这是2016年一个点云目标识别研究的简单描述。
1、点云目标识别流程
点云目标识别，顾名思义，需要有标准的目标点云或者标准的点云特征描述向量；对实时采集的点云数据，在里面寻找与目标点云相似度最高的点云块。
2、圆环工件的识别和抓取
图2.1 点云在XY平面的投影图像
图2.2 圆环点云采集图像
2.1滤波
常用点云滤波有带通滤波、统计滤波、半径滤波、去除背景平面、去除边缘。
带通滤波：就是设置一个x、y、z方向的一个取值范围，以过滤掉明显不在测试距离范围的点云；比如在kinect数据采集中，由于其成像范围Z轴方向比较大，因此会出现很多明显我们不需要的背景噪声信息，这是可以设置一个合理的Z坐标阈值；
半径滤波：就是搜寻给定半径R内的相邻点云个数，当个数少于给定阈值时，去除点云；主要用在去除孤立点；
统计滤波：对每个点，计算最近邻K个点云距离的均值；假设最近邻距离均值符合高斯分布，则剔除距离在一个sigma外的点云；主要用于去除不合群离散点。
去除背景平面：对放在平面上的物体，背景通常会有一个较大的平面；采用Ransac拟合平面，剔除平面。
图2.3 统计滤波阈值选取方式
图2.4 圆环滤波后
2.2降采样
三维点云数据一般数据量都很大，为了提高程序的速度，可以对滤波后的数据进行降采样；降采样的原则是保证点云的整体分布情况，又不能破坏边缘信息（类似于图像处理的边缘保留Edge-preserving）。均匀降采样使用体素格的重心来表示给定半径范围内点的整体信息，来实现降采样和滤波的目的。
图2.5 体素格降采样
图2.6 单一圆环体素格降采样（蓝色是原始点云数据，红色是降采样数据）
2.3 点云分割
通过滤波后，点云被分成了很多基本不相邻的块，可以采用聚类的方法来进行分割（类似于二维图像的连通域标记）。
图2.7 点云分割
2.4 特征向量计算和匹配
当数据量不大的时候，可以直接计算降采样数据的特征向量；数据量很大时，最好先计算特征点（满足旋转、平移、尺度、仿射不变性），然后计算特征点处的特征向量。
类似于二维图像，3d点云也可以计算每个点的特征，常用的特征描述子有SHOT（signature histogram of orientation）、FPFH（Fast Point of Histogram）等；
匹配找到对应特征点对后，存在很多误匹配特征点对，需要采用Ransac对点对进行提纯，找到内点Inliners，采用ICP方法计算点对之间的旋转变换关系；
图2.8 识别的圆环（蓝色点是原始的圆环数据，红色的是识别后经过旋转、平移变化的圆环）
视频信息已经上传Youtube，附网址：
机器人抓取视频 https://www.youtube.com/watch?v=9UaWKWEigXo&feature=youtu.be