JPH04119475A - Three-dimensional shape identifying device - Google Patents
Three-dimensional shape identifying deviceInfo
- Publication number
- JPH04119475A JPH04119475A JP2239728A JP23972890A JPH04119475A JP H04119475 A JPH04119475 A JP H04119475A JP 2239728 A JP2239728 A JP 2239728A JP 23972890 A JP23972890 A JP 23972890A JP H04119475 A JPH04119475 A JP H04119475A
- Authority
- JP
- Japan
- Prior art keywords
- feature
- dimensional
- unit
- correspondence
- vector
- 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.)
- Pending
Links
- 239000013598 vector Substances 0.000 claims abstract description 58
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 230000014509 gene expression Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000000034 method Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000011524 similarity measure Methods 0.000 description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 230000005415 magnetization Effects 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
Description
【発明の詳細な説明】
〔産業上の利用分野〕
本発明は、産業用ロボントや自動監視システムなどが空
間内の物体（部品２人物など）を認識する際などに利用
される三次元形状識別装置に関するものである。[Detailed Description of the Invention] [Industrial Application Field] The present invention is a three-dimensional shape recognition method used when industrial robots, automatic monitoring systems, etc. recognize objects in space (parts, people, etc.). It is related to the device.
従来、三次元物体の認識には、物体の特徴量表現として
拡張ガウス球表現を利用し、入力データから得られる拡
張ガウス球表現と標準パターンから得られるものとの間
でマツチング尺度を計算しその値が最も大きいものをも
って物体を認識する手法が用いられている（文献１）。Conventionally, in the recognition of three-dimensional objects, an extended Gaussian sphere representation is used as a feature representation of the object, and a matching measure is calculated between the extended Gaussian sphere representation obtained from input data and that obtained from a standard pattern. A method is used in which the object with the largest value is recognized (Reference 1).
そこでは マツチング尺度を計算する際、本来はベクト
ル量をもつ方向のデータを一次元的に取り扱っている。When calculating the matching scale, directional data that originally has vector quantities is handled one-dimensionally.
即ち、第５図（Ａ）に示す如くベクトル量で与えられる
入力データ（単位ベクトル）を１球の中心から放射状に
対応づけ１球表面上での交点を求め１当該交点の球表面
上での分布密度を、第５図（Ｂ）図示の如く１球面を一
次元に展開した軸上にプロットするようにしている。そ
して、そのプロットした結果にもとづいて マツチング
をとるようにしている。That is, as shown in Figure 5 (A), input data (unit vectors) given as vector quantities are correlated radially from the center of one sphere, and the intersection point on the surface of one sphere is found. The distribution density is plotted on an axis that is a one-dimensional expansion of one spherical surface as shown in FIG. 5(B). Then, matching is performed based on the plotted results.
また風向きや気圧配置や鉱物の磁化の方向などは方向デ
ータ（単位ベクトルの集合）で記述される。即ち７ こ
れらのデータは単位円上の点１ あるいは単位珠玉の点
の分布で表現される。したがっである地域の気象データ
や複数の位置での鉱物の磁化の方向などのデータは単位
ベクトルの集合で記述することができる。第６図（Ａ）
（Ｂ）は風向きに関しての類似度を求める状況を説明し
ているものであり９図示矢印を単位ベクトルとして上記
単位珠玉での分布を求め２類似度が求められる。In addition, the wind direction, atmospheric pressure distribution, and the direction of magnetization of minerals are described by directional data (a set of unit vectors). That is, 7 These data are expressed as a point 1 on a unit circle or a distribution of points on a unit gem. Therefore, data such as weather data for a certain region or the direction of magnetization of minerals at multiple locations can be described by a set of unit vectors. Figure 6 (A)
(B) explains the situation in which the degree of similarity regarding the wind direction is determined, and the distribution in the unit beads is determined using the arrow shown in the figure as a unit vector, and the degree of similarity is determined.
従って、ある地点の風向きの様子を季節ごとに比較した
り、複数地点の気圧配置の類似性を調べるようにされる
。Therefore, the wind direction at a certain point can be compared from season to season, or the similarities in atmospheric pressure distribution at multiple points can be investigated.
（発明が解決しようとする課題］
従来の場合、入力データにゆらぎを含む場合などはマツ
チングの範囲の限界のために大きく誤差が生してしまう
。また物体が回転を含む場合には同一の対象に対して繰
り返し計算が必要となり計算コストが大きくなる。よっ
て実用的なシステムに対し十分な性能であるとはいいが
たい。(Problem to be solved by the invention) In the conventional case, when the input data includes fluctuations, a large error occurs due to the limit of the matching range.Furthermore, when the object includes rotation, the same object This requires repeated calculations, increasing the calculation cost.Therefore, it cannot be said that the performance is sufficient for practical systems.
また方向性データは通常のユークリッド空間上のデータ
と異なり普通の距離尺度、あるいは相関類似度が適用で
きない（文献３）。しかし１後述の５ｐｈｅｒｉｃａｌ
ｃｏｒｒｅｌａｔｉｏｎを用いればこれが可能である
。この尺度は方向のデータを三次元の値をもつものとし
て扱ったものであり、方向データの類似や相違の程度を
連続的に表現することが可能である（文献２）。Furthermore, unlike data on a normal Euclidean space, directional data cannot be applied with a normal distance measure or correlation similarity (Reference 3). However, the 5 pherical mentioned below
This is possible using correlation. This scale treats directional data as having three-dimensional values, and can continuously express the degree of similarity or difference in directional data (Reference 2).
本発明は、従来人間の目に顛っていた物体の識別、特に
組み立ての工程における部品の識別などをカメラと計算
機による処理で自動化し、従来の場合の不都合を克服し
た球面相関（ｓｐｈｅｒｉｃａｌｃｏｒｒｅｌａｔｉｏ
ｎ）による相関係数を用いることによって２種々の物体
に対して安定的に識別できる装置を実現することを目的
としている。The present invention uses a camera and a computer to automate the identification of objects, especially the identification of parts in the assembly process, which previously had to be seen by humans.
The purpose of this invention is to realize a device that can stably identify two different objects by using the correlation coefficient according to n).
〔参考文献］
１） 、１．Ｊ、Ｌｉｔｔｌｅ、 ”Ｄｅｔｅｒｍｉ
ｎｉｎｇ ０ｂｊｅｃｔ Ａｔｔｉｔｕｄｅｆｒｏｍ
Ｅｘｔｅｎｄｅｄ Ｇａｕｓｓｉａｎ Ｉｍａｇｅｓ″
、 Ｐｒｏｃ、 ｏｆ９ｔｈ Ｉｎｔｅｒｎａｔｉｏ
ｎａｌ Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏ
ｆ八へｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ
、 ｐｐ９６０−９６３（１９８５）２） Ｎ、
１．Ｆｉｓｈｅｒ ａｎｄ Ａ、Ｊ、１．ｅｅ
ＣｏｒｒｅｌａｔｉｏｎＣｏｅｆｆｉｃｉｅｎｔｓ
ｆｏｒ Ｒａｎｄｏｍ Ｖａｒｉａｂｌｅｓ ｏ
ｎ ａＵｎｉｔ ５ｐｈｅｒｅ ｏｒ Ｈｙｐｅｒｓ
ｐｈｅｒｅ 、 Ｂｉｏｍｅｔｒｉｃａｖｏｌ−７３，
ｐｐ１５９−Ｌ６４．（１９８６）３） 馬場康維２種
村正美、 ”Ｄｉｒｅｃｔｉｏｎａｌ Ｄａｔａの相関
”、第４７回日本統計学合金国大会資料ｐｐ３５−３６
． （１９７９，７）
１課題を解決するための手段〕
本発明ではこの尺度を三次元物体認識に利用する。三次
元物体にはいろいろな表現法があるが木質的には方向性
データで記述されることに注目する。これは各面の法線
像の単位株への写像であるガウス球表現が代表的である
がそれに限られるものではない。従って、三次元物体認
識の問題は方向データ間の類似度構成の問題に帰着でき
る。具体的には、まず物体の三次元像を観測し、物体表
面の三次元座標を求める。得られた三次元データから２
局所部分において方向であられされる特徴量（物体表面
の局所部分の法線方向など）を物体全体について抽出す
る。各々の特徴量は単位ベクトルで表ずことができるの
で、物体は単位ベクトルの集合で表現できることになる
。こうして得られた単位ベクトルによる表現とあらかじ
め物体の種類がわかっている標準パターンから得られる
表現との間でさきに述べた類似尺度を計算し、類似尺度
が最大となるパターンをもって観測された物体を認識す
るようにされる。[References] 1), 1. J, Little, “Determi
ning 0bject Attitude from
Extended Gaussian Images
, Proc, of9th International
nal Joint Conference o
f8 tificial intelligence
, pp960-963 (1985) 2) N,
1. Fisher and A, J, 1. ee
Correlation Coefficients
for Random Variables o
n aUnit 5phere or Hypers
here, Biometricavol-73,
pp159-L64. (1986) 3) Yasutoshi Baba 2nd Masami Tanemura, “Correlation of Directional Data”, Materials for the 47th Japan Statistical Alloy National Conference, pp. 35-36
．． (1979, 7) Means for Solving 1 Problem] In the present invention, this scale is used for three-dimensional object recognition. There are various ways to represent three-dimensional objects, but we will focus on the fact that they are described using directional data. A typical example of this is a Gaussian sphere representation, which is a mapping of the normal image of each surface to a unit stock, but it is not limited to this. Therefore, the problem of three-dimensional object recognition can be reduced to the problem of constructing the similarity between directional data. Specifically, first, a three-dimensional image of the object is observed, and the three-dimensional coordinates of the object's surface are determined. From the obtained three-dimensional data 2
Features that are expressed in direction in a local portion (such as the normal direction of a local portion of the object surface) are extracted for the entire object. Since each feature can be represented by a unit vector, an object can be represented by a set of unit vectors. The similarity measure mentioned earlier is calculated between the unit vector representation obtained in this way and the representation obtained from the standard pattern whose type of object is known in advance, and the observed object is determined using the pattern that maximizes the similarity measure. be made to recognize.
〔作 用］
文献２の類似尺度を利用する場合、物体と標準パターン
の特徴量表現をそれぞれχとＹ（ただしＸ＝ （Ｘ＋、
、、、、Ｘ、、）、Ｙ＝ （Ｙ、、、、、、Ｙ、）χ８
．Ｙ、ば単位ベクトル）とすると、ＸとＹの中でｎ個の
ベクトルの順序をＸ、、、、、、Ｘ、、とＹ。[Operation] When using the similarity measure in Reference 2, the feature quantity expressions of the object and standard pattern are expressed by χ and Y (where X= (X+,
,,,,X,,),Y= (Y,,,,,Y,)χ8
．． Let Y be a unit vector), then the order of n vectors in X and Y is X, , , , X, , and Y.
、、、Ｙｒ、として−意に決める必要がある。これは。, , Yr - it is necessary to decide at will. this is.
物体の特徴量として得られているベクトルの集合の中の
どのベクトルがあらかじめ計算された標準パターンの特
徴ベクトルの集合の中のどのベクトルに対応するのかを
決定することに相当する。そこで、ここでは単位ベクト
ルの終点が半径１の球面上に分布することに注目して５
片方のデータを回転させながら、各々対応する終点間の
距離の和が最も小さくなるように特徴量の対応づけを行
う。This corresponds to determining which vector in a set of vectors obtained as feature quantities of an object corresponds to which vector in a set of feature vectors of a standard pattern calculated in advance. Therefore, here we pay attention to the fact that the end points of a unit vector are distributed on a spherical surface with a radius of 1.
While rotating one of the data, the feature values are associated so that the sum of the distances between the respective corresponding end points becomes the smallest.
これにより、入力パターンと標準パターンの間で計算さ
れる相関係数で最大となるものを求めることができる。Thereby, the maximum correlation coefficient calculated between the input pattern and the standard pattern can be found.
第１図は本発明の実施例を示すブロック図である。 FIG. 1 is a block diagram showing an embodiment of the present invention.
図中の符号１０は特徴抽出部、２０は特徴ベクトル対応
づけ部、３０は標準パターン蓄積部４０は相関係数決定
部、 ５０はパターン決定部を表している。In the figure, reference numeral 10 represents a feature extraction section, 20 a feature vector association section, 30 a standard pattern storage section 40 a correlation coefficient determination section, and 50 a pattern determination section.
物体の三次元データ（物体の距離画像など）が入力され
ると特徴抽出部１０はそのデータを蓄え物体の各々の点
の三次元座標を算出する。そして方向で表される特徴量
の一例として、ある一定の面積ごとにその表面の法線ベ
クトルを求める。When three-dimensional data of an object (such as a distance image of the object) is input, the feature extraction unit 10 stores the data and calculates the three-dimensional coordinates of each point on the object. Then, as an example of a feature amount expressed in direction, the normal vector of the surface is determined for each certain area.
第２図は２円錐体の表面に法線方向に単位ベクトルを与
えた結果を球に対応づけると１円錐体に特有な単位ベク
トルの組が特徴量として求められることを表している。FIG. 2 shows that when the results of applying unit vectors in the normal direction to the surfaces of two cones are associated with a sphere, a set of unit vectors unique to one cone can be obtained as a feature quantity.
図中の矢印ａは円錐体の側面上の単位ベクトルであり、
矢印すは円錐体の底面の単位ベクトルである。この表現
は拡張ガウス球表現で各々のベクトルの長さを単位ベク
トルの本数に対応させたことに相当する。これら単位ベ
クトルについては、単位ベクトルの終点の座標を求め、
記憶するようにされる。その結果は特徴ベクトル対応づ
け部２０に送られる。Arrow a in the figure is a unit vector on the side of the cone,
The arrow mark is the unit vector of the base of the cone. This representation corresponds to an extended Gaussian sphere representation in which the length of each vector corresponds to the number of unit vectors. For these unit vectors, find the coordinates of the end point of the unit vector,
be made to remember. The results are sent to the feature vector matching section 20.
特徴ベクトル対応づけ部２０は、上記終点が単位球面上
に分布することから２片方の球面を回転させて、対応す
る点の間の距離の和が最小になるように、上記標準パタ
ーン蓄積部３０に蓄えられている標準データと人力デー
タベクトルとの間に対応づけを行う。Since the end points are distributed on the unit spherical surface, the feature vector matching section 20 rotates one of the spherical surfaces to minimize the sum of the distances between the corresponding points. A correspondence is made between the standard data stored in the database and the human data vector.
標準パターン蓄積部３０は、あらかじめ種類のわかって
いる物体について、上記特徴抽出部１０で求められるも
のと同様の方向で表される特徴量を蓄えておく。The standard pattern storage unit 30 stores feature amounts expressed in the same direction as those determined by the feature extraction unit 10 for objects whose types are known in advance.
相関係数決定部４０は、特徴ベクトル対応づけ部２０か
ら送られてきた特徴量を表すベクトルのデータを用いる
と共に５人カバターンと標準パターンとの間の対応づけ
を用いて、それらをもとに入力パターンと標準パターン
との間で５ｐｈｅｒｉｃａｌｃｏｒｒｅｌａｔｉｏｎに
基づく類似度の尺度を計算する。The correlation coefficient determining unit 40 uses the vector data representing the feature amounts sent from the feature vector matching unit 20 and also uses the correspondence between the five-person cover turn and the standard pattern, and based on them, A similarity measure based on 5pherical correlation is calculated between the input pattern and the standard pattern.
パターン決定部５０は、各々の標準パターンと入力パタ
ーンとについて相関係数決定部４０から送られてきた類
似度を蓄積し、その最大となるものをもって人カバクー
ンの属するカテゴリとするものである。The pattern determining section 50 accumulates the degrees of similarity sent from the correlation coefficient determining section 40 for each standard pattern and the input pattern, and determines the maximum similarity as the category to which the human kavakoon belongs.
ここで、相関係数決定部４０について述べる。Here, the correlation coefficient determining section 40 will be described.
いま、入力データから得られた特徴量をχ＝ （Ｘ、、
Ｘ２．、、、、Ｘ、ｌ）標準データの特徴量を
Ｙ＝ （Ｙ、、Ｙ２．、、、、Ｙ、 ）（Ｘ、、Ｙ、（
ｉ＝１．２２．、、、ｎ）は単位ベクトル）とすると、
二つの方向データＸとＹとの間の相関量は様々なものが
提案されている。−例としてＦｉｓｈｅｒにより以下の
ように定義されているものを利用する（文献２）。Now, the feature amount obtained from the input data is χ= (X, ,
X2. ,,,,X,l) The feature amount of the standard data is Y= (Y,,Y2.,,,,Y, )(X,,Y,(
i=1.22. , , n) is a unit vector), then
Various correlation amounts between the two direction data X and Y have been proposed. - As an example, use the following definition by Fisher (Reference 2).
いま２相関行列Ｓ ｘｖを としたとき。Now the two correlation matrix S xv When.
ρ＝ Ｓ ｘｙ／ （Ｓ ｘｘ Ｓ ｙｙ） ’ ”で
計算されるρをもって相関の尺度とすることが提案され
ている。このρは
１） 全てのｉについてＹｉ −ＡＸ、、（ただしｄｅ
ｔＡ ＝ １ ）の場合には、ρ−１となる。つまり、
データを回転させて全ての特徴量を表すベクトルの終点
が一致する時はρ＝１となり、また回転不変で座標系に
よらない。It has been proposed that ρ calculated as ρ = S xy/ (S xx S yy) ''' is used as a measure of correlation.
tA = 1), it becomes ρ-1. In other words,
When the data is rotated and the end points of vectors representing all feature quantities match, ρ=1, which is rotation-invariant and independent of the coordinate system.
２＞−１＜ρ／、１
３） ＸとＹが独立ならばρ−〇
の性質を満たずことが確認されており、相関量の尺度に
要請される性質を満足することがわかる。2>-1<ρ/, 1 3) It has been confirmed that if X and Y are independent, the property of ρ-〇 is not satisfied, and it can be seen that the property required for a measure of the amount of correlation is satisfied.
ここで、特徴ベクトル対応づけ部２０で決定される特徴
づけによりＸとＹとの添字を決定すれば。Here, if the subscripts of X and Y are determined based on the characterization determined by the feature vector matching unit 20.
さきにｊホベた相関係数を決定することができる。The correlation coefficient determined earlier can be determined.
次いで、特徴ベクトル対応づけ部２０で行われる処理に
ついて詳細に説明する。前にも述べたように、特徴抽出
部１０で計算される方向で表される特徴量は単位ベクト
ルで表すことができるので当該単位ベクトルの終点は単
位株上に存在する。Next, the processing performed by the feature vector matching unit 20 will be explained in detail. As mentioned above, the feature amount expressed in the direction calculated by the feature extractor 10 can be expressed as a unit vector, so the end point of the unit vector exists on the unit stock.
相関係数を決定する際、入力データの中の各々のベクト
ルと標準データの中のベクトルとの間で対応をとる必要
がある。When determining the correlation coefficient, it is necessary to make a correspondence between each vector in the input data and the vector in the standard data.
第３図は、入力データに対応する単位ベクトルの終点と
標準データに対応する単位ベクトルの終点とを対応づけ
る態様を示している。いずれか−方の単位株を回転せし
めて全体的により正しく対応づけが得られるようにされ
る。FIG. 3 shows a manner in which the end point of a unit vector corresponding to input data is associated with the end point of a unit vector corresponding to standard data. Either unit stock is rotated to obtain a more accurate correspondence overall.
相関係数決定部４０で計算される相関係数は回転に対し
て不変であることを考慮して以下の手順により対応づけ
を行う。この場合９球を第４図図示の如く多面体とみな
して処理するようにされる。Considering that the correlation coefficient calculated by the correlation coefficient determination unit 40 is invariant to rotation, the correlation is performed according to the following procedure. In this case, the nine spheres are treated as a polyhedron as shown in FIG.
１） 多面体によって球面上を分割する。ここでは等方
性を考えて正２０面体の各々の三角形を４″分割（ｎ
＝０．１，２．、、、） シて得られるものとする。1) Divide the spherical surface by polyhedra. Considering isotropy, each triangle of the regular icosahedron is divided into 4'' (n
=0.1,2. ,,,).
２） 入力データから得られた全ての特徴量ベクトルに
ついて、その終点が１）の球面分割上のどの領域に属す
るかを求める。また、標準データについても、あらかじ
め１）と特徴ベクトル対応づけ部２０の操作とを実施し
ておく。2) For all feature vectors obtained from the input data, determine which region on the spherical division of 1) the end point belongs to. Further, 1) and the operation of the feature vector matching unit 20 are performed in advance for the standard data as well.
３）球面分割上のそれぞれの領域について入力データか
ら得られた特徴量ベクトルの終点の個数をＡｉ （た
だし’−１＋９１．＋ｍ、ｍは分割数）とし、標準デー
タのものをＢ、とする。いまΣ Ａ、−Ｂ。3) Let Ai be the number of end points of the feature vector obtained from the input data for each region on the spherical division (where '-1+91.+m, m is the number of divisions), and let B be the standard data. Now Σ A, -B.
を最小とするように入力データを回転させる。Rotate the input data to minimize.
４） 双方のデータの間で最も近いものから対応させて
ゆく。4) Correspond between the data on both sides starting from the closest one.
以上の手続きにより、ｎを適当に選ぶことにより必要と
される精度に応じて入力データの回転を行い、特徴量を
表すベクトルの間の対応づけを行うことができる。Through the above procedure, input data can be rotated according to the required accuracy by appropriately selecting n, and correspondence can be established between vectors representing feature amounts.
本発明によれば、三次元物体の特徴量を表すベクトルを
三次元のベクトル量として扱っているため、入力データ
が測定系のノイズなどのために誤差を含む場合にも安定
した認識が期待できる。また、計算される相関係数は物
体の回転によって影響を受けることのない量であるので
、物体の姿勢によらずに認識できる。According to the present invention, since the vector representing the feature quantity of a three-dimensional object is treated as a three-dimensional vector quantity, stable recognition can be expected even when the input data contains errors due to noise in the measurement system, etc. . Furthermore, since the calculated correlation coefficient is a quantity that is not affected by the rotation of the object, it can be recognized regardless of the orientation of the object.
第１図は本発明の実施例を示すブロック図、第２図は物
体の特徴量の表現方法を説明する図、第３図は特徴ベク
トル対応づけ部における処理を説明する図、第４図は球
面を二十面体に分割し２ さらに４″分割する手法を説
明する図、第５図は従来行われていた三次元データの扱
い方を説明する図、第６図は５ｐｈｅｒｉｃａｌ
態様を説明する図である。
１０：特徴抽出部
２０；特徴ベクトル対応づけ部
３０：標準パターン蓄積部
４０：相関係数決定部
５０：パターン決定部。
ｃｏｒｒｅｌａｔｉｏｎを利用するFIG. 1 is a block diagram showing an embodiment of the present invention, FIG. 2 is a diagram illustrating a method of expressing feature quantities of an object, FIG. 3 is a diagram explaining processing in the feature vector matching section, and FIG. A diagram explaining the method of dividing a spherical surface into icosahedrons and then dividing them into 2 and 4″ pieces, Figure 5 is a diagram explaining the conventional method of handling three-dimensional data, and Figure 6 is a diagram explaining the 5-pherical mode. 10: Feature extraction unit 20; Feature vector association unit 30: Standard pattern storage unit 40: Correlation coefficient determination unit 50: Pattern determination unit. Utilizes correlation.
Claims (3)
点要素の三次元座標をＸ、Ｙ、Ｚ座標ごとに蓄積する入
力部分と、 得られた三次元データから法線方向などの方向で表され
る方向データを算出する特徴抽出部と、 あらかじめ計算された標準パターンの特徴量を蓄えてお
く標準パターン蓄積部と、 入力パターンと標準パターンとの間で特徴量間の対応づ
けを決定する特徴ベクトル対応づけ部と、 その対応をもとに球面相関を用いて判定尺度を計算する
相関係数決定部とをそなえ、当該判定尺度をもって入力
データの種類を決定するようにした ことを特徴とする三次元形状識別装置。(1) An input part that measures the position information from a three-dimensional object and accumulates the three-dimensional coordinates of the point elements of the object for each X, Y, and Z coordinate, and a A feature extraction unit that calculates direction data represented by a direction, a standard pattern storage unit that stores pre-calculated feature quantities of standard patterns, and a correspondence between feature quantities between input patterns and standard patterns. The present invention is equipped with a feature vector matching section that determines the correspondence, and a correlation coefficient determining section that calculates a judgment measure using spherical correlation based on the correspondence, and uses the judgment measure to determine the type of input data. A three-dimensional shape recognition device with special features.
タの組に対応する二つの球面上に分布する点データの間
の対応を決定するため、球面上を等方的に分割し、分割
された各々の小部分に存在する点の数を上記二つの方向
データの組について計数し、その分布をもとに各々の点
間の距離の和が最も小さくなるように点間の対応を決定
するようにしたことを特徴とする請求項（１）記載の三
次元形状識別装置。(2) In order to determine the correspondence between point data distributed on two spherical surfaces corresponding to two sets of direction data, the feature vector matching section divides the spherical surface isotropically, and divides the spherical surface isotropically. The number of points existing in each small part is counted for the above two sets of direction data, and based on the distribution, the correspondence between the points is determined so that the sum of the distances between each point is the smallest. The three-dimensional shape identification device according to claim (1), characterized in that:
け部で得られた点間の対応づけをもとにして、入力パタ
ーンと標準パターンとから得られる方向データの間で球
面相関に基づく相関係数を決定するようにしたことを特
徴とする請求項（１）記載の三次元形状識別装置。(3) The correlation coefficient determining unit is configured to perform a spherical correlation between the direction data obtained from the input pattern and the standard pattern based on the correspondence between points obtained by the feature vector matching unit. The three-dimensional shape identification device according to claim 1, characterized in that a correlation coefficient is determined.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2239728A JPH04119475A (en) | 1990-09-10 | 1990-09-10 | Three-dimensional shape identifying device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2239728A JPH04119475A (en) | 1990-09-10 | 1990-09-10 | Three-dimensional shape identifying device |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH04119475A true JPH04119475A (en) | 1992-04-20 |
Family
ID=17049047
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2239728A Pending JPH04119475A (en) | 1990-09-10 | 1990-09-10 | Three-dimensional shape identifying device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH04119475A (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100428604B1 (en) * | 1997-06-30 | 2004-06-16 | 주식회사 대우일렉트로닉스 | Method for automatic controlling obtainment position of 3-d data |
| EP2479726A1 (en) | 2003-10-21 | 2012-07-25 | Nec Corporation | Image comparison system and image comparison method |
| JP2015118441A (en) * | 2013-12-17 | 2015-06-25 | 学校法人明治大学 | Data processing apparatus, data processing method and data processing program |
| JP2017213060A (en) * | 2016-05-30 | 2017-12-07 | 富士通株式会社 | Tooth type determination program, crown position determination device and its method |
-
1990
- 1990-09-10 JP JP2239728A patent/JPH04119475A/en active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100428604B1 (en) * | 1997-06-30 | 2004-06-16 | 주식회사 대우일렉트로닉스 | Method for automatic controlling obtainment position of 3-d data |
| EP2479726A1 (en) | 2003-10-21 | 2012-07-25 | Nec Corporation | Image comparison system and image comparison method |
| JP2015118441A (en) * | 2013-12-17 | 2015-06-25 | 学校法人明治大学 | Data processing apparatus, data processing method and data processing program |
| JP2017213060A (en) * | 2016-05-30 | 2017-12-07 | 富士通株式会社 | Tooth type determination program, crown position determination device and its method |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106778823B (en) | Automatic identification method for reading of pointer instrument | |
| Stein et al. | Structural indexing: Efficient 3-D object recognition | |
| CN109299720B (en) | Target identification method based on contour segment spatial relationship | |
| JP5251080B2 (en) | Object recognition method | |
| Ellis et al. | Ellipse detection and matching with uncertainty | |
| JP5261501B2 (en) | Permanent visual scene and object recognition | |
| JP2977032B2 (en) | Pattern matching apparatus and method in view of distance and direction | |
| JP2007502473A5 (en) | ||
| CN101369309B (en) | Human ear image normalization method based on active apparent model and outer ear long axis | |
| Huttenlocher | Fast affine point matching: An output-sensitive method | |
| CN114358166B (en) | Multi-target positioning method based on self-adaptive k-means clustering | |
| CN108090476A (en) | It is a kind of to be directed to the external 3D face identification methods blocked | |
| CN110633749A (en) | Three-dimensional point cloud identification method based on improved viewpoint feature histogram | |
| Srivastava et al. | Drought stress classification using 3D plant models | |
| Evans et al. | Pairwise representations of shape | |
| JPH04119475A (en) | Three-dimensional shape identifying device | |
| CN110580497B (en) | Spatial scene matching method based on rotation invariance | |
| Tsai et al. | Real-time textureless object detection and recognition based on an edge-based hierarchical template matching algorithm | |
| CN111626096B (en) | Three-dimensional point cloud data interest point extraction method | |
| CN114742868A (en) | Point cloud registration method and device and electronic equipment | |
| Moon et al. | Fast image-matching technique robust to rotation in spherical images | |
| JPH05107049A (en) | Discriminating apparatus of three-dimensional shape | |
| Sadjadi | Object recognition using coding schemes | |
| Huang | Learning a 3D descriptor for cross-source point cloud registration from synthetic data | |
| CN113543307B (en) | Visual information feature fingerprint database construction method, positioning method and device |