三维扫描点云中的圆柱体识别技术研究与实现

毕业设计说明书作 者:廖宇飞学 号：912110690127学 院:自动化学院专业(方向):智能电网信息工程题 目:三维扫描点云中的圆柱体识别技术 研究与实现指导者： 苏智勇 副教授 (姓 名) (专业技术职务)评阅者： 茅耀斌 副教授 (姓 名) (专业技术职务) 2016 年 6 月声 明我声明，本毕业设计说明书及其研究工作和所取得的成果是本人在导师的指导下独立完成的。研究过程中利用的所有资料均已在参考文献中列出，其他人员或机构对本毕业设计工作做出的贡献也已在致谢部分说明。本毕业设计说明书不涉及任何秘密，南京理工大学有权保存其电子和纸质文档，可以借阅或网上公布其部分或全部内容，可以向有关部门或机构送交并授权保存、借阅或网上公布其部分或全部内容。学生签名：年 月 日 指导教师签名：年 月 日毕业设计说明书中文摘要 随着三维扫描技术的快速发展，三维点云数据作为一种新兴的数据形式，已经逐渐地应用到许多领域中，如逆向工程、模式识别、工业检测、自主导航、虚拟现实等。在化工生产领域中，由于存在大量的管道，而管道主要是以圆柱体的形式存在，所以识别以三维点云数据表示的圆柱体对于实现化工厂的三维重建、扩建、改造等具有重要的意义。本文为实现圆柱体识别问题，进行了深入的分析，先利用PCA-主成分分析法获得法线，再利用随机采样一致性分割算法分割出圆柱体，最后以估计出的法线为基础求得圆柱体参数。本文通过实验对算法进行了验证，结果表明本文算法能够快速有效地识别圆柱体。关键词 点云特征 点云分割 点云识别 毕业设计说明书外文摘要Title Research and Realization of the cylinder identification technology in 3-d scanning point cloud AbstractWith the rapid development of 3-d scanning technology，three-dimensional data as a new form，has been gradually applied to many fields，such as reverse engineering，pattern recognition，industrial detection，autonomous navigation，virtual reality and so on.In the field of chemical production，due to the presence of large amounts of the pipe which are mainly in the form of a cylinder，identifying the layout and expressing the cylinders as a 3-d point cloud data has a vital significance in 3-d reconstruction，expansion，reforming the chemical plant. In order to solve the cylinder identification problems，this paper carried on a thorough analysis. First，using PCA principal component analysis (PCA) to obtain the normal，then using random sample consensus to segment the cylinder. Second，on the basis of the estimated normals to obtain the parameters of the cylinder.Algorithm is verified by the experiment，the results show that the algorithm can effectively identify the cylinder.Keywords Point Cloud Feature Point Data Segmentation Point Cloud Recognition 本科毕业设计说明书 第 I 页 目 次1 绪论.1 1.1 研究背景与意义.1 1.2 国内外研究现状.1 1.3 课题研究主要工作.2 1.4 本文结构安排.32 点云的特征与提取.42.1 点云的微分几何特征.42.2 几何特征的微分模型.42.3 法线的估计.52.3 本章小结.73 点云的分割.8 3.1 点云分割理论.8 3.3 基于随机采样一致性的分割.9 3.4 本章小结.114 圆柱体参数的识别.12 4.1主要参数识别的算法.12 4.2 本章小结.145 实现与评价.15 5.1 PCL简介.15 5.2 算法实现.15 5.3 实验算法结果评价.166 总结与展望.21 6.1 本文的工作与成果.21 6.2 本文工作的局限性及展望.21致 谢.22参 考 文 献.23本科毕业设计说明书 第 21 页 1 绪论1.1 研究背景与意义在化工生产领域，利用三维扫描技术实现化工厂的三维重建，可以给化工厂的改造、扩建和维护提供极大的帮助。在化工厂中，管道设备广泛存在，虽然人们可以直接利用三维建模软件如AutoCAD设计和建造管道设备，但是许多现有的管道设备要求必须能从物理环境中以数字形式重建，所以研究并实现大规模点云技术，能够快速且准确地检测管道是解决化工厂三维重建问题的核心。三维点云数据实际上就是物体表面采样点的集合，随着3D扫描技术的快速发展，点云的采集变得更加便利。目前点云作为一种新兴的数据形式，已经逐渐地应用到许多领域中，如逆向工程、虚拟现实、模式识别、游戏娱乐等。三维点云数据拥有很多二维图像所没有的优点，它可以将物体在空间中的三维信息准确地记录下来，同时还能用于推断物体表面的几何特征1。虽然利用三维扫描点云来进行管道检测具有明显的技术优势，但是在识别和测量的过程中仍然会由于目标本身、外界干扰等原因对识别的准确性造成影响。本课题针对如何识别出由点云数据表示的圆柱体，展开三维点云的特征与提取、点云分割以及参数识别的研究，并实现圆柱体的分割和参数的测量，从而实现能够准确、快速地识别圆柱体。1.2 国内外研究现状由于三维扫描技术在数据处理方面拥有巨大的优势，所以已经有很多学者对点云数据的处理展开了较为深入的研究。其中，国外比较早就开始对三维扫描点云方面进行研究，尤其是在三维重建和点云数据的处理方面，对点云数据处理的流程也都提出了比较完善的方法。国内的研究虽然比国外起步要晚一些，但是同样也取得了一些研究成果，在点云数据处理的各个阶段提出许多先进的方法和实现途径2，其中点云特征提取和点云分割是目前研究的两个重要方向。1.2.1 点云特征提取的研究现状在三维点云数据中，三维物体表面一般都有能够体现物体表面形状特征且在几何上不连续性的区域，如角点、脊线、拐点、棱线等，这些点统称为几何不连续点。近年来，国内外研究学者提出了许多有关于三维点云数据的特征识别3和提取方法4。其中，一类方法是先把数据按照网格来划分，建立三角形或别的类型的网格模型，然后再利用网格模型的几何拓扑信息，如法向量、曲率、梯度等，来识别几何特征点5；另一类方式是直接通过几何拓扑信息来计算点云数据集合中的几何不连续点，虽然这类算法能够简化算法过程，但是运算速度比较慢；此外，还能运用统计学的观点，选取比如各点之间的几何关系（距离、角度、法线方向关系等）、各点的曲率分布等这些具有区分能力的统计特征，通过构建扩展高斯图或者特征的直方图等直观的识别。例如，Tangelder使用包含三维模型的法向量变化率和高斯曲率等特征的集合作为直方图的统计量6和Mokhtarian将顶点的曲率作为直方图的统计量7。1.2.2 点云分割的研究现状A.Hoover等人对点云分割作了一个简单定义，通过点云的分割，可以将拥有相同特性的点云分到相同的子区域，但是受到一些客观因素的影响，点云数据中往往存在着无关数据和一些不连续的数据8。目前已有的点云分割算法主要有三类：第一类是基于投影图像灰度连续性，它利用点云投影生成的深度图像或者融合光谱颜色信息，根据不同目标的反射率不同和反射强度的不同来划定阈值进行目标分类和图像分割。 第二类是利用几何空间的拓扑连续性的不同，把点之间的几何关系作为判断条件，我们将法向突变点或是不连续点等设置成边界点，来进行分割，但是噪声对这类算法影响很大；将有相似几何属性的局部区域划分为同一区域，从而归为基于区域生长的算法；还有就是中和这两种思想的混合算法，改善单一算法计算不精确，效率不高的情况。Besl等人从每个点的曲率入手，从八种局部表面类型之中选择一种作为标志，经过初始分割，再运用二次曲面拟合，从而得到结果9。Hoffman的方法基于模式聚类的思想，把每一个三维点云数据中的点看作是一个六维向量，实现了分割。第三类基于特征聚类分析的，通过把法向量、坐标、曲率等的组合或者是其中的一个量化为向量，将类之间的距离作为判断条件将局部的数据聚为一类进行分割10。1.3 课题研究主要工作本课题的目标是在三维扫描点云中对圆柱体进行有效地识别。主要研究工作包括以下几点： （1）研究点云特征与提取的常用方法并用算法实现对圆柱体法线的估计。其目的是为后续基于法线的分割准备数据。 （2）研究点云分割的常用方法并用算法实现圆柱体的点云分割。分割的目的是将圆柱体与无关背景进行分离，便于参数的测量。 （3）实现圆柱体参数的识别。其目的主要是测得圆柱体的参数。上述工作都是圆柱体识别过程的必要步骤，也是点云数据处理的一般过程。本课题工作主要是对三部分过程的算法分别进行设计和研究，提出合理、高效的算法。目标是使设计出的算法尽可能地达到高效、准确、便捷地识别圆柱体。1.4 本文结构安排本文用六章来说明，每章的大致内容如下：第1章为绪论部分，主要对本文的研究背景、研究意义以及主要工作进行总体阐述，同时对课题研究思路和本文结构安排作出总体介绍。第2章是对点云的特征与提取进行介绍，对现有常见的计算方法作出概述，并且详细介绍本文所需要的估计法线的方法。第3章是本文的重点章，主要阐述了点云分割的理论和比较常用的算法，根据课题需要，详细介绍本文采用的随机采样一致性分割算法。第4章是对识别圆柱体参数的算法进行介绍。第5章主要介绍了本文算法的编程平台PCL，并对算法流程进行总体介绍，最后对实验结果进行评价。 第6章是对课题的总结和展望。2 点云的特征与提取特征是物体的主要属性并且可以用来准确描述这个物体。对于我们所采集到的点云数据集来说，通过特征我们能够很好地知道物体的表面结构特点和几何特点。这些特点可以为三维模型的分割和参数测量提供准确的参考依据。本章主要介绍点云特征的基础知识，以及提取点云特征中的法线的方法。2.1 点云的微分几何特征在点云数据处理的过程中，点云特征的描述与提取是非常重要的一步。点云的基本算法，如：分割、配准、重采样、识别等，都和特征描述与提取的结果有着密不可分的关系。根据尺度上的不同，分为两种描述方式。一种是对局部的特征描述，如：对法线、曲率等的几何特征形状的描述；另一种是对全局的特征描述，这些都属于3D点云特征描述与提取范畴11。在三维模型重建的时候，我们需要从整体和局部两个方面对点云数据进行分析和特征的提取。从整体方面来说，整体的轮廓和边缘需要快速确定；从局部来讲，细节的确定还要从局部估计点云的微分几何特征12。2.2 几何特征的微分模型一般三维空间微分几何的基本数学模型有空间曲面的切平面与法线、空间曲线的切线与法平面、空间曲线的曲率。下面介绍本文法线估计用到的曲面的切平面与法线的相关知识。假设曲面的方程为： （2-1） 如果假定曲面上有一点，同时设函数在点处的偏导数连续且不同时为零。在曲面上，通过得到一条曲线，设曲线的参数方程为： （2-2） 对应于，不全为零。根据高等数学知识可以得到曲线在此点的切向量为： （2-3） 考虑曲面方程两端在的全导数： （2-4） 引入向量： （2-5） 根据上面的三个式子，我们可以知道向量T与向量n垂直。由于通过点的所有曲线在点处的切线都位于同一平面上并且曲线也在曲面上，所以称这个平面为曲面在点出的切平面，方程为： （2-6）曲面的法线：通过并与上述切平面垂直的直线称为曲面在点处的法线，方程为： （2-7） 曲面的法向量：一个向量若与曲面上的切平面互相垂直，则称为曲面的法向量。曲面在点处的一个法向量用方程可以表示为： （2-8） 2.3 法线的估计表面法线是一个几何体表面很重要的特征，同时也是一个基本属性。如果已经知道了一个几何体的表面参数，可以通过计算垂直于表面的矢量来获得表面某一点的法线。然而由于本文获取的点云数据集并不直接就是一个曲面而只是一组定点样本集合，因此有两种解决方法： （1）通过获取的点云数据集中的采样点所对应的曲面进行曲面重建，然后从曲面模型中计算表面法线；（2）直接利用点云数据集中的点云数据计算出表面的法线。尽管有两种不同的方法，但是它们的基本解决思路都是将计算表面一点法线的问题转换为求与表面相切平面的法线问题，也就是一个利用最小二乘法求平面参数的问题。这里，本文利用第二种思路将求法线问题变成了分析一个协方差矩阵的特征矢量和特征值的问题，这个方法也被称为PCA-主成分分析法13，它是估计点云特征的常用方法之一。 主成分分析法，是一种多元统计方法，它能够考察多个变量之间的相关性并研究如何从原始变量中导出少数几个互不相关的主成分，之后利用这几个主成分来揭示变量间的内部结构。本文利用主成分分析法来分析点集的法向量。 图2-1 平面主成分的趋势图由于点云数据是三维点集，所以协方差矩阵为三阶，共分为3个主成分，从主成分的几何意义出发，第一和第二主成分代表平面上的主趋势，第三主成分（最小主成分）代表了三维表面法向方向的趋势（如图2-1所示），故对应的特征向量即为平面的法向量。现在利用矩阵的方法来计算第三主成分：对于平面点集：； 如果平面方程表示为： （2-9） 式中：；，其中n为平面的法向量，求取各点到平面的距离可以得到 （2-10） 最逼近点集的平面满足，根据极小值求取理论，利用对d求导，根据主成分分析理论，经过推导，转化成求式中点集的协方差矩阵的最小特征值（最小成分）对应的特征向量问题14。 协方差矩阵表示为： 其中，。 我们通过求解（2-11）这个协方差矩阵，获得最小成分对应的特征向量即为平面的法向量。 通过上面微分模型的介绍，我们可以知道，要获得圆柱面点的法相量，只需要利用二次曲面拟合出该点处的切平面，再求解协方差矩阵的最小特征值对应的特征向量，即可获得点的法向量。 由此，我们利用PCA-主成分分析法，得到了圆柱体点云的法向量，为之后点云分割做好了数据准备。2.3 本章小结本章对点云的微分特征作了一个大致的介绍，然后对我们在估计法线时要用到的一些法线模型给出了解释，最后利用之前模型介绍的知识和PCA-主成分分析法来实现对法线的估计。3 点云的分割点云分割是基于空间、几何和纹理等特征，将点云数据进行分割，把有相似特征的点云划分在同一区域15。点云的分割是点云识别后的重要步骤，也是后面圆柱体参数识别的前提。本章首先介绍点云分割的基础理论知识，然后介绍几种传统的分割算法，最后重点介绍本文所采用的基于随机采样一致性的分割。3.1 点云分割理论对于点云分割，虽然目前没有一个正式而明确的定义，但是我们通过熟悉的集合的概念类比地定义出点云分割的概念：若R代表整个点云区域，那么点云分割就是将R这个完整的集合划分为在某个特征上没有交集的非空子集（子区域），这一过程必须满足下面五个条件16： （1）；表示所有子区域的并集是总区域；（2）对所有的i和j，有；表示分割之后，子区域互不重合； （3）对ij，有；表示不同的分割区域分别具有不同的性质；（4）对i=1，2，.，n，有；表示每个分割区域都有独特的性质，同一个区域的点具有相同性质；（5），是连通区域；要求分割之后的每个区域是连通集；点云分割之后，我们将有相同特征并且在空间中相邻的点划分在同一个区域，采用分而治之的方法对点云数据进行处理。3.2 常见的几种分割算法 在1.2.2节中我们将三类分割算法的研究现状做了介绍，其中第二、三类运用较为广泛，所以我们对这两类算法中具有代表性且常用的算法做一个简要介绍。 第二类算法中代表性的算法是基于边界的分割方法和基于区域生长的方法。 基于边界的点云分割：根据三维点云的几何特征，首先我们可以测出边界点的参数，然后搜寻满足参数的边界点，将边界点依次连接得到边界线，最后根据边界线完成表面区域分割，所有基于边界的分割方法其实就是检测边界点的过程。基于区域生长的分割：区域生长是先设定一定的生长准则，检测给定点的邻近点是否满足这一准则，若满足则划分到同一个区域中，作为新的种子点，以此来完成分割。第三类算法运用最为广泛且常用算法也较多，有基于聚类分割算法和基于随机采样一致性的分割算法。聚类分割算法：基于聚类的分割方法是一种常见的统计分析方法，将相同特征的数据划分到一类中。聚类分割的基本原理为：假设空间中有m个点，在三维空间中设定点和点之间的一个距离，同时将m个点分为n类（nm），合并空间距离最近的点，然后再计算类与类之间的距离；若任意类之间的距离满足设定的阈值，则分割完成，否则迭代上述过程，直到满足。基于随机采样一致性的分割：其基本思想是样本中包含正确的数据也包含异常数据（如噪声等），算法不是同等对待所有样本，而是根据一定判断准则，剔除与所估计参数不相同的数据，接着通过有效的数据来估计模型参数。根据本课题的要求，在工厂中由于噪声多，参数大，所以本文采用随机采样一致性的方法，来减小噪声的影响，提高分割效率，同时也能够很好地分割出圆柱体。下面我们解释原因并详细介绍这种方法。3.3 基于随机采样一致性的分割本文是希望在实际应用中能够对圆柱体进行分割，往往在实际情况下会有很多的噪声，若用一般得到曲面方程的二次曲面拟合的方法，会因为噪声的影响而难以实现。图2-2 RANSAC在噪声下对直线的拟合 如图2-2所示，用直线拟合的例子来具体说明。在这个有大量噪声的环境中，我们想要得到的目标曲线会因为噪声的影响而很难直接拟合得到。现在，我们用随机采样一致性算法，用目标直线来寻找属于这个直线的点，这样就可以显著减少噪声的影响获得目标直线。同理，在有很多噪声的场景中，我们可以利用目标圆柱体的模型参数来寻找这些圆柱体点云，以完成分割。RANSAC为“Random Sample Consensus”的缩写。它从一组包含“无关数据”的数据集中，排除无关数据，用剩下的有效数据来估计模型参数。由于这种方法得到的分割结果不是一定正确的，而只是一定概率合理的，所以为了使分割结果的合理性提高，我们需要增加迭代次数。我们可以利用式（3-1）来求得在以某种概率取得合理结果时，所需要的最小抽样数。 （3-1） 其中，为数据错误率，m为计算参数的最小数据量。 在本文中由于我们已经设定好目标即为圆柱体，这样我们通过随机选取m个点就可以估计参数模型（具体是用最小二乘法来拟合曲面参数），所以现在判断准则的选择就变得很关键。这里用到的方法是统计有效点即局内点的个数，而有效点的判断是根据点到曲面的距离。 由于这里的曲面并非严格意义上的曲面，所以局内点与曲面的距离不需要一定是零，因此，我们可以设定一定的容忍值阈值。算法分割出来的效果和阈值的多少有着很大的联系，阈值太小可能会使分割效率太低，而阈值太大可能会对平面的分割产生腐蚀作用。如果曲面与相邻的物体关系比较复杂，则需设定比较小的阈值，而对相对简单的曲面则可以采用比较大的阈值。 现在我们以为标准，当点与曲面距离小于时，记为局内点，否则记为局外点。计算出有多少局内点，再判断有效点数目是否与大于我们设置的最小数目，若大于则目标分割成功。否则重新估计模型参数。现在我们总结算法的大致流程： （1）根据我们所需要的概率，由式（3-1）计算最小抽样数M和最小数据量m； （2）根据目标与其他物体的关系，设定一个符合条件的阈值； （3）随机选取m个满足条件的点来估计模型参数（已经设定目标是圆柱体并有半径约束和高度约束）； （4）对数据集中的所有点，计算所有点与估计的模型之间的距离，如果小于设定的阈值，将此点归为有效点；否则归为无效点；记有效点个数 （5）重复（3）和（4）的步骤M次，在每次计算后统计局内点数目并用局内点估计模型参数，选择有效点最多时大于设置最小有效点数，则对应这些内点就分割出物体的表面模型。 3.4 本章小结本章简要介绍了点云分割的几种经典方法，重点介绍了本文所采用的基于随机采样一致性分割。本文考虑到由于实际场景下，噪声较多，且参数较大，所以选择采用基于随机采样一致性的分割算法。这样能够避免噪声的影响，也能使分割效果更好，效率更高。4 圆柱体的参数识别在前两章中，我们通过对圆柱体的特征提取和分割，得到了一个圆柱体的点云数据，此时，我们需要对其参数进行分析和计算，来获取半径和高度。本章将对本文识别参数的方法和流程做详细介绍。4.1主要参数识别的算法目前，圆柱体参数识别的方法主要有：近似评定法和最小区域法等，但这些方法对于点云数据表示的圆柱体的参数评估显然不适用。本文采用一种基于最小二乘法的方法进行圆柱体参数求解。我们要对圆柱体进行识别时，需要的主要参数有：圆柱体轴线的方向向量，圆柱体轴线上的一点，圆柱体的半径R。由于圆柱体的距离函数是一个非线性方程，求解起来很难也很复杂，但是当我们知道了圆柱体轴线方向向量后我们就可以很容易的获得其他的各个参数，所以下面我们介绍圆柱体轴线方向的方向向量以及其他参数求取的方法。4.1.1求取轴线方向向量 上文我们已经求出点集的法向量，现在我们通过法向量来求圆柱体的轴线方向向量。 设点集的法向量为（），因为圆柱表面上任意一点处的表面法线与圆柱体的轴线方向向量垂直，所以 （4-1） 设，则形成以下N个等式： （4-2） 以矩阵表示为： （4-3） 式中： 我们可以将上述问题转化为最小二乘法的问题来解决，即求最小。为了避免得到零解，我们还对a加以约束:。求解出a即可获得轴线方向向量。4.1.2确定圆柱轴线上某一坐标在轴线方向向量算出来后，圆柱体上各点半径距离函数方程为： （4-4）其中这里用拉格朗日乘子法来获得轴线上一点的坐标值。4.1.3计算圆柱半径及误差圆柱体的半径计算公式为： （4-5）圆柱度误差计算公式为： （4-6）4.14计算圆柱体的高度由于圆柱体与地面的摆放位置未必垂直，不能直接用z轴相减来计算圆柱体高度，所以这里采用将圆柱体Z轴坐标向圆柱体轴线方向投影的方法（如图4.3）来计算圆柱体高度。 图4.3 投影图圆柱体的高度计算公式为： （投影用点乘表示） （4-7）式中：为分割后圆柱体表面坐标；a为上面求得的单位化的圆柱体轴线方向向量。4.2 本章小结本章详细介绍了本文测量圆柱体参数的方法。其中，最重要的参数为圆柱体的轴向方向向量，所以我们的流程为：首先利用法线估计时获得的法向量求解得到圆柱体轴线方向向量，然后计算轴线上某一点的坐标，最后利用公式计算出半径和用投影法算出高度。5 实现与评价本章主要对本文所采用的编程平台PCL作了简要介绍，并阐述了PCL在处理点云数据时的优越性。同时在本章中，还给出了本课题研究的算法的基本流程和基本思想。在最后还分别列出了法线估计、点云分割和参数识别的处理结果，并对结果进行了简单评价总结。 5.1 PCL简介PCL是Point Cloud Library的缩写，它是将前人对于点云研究的高效数据结构和相关的通用算法吸收进来，建立起来的一个大型跨平台开源C+编程库，它能实现点云的大部分算法。如果说在2D信息获取和处理领域OpenCV是其中的翘楚，那么PCL就是在3D信息获取和处理上具有同等地位19。选择PCL也是考虑是实际应用方面的问题，它支持多种操作系统平台，可在Windows、Linux、Android、Mac OS X、部分嵌入式实时系统上运行。所以这对以后进一步应用于生产、生活中提供了方便。5.2 算法实现 图5.1 算法主要流程考虑到PCL在点云数据处理上的优越性、便捷性以及可移植性，本文的算法是在PCL下编写的。主要流程如图5.1所示。针对本文主要的三项研究工作：法线估计、点云分割、参数识别，分别对三部分的算法进行研究和设计。最终实现了满足课题要求的圆柱体识别和参数识别。5.3 实验算法结果评价本文模拟了两个实际场景，场景中有球体、正方体、地面和圆柱体。根据实际情况，管道的摆放位置一般是与地面垂直或者平行，所以场景中我们也采用这两种摆放方式。这里两个场景中的圆柱体的参数均为高度6米，半径0.7米。具体场景如图5.2和5.3所示。我们分别对这两个场景进行法线估计、点云分割和参数估计。 图5.2 垂直场景图 图5.3 平行场景图5.3.1法线估计算法实验结果这里由于点云数据很大，如果仅仅使用简单的邻域搜索效率很低下。在PCL中提供了两种搜索方法为kd-tree和oc-tree，而oc-tree一般应用在比较规整的点云，所以这里用kd-tree，而邻域值选取50。图5.6 圆柱体法线图由于两个圆柱体相同，所以两个圆柱体的法线估计结果相同，如图5.6所示。通过上述实验可以看出，算法很好地估计了两个场景物体的法线。这里估计出的法线具有二义性，没有一个确定的方向，但是在利用法线进行计算时并不需要区分法线是朝圆柱体内部还是外部，所以这个估计结果满足我们的需求，为之后的分割做好了数据准备。5.3.2点云分割算法结果在分割法线时，我选择的迭代次数是10000，阈值选择的是0.11，这样的参数不会造成过度分割和对圆柱体造成腐蚀，能够获得比较好的分割结果。 图5.5 圆柱体垂直分割结果图 图5.6 圆柱体平行分割结果图分割结果图5.5和5.6，其中5.5是圆柱与地面垂直，5.6是圆柱与地面平行，被分割部分显示出红色。如图所示，都只有圆柱体显示为红色，说明被成功分割出来，并且分割的边缘也很理想，可以看出利用RANSAC算法进行点云分割获得的分割结果还是比较理想的。5.3.3参数识别算法结果 参数识别的结果如表5.1所示。表5.1 圆柱体参数识别结果 参数摆放方式半径（米）偏差（米）高度（米）偏差（米）垂直理论值0.700-0.0086.000-0.023实验值0.6925.977平行理论值0.700-0.0036.000+0.022实验值0.6976.022上表为圆柱体在此程序下识别的参数。虽然测得的参数与设定值不完全一致，但是误差很小，因此可以证明算法有效地识别了圆柱体。5.4 本章小节 本章基于PCL模拟了两个场景中圆柱体识别过程中的法线估计、圆柱体分割还有圆柱体参数识别，模拟结果证明此算法可以有效地识别和测量圆柱体。6 总结与展望6.1 本文的工作与成果经过法线估计、点云分割、圆柱体参数的算法实现，本文比较好地识别出了场景中的圆柱体。6.2 本文工作的局限性及展望本文的实现的算法在识别效果和数据正确性上都达到了课题设计的要求，但还是存在一些不足值得后面的进一步研究。首先是本文算法无法同时识别多个圆柱体。由于如何区分几个类似却不相同的圆柱体还没有很好的方法，所以还无法实现在同一个场景同时识别不同的圆柱体。这就可能需要用户的不断地交互操作，才能对场景内的圆柱体进行正确的识别。其次由于分割时只能分割常规的圆柱体，所以对于那种弯曲的管道还无法识别。最后是分割的算法有待进一步精简。由于在实际情况中，点云数据可能比较大，如果不进一步简化我们的算法，可能就会造成识别效率比较低下。根据以上提出的问题，后续工作可以围绕以下几点展开： （1）进一步对如何识别在同一场景不同圆柱体的区分工作。以实现同时识别的功能。 （2）优化分割算法，提高分割的总体效率。 （3）可以进一步对于更多的形状做一个识别，如：球，长方体等。 致 谢本课题的研究是在苏智勇老师的指导下完成的，老师平时工作认真负责，治学态度严谨，细致，在课题的学习和研究中给了我很大的帮助。苏老师在我选题、研究和撰写论文的各个阶段都给了我很好的指导，在各方面给了我很大的关心和支持，同时也给了我很大的发展空间，让我能够及时良好地完成课题研究工作。 在此，对老师致以深深的谢意，老师的言传身教是我终身受益。此外，要感谢教研室陆竹恒师兄的热情帮助和指导，正是有了老师和学长的关心和帮助，才能让我能更好的完成论文的研究和学习。还有陪伴我四年的同学们，感谢他们的支持和陪伴。 最后，感谢支持我的父母和亲友，时时刻刻陪伴着我，鼓励我，帮助我。参 考 文 献1 安毅.三维点云数据的几何特性估算与特征识别D.大连：大连理工大学，2011.2 徐润君，陈心中.激光雷达在军事中的应用J.物理与工程，2002，12(6)：36-39. 3 Stokely E M，Wu S Y. Surface parametrization and curvature measurement of arbitrary 3-D objects：five practical methodsJ. IEEE Transactions on pattern analysis and machine Intelligence，1992，14(8)：833-840. 4 Milroy M J，Bradley C，Vickers G W.Segmentation of a wrap-around model using an active contourJ. Computer-Aided Desi