马志军，杨俊友，孙义真

（沈阳工业大学，辽宁 沈阳110000）

1 引言

随着老龄化越来越严重，家庭服务机器人越来越受到人们的欢迎，同时对于机器人的研究越来越多，其中机器人视觉研究十分热门。

FROME等提出了3D形状描述子（3D Shape Context），该算法计算复杂并且必须在关键点计算描述子。RUSU等提出了快速点特征直方（Fast PointFeature Histogram，FPFH）[2]，它对点云具有旋转平移不变性，但是计算复杂度较高。近几年RUSU又提出全局特征视点特征直方图（View Feature Histogram，VFH）。该特征具有旋转及缩放不变性，但识别中会受到遮挡的影响。针对以上问题，本文提出了点云特征描述子融合的算法（VFH-FPFH）。该算法既有VFH的高效性，同时也包含了FPFH特征较高的鲁棒性。

2 点云分割

本文采用的分割算法主要包括RANSAC平面分割[4]和欧式聚类分割[5]。

RANSAC算法主要分割掉场景点云中平面部分，本文主要分割支撑平面和背景平面部分。算法原理为：①设平面方程ax+by+zx+d=0，点云数据中任意三个点P{pi，pj，pk}；②选取点云数据中多组点，求取A·B=0的最优解为B=Bx，得到拟合平面ABx=0；③输入点云数据，满足拟合平面的为内点，否则为外点，保留内点。

经过平面分割处理后，还需要对点云进行聚类分割，本文利用欧式聚类分割算法对点云进行分割。

为了获得最好的聚类效果，对欧式聚类分割算法参数进行设置，近邻搜索半径设为0.02，聚类点数的范围为[100，1 000]。

3 多特征融合算法

3.1 特征描述子

FPFH的算法原理为：FPFH只计算查询点和其邻域点的PFH值，统计为SPFH，然后再计算邻域点的SPFH值，最后对邻域点SPFH进行加权计算：

式（1）中：ωi为查询点P到邻域点Pi的距离。……