工件识别在柔性化机器人自动喷涂生产线中至关重要，它是机器人切换喷涂轨迹的重要依据。然而，实际应用中，由于喷涂工件尺寸和种类的多样性、表面的弱纹理性、多视异构件及相似件等情况的存在，准确且高效识别喷涂工件充满挑战性。为此，提出了一种二维（2D）实例分割与三维特征一致性配对的识别方法，即利用基于小样本训练的Mask R-CNN深度模型对2D工件分割及识别的快速性，再结合fast point feature histogram（FPFH）点云特征对局部细节的强区分性，实现对多视异构件及相似件由粗到精的准确识别。在精识别阶段，提出了一种基于FPFH特征配对的识别方法。该方法以intrinsic shape signature为工件的关键点，以FPFH为矢量特征，通过线性相关度配对FPFH特征，再以拓扑结构及空间变换关系的一致性为约束验证特征的匹配率，以此作为工件识别的评价标准。实验中，采用34种类别1500多个工件进行测试，所提方法的识别率高达99.26%，单工件识别耗时低于1500 ms。

已有匹配算法对低重叠度点云的配准精度较低,且对不同尺度的点云比较敏感,为了达到较好的配准效果,需要对点云进行预处理或调节较多参数。快速点特征直方图(FPFH)的复杂度较低,且能保留点云的大部分特征,因此,基于点云的FPFH提出了一种改进的配准算法。首先,基于FPFH提取多尺度特征的关键点,以适应不同规模的点云数据集,同时降低需要调节的参数量。然后,对经过FPFH匹配初步筛选的对应点关系进行精确提取,增加点云内的距离约束条件,降低算法对重叠度的敏感性,获取配准的初步变换矩阵。最后,经过迭代最近点算法进行微调,达到精确配准的目的。实验结果表明,该算法在不同重叠度以及不同规模的点云数据集上均具有较好的配准精度。

三维点云快速点特征直方图(FPFH)特征提取的邻域半径采用预设固定值,导致特征描述具有随意性、不全面性、低效性等问题,点云配准整个过程自动化程度低、耗时长。针对该问题,提出一种三维点云配准中FPFH邻域半径自主选取算法。首先,计算多对点云圆周密度并且保留最大圆周半径;其次,设置迭代次数,根据迭代次数和每对点云最大圆周半径自动划分单次邻域半径,通过划分的邻域半径提取FPFH特征并用于采样一致性算法配准;最后,统计多对点云圆周密度及对应的最优邻域半径,使用多项式拟合法求出映射函数,形成FPFH特征提取优化算法。结果表明,所提算法能够根据点云圆周密度自动选取最佳邻域半径,有效降低了点云描述的不全面性和冗余度,在提高点云配准自动化程度的同时提高了点云配准速度和精度。

对强噪声且密度不均匀的点云进行高效、高精度配准是一个难题。针对此难题,提出一种基于关键点提取与优化迭代最近点(ICP)的点云配准算法。在粗配准中,将体素格滤波与法向距离关键点的提取相结合,计算关键点的快速点特征直方图以进行特征匹配,然后采用对应关系估计优化随机采样一致性(RANSAC)算法以进行误匹配剔除。在精配准中,采用最优节点优先(BBF)算法搜索k-d tree最近点,设定动态阈值消除误配对,最后利用基于“点到三角面”模型的加速ICP算法计算配准向量。通过对模型点云和建筑物点云进行配准,将所提算法与其他常用的算法进行比较分析。实验表明,所提算法具有良好的稳健性和抗噪性,能显著提升配准速度和配准精度。

针对当前机器视觉热点研究的配准问题,提出了一种全新的快速点特征直方图(FPFH)特征描述与Delaunay三角剖分相结合的三维点云配准方法。首先采用FPFH综合描述特征信息,通过Delaunay三角网建立特征信息的局部关联性;再根据特征点对的对应关系进行采样一致性初始变换,实现初始配准;最后,根据得到的初值采用迭代最近点法进行精确配准,获得精确转换关系。分别对简单目标物体及复杂目标物体进行配准实验。实验结果表明,将FPFH特征描述与Delaunay三角剖分结合引入传统点云配准,简化了特征提取复杂度,缩小了特征点对匹配的搜索范围,提升了配准精度及速度,实现对目标物体高效配准,对提高机器视觉特征点匹配效率具有一定指导作用。

使用激光线结构光扫描仪得到机车走行部三维点云数据，实现了在三维数据中对螺栓进行自动识别和定位。使用关键点的快速点特征直方图(FPFH) 来描述点云特征，首先，将目标区域与预存螺栓模板进行特征匹配，并为目标区域的匹配点分配权重；然后，使用均匀的种子点在带权重的匹配点集中进行K-means 聚类，并删除点数过少的聚类簇；最后，使用Hough 变换的方法为经过筛选的聚类簇建立严格的分类器，判断出螺栓的有无和精确位置。实验证明了该方法的有效性。

为了提高三维点云数据配准的效率, 提出一种基于法向量分布特征的关键点初始匹配与迭代最近点(ICP)的精确配准的两步点云配准算法。首先, 定义点云的邻接区域和法向量分布特征计算模型, 提出基于该模型的关键点选择算法; 其次, 为每个关键点建立局部坐标系, 计算关键点的快速点特征直方图, 使用采样一致性配准算法匹配关键点的特征, 去除错误匹配点, 求解出变换矩阵, 完成初始配准; 最后, 使用ICP算法, 对多视点云的初始配准结果进行精确配准。实验结果表明, 在散乱点云数据和自获取的深度点云数据配准中, 该算法能够在确保配准精度的同时有效提升配准效率。