1、點雲目標識別流程

點雲目標識別，顧名思義，需要有標準的目標點雲或者標準的點雲特徵描述向量；對實時採集的點雲資料，在裡面尋找與目標點雲相似度最高的點雲塊。

2、圓環工件的識別和抓取

圖2.1 點雲在XY平面的投影影象

圖2.2 圓環點雲採集影象

2.1濾波

常用點雲濾波有帶通濾波、統計濾波、半徑濾波、去除背景平面、去除邊緣。

帶通濾波：就是設定一個x、y、z方向的一個取值範圍，以過濾掉明顯不在測試距離範圍的點雲；比如在kinect資料採集中，由於其成像範圍Z軸方向比較大，因此會出現很多明顯我們不需要的背景噪聲資訊，這是可以設定一個合理的Z座標閾值；

半徑濾波：就是搜尋給定半徑R內的相鄰點雲個數，當個數少於給定閾值時，去除點雲；主要用在去除孤立點；

 統計濾波：對每個點，計算最近鄰K個點雲距離的均值；假設最近鄰距離均值符合高斯分佈，則剔除距離在一個sigma外的點雲；主要用於去除不合群離散點。

去除背景平面：對放在平面上的物體，背景通常會有一個較大的平面；採用Ransac擬合平面，剔除平面。

圖2.3 統計濾波閾值選取方式 

圖2.4 圓環濾波後

2.2降取樣

三維點雲資料一般資料量都很大，為了提高程式的速度，可以對濾波後的資料進行降取樣；降取樣的原則是保證點雲的整體分佈情況，又不能破壞邊緣資訊（類似於影象處理的邊緣保留Edge-preserving）。均勻降取樣使用體素格的重心來表示給定半徑範圍內點的整體資訊，來實現降取樣和濾波的目的。

圖2.5 體素格降取樣

圖2.6 單一圓環體素格降取樣（藍色是原始點雲資料，紅色是降取樣資料）

2.3 點雲分割

通過濾波後，點雲被分成了很多基本不相鄰的塊，可以採用聚類的方法來進行分割（類似於二維影象的連通域標記）。

圖2.7 點雲分割 

2.4 特徵向量計算和匹配

當資料量不大的時候，可以直接計算降取樣資料的特徵向量；資料量很大時，最好先計算特徵點（滿足旋轉、平移、尺度、仿射不變性），然後計算特徵點處的特徵向量。

類似於二維影象，3d點雲也可以計算每個點的特徵，常用的特徵描述子有SHOT（signature histogram of orientation）、FPFH（Fast Point of Histogram）等；

匹配找到對應特徵點對後，存在很多誤匹配特徵點對，需要採用Ransac對點對進行提純，找到內點Inliners，採用ICP方法計算點對之間的旋轉變換關係；

圖2.8 識別的圓環（藍色點是原始的圓環資料，紅色的是識別後經過旋轉、平移變化的圓環）

視訊資訊已經上傳Youtube，附網址：

機器人抓取視訊 https://www.youtube.com/watch?v=9UaWKWEigXo&feature=youtu.be