| 题名 | 面向复杂点云数据的3D目标识别技术研究 |
| 作者 | 刘洪森1,2 |
| 答辩日期 | 2020-05-27 |
| 授予单位 | 中国科学院沈阳自动化研究所 |
| 授予地点 | 沈阳 |
| 导师 | 唐延东 ; 丛杨 |
| 关键词 | 3D目标识别技术 复杂点云场景 6-DOF位姿估计 |
| 学位名称 | 博士 |
| 其他题名 | Research on 3D Object Recognition Technology for Complex Point Cloud Data |
| 学位专业 | 模式识别与智能系统 |
| 英文摘要 | 3D 目标识别技术是一种用于在场景中针对特定目标进行类别检测及6-DOF位姿估计的重要技术。随着机器人、机器视觉和人工智能技术的飞速发展，当前的自动化技术已经突破了传统的示教型场景，逐渐进入更加复杂的柔性作业场景。相对示教型作业中对场景及目标的严格控制，复杂的柔性作业则强调场景及目标在位置、姿态、类别、数量等多方面的任意性，同时需要对混叠、杂乱、弱纹理等多方面的干扰具有稳健性。点云数据可以提供更多的空间立体几何信息,不受尺度甚至是光照变化的影响，只需要考虑平移和旋转变换。另外，在点云空间估计6-DOF 位姿信息要比2D 图像更加准确。然而，针对点云数据的处理因为数据维度高以及结构不规则而难以有效的进行特征表达。同时，复杂点云场景中存在的遮挡、杂乱等问题也为点云数据的处理带来了挑战。针对点云数据的特点及目前处理技术中存在的问题，本文面向复杂点云数据的3D 目标识别技术展开研究，旨在通过研究现有技术面临的问题，设计实现3D 目标识别算法，提高现阶段在复杂场景中的目标识别能力。本文的主要创新性成果如下：（1）基于点云人工统计特征的识别技术研究几何特征缺失(Geometrically Featureless) 的目标由于局部表面不具备丰富的几何特征描述信息，从而导致点云局部特征描述子难以提取到稳健的关键点特征进而影响算法的识别性能。针对此问题，本文提出了一种基于视点方向约束的点云局部投影统计特征(View-Specific Local Projection Statistics, VSLPS) 描述方法。该方法通过引入视点方向约束消除了局部对称表面处关键点特征的模糊性，结合霍夫投票策略将稳健性较低的依赖关键匹配点对生成位姿假设的过程转变为通过位姿投票选择最优模型采样视角的过程。该方法使所有的关键点都有效参与了位姿投票过程，显著解决了此类目标因为几何特征缺失导致的算法稳健性较低问题。（2）基于体素化点云编码特征的识别技术研究2D/2.5D 图像Patch 特征由于缺少空间几何信息而难以显著地解决场景中存在的严重遮挡和杂乱现象。针对此问题，本文提出了一种基于截断符号距离(Truncated Signed Distance Function, TSDF) 的点云体素化编码方法，并使用稀疏自编码特征学习模型提取点云3DPatch 特征，首次实现了基于点云3DPatch 特征的目标识别框架。实验结果验证了相比2D/2.5D 图像Patch 特征，点云3DPatch特征能够有效解决场景中存在的严重遮挡和杂乱问题。（3）基于点云深度特征编码的识别技术研究受限于点云数据的不规则无序结构，针对点云局部特征的提取难以使用规则化数据所适用的深度无监督特征学习模型。针对此问题，本文首次提出了一种可以直接作用于不规则点云数据的堆积点特征深度自编码模型Stacked Point Feature Autoencoder, SPAE)。该模型通过对点云局部多模态属性的深度融合，实现了点云局部特征的稳健提取。经过一系列的对比实验，验证了堆积点特征自编码模型能够有效保持点云局部纹理和几何信息，在特征描述子的鉴别力、稳健性以及算法的平均性能上都取得了与经典算法相比显著的优势。（4）基于点云监督训练模型的识别技术研究对不同目标模型依次建立模型特征库、生成候选目标位姿假设以及假设检验的识别策略不适用于多类多目标的在线识别场景。针对此问题，本文提出了一种基于点云数据的端到端多任务预测模型(One Point, One Object, OPOO)，该模型实现了在线同步对输入点云场景进行语义分割以及多类多目标的6-DOF 位姿估计。为了解决模型训练过程中出现的过拟合现象，提出了一种基于增强现实(Augmented Reality, AR) 技术的点云数据集增广方法，该方法可针对具有固定作业场景的点云数据快速生成训练数据集，省去了大量人工标注的时间。一系列的 对比实验验证了基于点云数据的多任务预测模型不仅具有稳健的识别性能，甚至消除了对假设检验策略的依赖，实现了高效稳定的多类多目标6-DOF 位姿估计。 |
| 语种 | 中文 |
| 产权排序 | 1 |
| 页码 | 114页 |
| 内容类型 | 学位论文 |
| 源URL | [http://ir.sia.cn/handle/173321/27156]  |
| 专题 | 沈阳自动化研究所_机器人学研究室 |
| 作者单位 | 1.中国科学院大学 2.中国科学院沈阳自动化研究所; |
| 推荐引用方式 GB/T 7714 | 刘洪森. 面向复杂点云数据的3D目标识别技术研究[D]. 沈阳. 中国科学院沈阳自动化研究所. 2020. |
| 个性服务 |
| 查看访问统计 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
修改评论