Page 243 - 机械制造及其自动化

第六章 工业智能化机械的技术与应用

这部分内容主要是识别物体的形状和颜色信息，使用SVM作为分类器，先训

练SVM样本模型。具体如下：
第一步输入图片。对于给出的每个训练样本，都要明确每个样本的归类是0
还是1，即每个样本都要标注一个确切的类别标签，作为SVM训练时使用。
一般SVM对于样本特征的选择以及维度没有明确的要求，根据样本实际情

况选择，常用的边缘、Haar、角点、Sift、Surf、直方图等各种特征表述参与
训练。
第二步设置SVM参数。SVM常用的参数有SVM类型选择、核函数类型以及

算法的终止条件和松弛变量等。其中核函数的选择是决定SVM识别效果的关键
性因素，它的本质作用是将低维空间的线性不可分类问题，借助核函数转化为高
维空间的线性可分，进而可以在高维空间找到分类的最优边界，即超平面。常见
的核函数有线性核函数、多项式核函数、径向基（RBF）核函数（也称高斯核函

数）和Sigmoid核函数（二层神经收集核函数）。
根据实际的识别情况，这部分内容选用多项式核函数作为SVM训练核函数。
第三步训练支持向量，输入特征标签和核函数，输出支持向量分类器。程

序运行时，首先获取从摄像机采集的彩色图片，然后针对彩色图像，进行ROI提
取，裁剪出需要识别的物体的区域，保存作为测试图片，接着训练图片并且跟训
练好的模型分类器作对比，最终找出支持向量，进而实现物体识别的功能。

3.位姿获取
通过工业机器人手眼标定，建立相机坐标系与机器人基坐标系之间的转换
关系。获取分拣物体的位姿，是智能分拣系统的关键一步。Kinect深度相机输出

点云数据，利用PCL开源库，实现对点云数据的配准。这部分内容使用基于采样
一致性（SAC-IA）粗配准算法和迭代最近点（ICP）精配准算法来实现点云的
配准。
SAC-IA粗配准：其一，对点云数据进行采样，得出源点云Р和目标点云Q两

个点云；其二，分别提取两个点云的法向量，接着计算配准点云的快速点云特征
直方图（FPFH），即从待配准的源点云中选取n个采样点，为了尽量保证所采样
的点具有不同的FPFH特征，采样点两两之间的距离应满足大于预先给定最小距

离阈值。计算随机对应点之间刚体变换矩阵，判断是否达到迭代次数，当达到设
定次数时，粗配准结束，反之继续计算随机对应点之间刚体变换矩阵。

231