置的可能性也越大，反之，则该点属于多余硅胶位置的可能性也越小，通过待测点云中各个点在大、小两个尺度上对应的两个法线方向之间的夹角保证本实施例最终所得需要打磨的位置为待检测手机壳的突起位置。

对待测点云使用RANSAC算法进行多平面拟合，由于手机壳共包括四个侧边，每个侧边又包含内外两面，因此手机壳的侧边可以形成8个平面，而手机壳的背部也包括内外两个平面，因此手机壳的背部也可以形成2个平面，因此使用RANSAC算法对待测点云进行平面拟合后，可以得到10个平面，其中RANSAC算法进行平面提取为公知技术，此处不再赘述；

对这10个平面中每个平面单独进行分析，使用OPTICS算法分别对各个平面上的各个点对应的原始距离差异进行聚类，各个平面均可以得到多个类簇。

使用RANSAC算法对各个类簇中各个点的坐标进行直线拟合，则对于第i个类簇，将使用RANSAC算法进行直线拟合后，得到的内点的个数记为，外点的个数记为，则该类簇中所包含的点的总数为。其中RANSAC算法可以从包含异常数据的数据集中将这些点与直线进行拟合，内点即为在拟合直线时在拟合得到的直线附近的点，外点即为该类簇内不在拟合得到的直线附近的噪点，RANSAC算法进行直线拟合以及RANSAC算法中内点和外点的获取原理均为公知技术，此处不再赘述。

则第i个类簇对应的线性特征值可表示为：

其中，为第i个类簇中第j个点对应的原始距离差异；为第i个类簇中第j个点对应的法线夹角；为第i个类簇中包含的内点个数，为该第i个类簇中包含的外点个数；为第i个类簇中包含的一类点的比例；为常数系数，防止因该项为零使的i个类簇对应的线性特征值为零，导致线性特征值无法真实反映出该类簇对应的直线形态特征，的经验值为1，可由实施者自行设定。

为第i个类簇中各点分布的突起特征强度；由于多余硅胶表现为长条状，因此多余硅胶位置对应的类簇中各个点的原始距离差异较大，且由于多余硅胶位置为手机壳表面的突起位置，因此多余硅胶位置对应类簇中各个点的法线夹角也较大，则该类簇属于多余硅胶位置的概率也越大；反之，则该类簇属于多余硅胶位置的概率越小；

此外，由于手机壳上多余硅胶呈约2mm宽的直线，且分布在手机壳的侧边，因此待检测手机壳上的多余硅胶位置对应的类簇存在较强的线性特征，所以多余硅胶位置对应的类簇中内点个数较多而外点个数较少，由于每个类簇内包含的点的总个数存在差异，因此本实施例以各个类簇中内点所占比例，即，衡量各个类簇的直线特征强度；

而由于一类点可以表征第i个类簇中的高频信息，而相对于待检测手机壳表面的平整区域，多余硅胶位置属于手机壳的细节信息，即高频信息，因此第i个类簇中包含的一类点的比例可以表征该类簇的高频特征显著性，一类点的比例越大，表示该类簇中存在更多的高频信息，则该类簇属于多余硅胶位置的可能性越大；因此本实施例使用第i个类簇中一类点的比例，即，表征该类簇的高频特征显著性；

当第i个类簇的突起特征强度、直线特征强度以及高频特征显著性均较大时，则该类簇对应的线性特征值越大，对应该类簇对应的位置越可能为待检测手机壳表面多余硅胶位置的对应的类簇；

重复上述方法，获取各个平面中各个类簇的线性特征值。

步骤S003：根据各个类簇对应的最小外接矩形得到各个类簇的距离序列；根据各个类簇的距离序列以及位置参照值得到各个类簇的位置特征值。

由于手机壳上的多余硅胶为手机壳在压模过程中，多余的硅胶从手机壳的侧边挤出形成的，因此手机壳压模完成后，多余硅胶的位置一般是固定，即处于手机壳的侧边平面上的靠中间处。

获取待测点云中各个平面内包含的所有点的最小外接矩形，由于每个类簇均只对应一个平面，每个平面内有一个最小外接矩形，所以待测点云中的每个类簇均对应一个最小外接矩形。

由于手机壳的每个平面均为一个长方形结构，因此每个平面对应的最小外接矩形均为一个长方形，即每个最小外接矩形均具有两个长边以及两个短边，则对于第i个类簇，计算该类簇内各个点到该类簇对应的最小外接矩形的其中一条长边之间的最短距离，使用BG分割算法对所得所有最短距离值进行突变值检测，并将检测出的所有突变值进行剔除，将剔除突变值后，剩余的最短距离值构成的序列作为该第i个类簇的距离序列；

而多余硅胶位置对应的类簇处于手机壳侧边的中间位置，即多余硅胶位置对应的类簇中各点到对应的最小外接矩形的两个长边的欧氏距离基本一致，即多余硅胶位置对应类簇中的点到最小外接矩形任意一条长边的距离应为最小外接矩形的短边长度的一半，将第i个类簇对应的最小外接矩形的短边长度的一半作为第i个类簇的位置参照值，则第i个类簇的位置特征值可表示为：

式中，为第i个类簇的位置参照值；为第i个类簇对应的距离序列中的第j个最短距离值；N为第i个类簇对应的距离序列中包含的最短距离值的个数；为第i个类簇中突变值的个数。

将各个类簇的线性特征值以及各个类簇的位置特征值之间的乘积作为各个类簇的多余硅胶显著值。其中当一个类簇对应的线性特征值和位置特征值越大，表示该类簇具有较强的线性特征，且处于该平面的中间位置，对应该类簇的多余硅胶显著值越大，此时该类簇属于多余硅胶位置的概率越大，反之，该类簇属于多余硅胶位置的概率越小。

重复上述方法，得到待测点云中各个类簇的多余硅胶显著值。

步骤S004：根据各个类簇的位置特征值以及各个类簇的线性特征值得到各个类簇的多余硅胶显著值，进而得到各个打磨位置。

对待测点云中各类簇对应的多余硅胶显著值进行线性归一化处理，保证各个类簇的多余硅胶显著值归一化后的值域在范围内；

设置判断阈值t，该值可由实施者自行设定，本实施例中设置判断阈值t=0.75，当待测点云中的第i个类簇对应的归一化后的多余硅胶显著值大于等于t时，则认为该类簇对应的位置为手机壳上存在多余硅胶的位置；否则，认为该类簇对应的位置为手机壳上不存在多余硅胶的正常位置，依次对待测点云中的各个类簇进行判断，得到待测点云中多余硅胶对应的各个位置；

当待测点云中存在被判定为多余硅胶对应的位置时，输出待测点云需打磨多余硅胶的结论，同时将待测点云中为多余硅胶位置对应的各个类簇中的所有点进行高亮标记，将经过高亮标记的待测点云输出，则高亮标记的各个位置即为待检测手机壳上的各个打磨位置。

通过以上步骤，完成手机壳打磨位置的视觉定位。

本实施例首先将获取的待检测手机壳对应的待测点云与无多余硅胶的模板点云进行匹配，对待测点云中各个点与其匹配点之间的欧氏距离进行适当放大或缩小，得到各个点的原始距离差异，从而得到待检测手机壳表面多余硅胶位置的较为粗糙的判断结果，然后根据多余硅胶位置为具有较强的线形特征的突起位置，且属于待测手机壳表面的细节高频信息，通过待测点云中各个平面上各个类簇的突起特征强度、直线特征强度以及高频特征显著性得到各个类簇的线性特征值；并结合多余硅胶出现的位置为手机壳侧边的特点，进一步根据各个类簇的位置特征值得到各个类簇的多余硅胶显著值，使用多余硅胶显著值表征待测手机壳表面多余硅胶的综合特征，根据各个类簇的多余硅胶显著值确定待测手机壳的多余硅胶位置，进而确定待测手机壳需要打磨的各个打磨位置，避免手机壳本身纹理，如手机上的摄像头在手机壳上对应的位置的干扰，从而实现对待测手机壳打磨位置更加精确的视觉定位。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种手机壳打磨用视觉定位方法，其特征在于，该方法包括以下步骤：

获取待测点云以及模板点云；

对待测点云与模板点云进行匹配，将待测点云中各个点在模板点云中匹配的点称为各个点的匹配点；根据各个点与对应的匹配点之间的距离得到各个点的原始距离差异；获取待测点云的一类点以及待测点云中各个点的法线夹角；获取待测点云中的各个平面，对各个平面中各个点的原始距离差异进行聚类，得到各个平面的各个类簇；对各个类簇进行直线拟合，得到各个类簇的内点；根据各个类簇中各个点的原始距离差异以及法线夹角得到各个类簇的突起特征强度；根据各个类簇中一类点的比例得到各个类簇的高频特征显著性；根据各个类簇中内点的比例得到各个类簇的直线特征强度，根据各个类簇的突起特征强度、直线特征强度以及高频特征显著性得到各个类簇的线性特征值；

获取待测点云各个平面的最小外接矩形，每个最小外接矩形均包括两个长边以及两个短边；获取各个平面的各个类簇中各个点到对应最小外接矩形的一条长边之间的最短距离，得到各个点对应的最短距离值，对所得所有最短距离值进行突变值的检测，得到各个类簇的各个突变值，将各个类簇剔除突变值后对应的所有最短距离值构成的序列称为各个类簇的距离序列；获取各个类簇的位置参照值，根据各个类簇的距离序列以及位置参照值得到各个类簇的位置特征值；

根据各个类簇的位置特征值以及各个类簇的线性特征值得到各个类簇的多余硅胶显著值；根据待测点云中各个类簇的多余硅胶显著值得到各个打磨位置。

2.根据权利要求1所述的一种手机壳打磨用视觉定位方法，其特征在于，所述各个点的原始距离差异的获取步骤包括：

计算待测点云中所有点与对应匹配点之间的欧氏距离，将所得所有距离的平均值作为待测点云的平均距离；

以待测点云中的任意一个点为目标点；当目标点与对应匹配点之间的欧氏距离小于等于平均距离时，将目标点对应的欧氏距离开二次方后的结果作为目标点的原始距离差异；当目标点与对应匹配点之间的欧氏距离大于平均距离时，获取目标点的放大参数，根据目标点的放大参数以及目标点对应的欧氏距离得到目标点的原始距离差异；

以待测点云中的各个点为目标点，得到各个点的原始距离差异。

3.根据权利要求2所述的一种手机壳打磨用视觉定位方法，其特征在于，所述获取目标点的放大参数的方法为：

获取目标点距离最近的各个参考点，所得参考点的个数为预设个数；计算目标点的各个参考点与各个参考点对应匹配点之间的欧氏距离，计算所得所有欧氏距离中，大于待测点云的平均距离的各个欧氏距离的平均值，将所得平均值作为目标点的放大参数。

4.根据权利要求1所述的一种手机壳打磨用视觉定位方法，其特征在于，所述各个类簇的突起特征强度的获取方式为：

计算各个类簇中各个点的原始距离差异以及各个点的法线夹角之间的乘积，将所得所有乘积的平均值作为各个类簇的突起特征强度。

5.根据权利要求1所述的一种手机壳打磨用视觉定位方法，其特征在于，所述各个类簇的线性特征值的获取方法包括：

计算各个类簇的直线特征强度、高频特征显著性与一个常数系数之间的累加和，将所得累加和与各个类簇的突起特征强度之间的乘积作为各个类簇的线性特征值。

6.根据权利要求1所述的一种手机壳打磨用视觉定位方法，其特征在于，所述各个类簇的位置参照值是指：将各个类簇所处平面对应的最小外接矩形的短边长度的一半作为各个类簇的位置参照值。

7.根据权利要求1所述的一种手机壳打磨用视觉定位方法，其特征在于，所述各个类簇的位置特征值的获取步骤包括：

计算各个类簇的距离序列中各个最短距离值与各个类簇的位置参照值之间差值的绝对值，获取各个类簇的距离序列中所有最短距离值对应绝对值的累加和；计算各个类簇的距离序列中包含的最短距离值的个数与各个类簇的突变值个数之间的乘积，将所得累加和与所得乘积之间的比值作为各个类簇的位置特征值。

Images