3D数据中机器人定位的中心点计算
Calculation of center point for the localization of robot in 3D data
我正在尝试寻找一种可靠的方法来计算容器的角点。从这些角点的思路就是计算出集装箱的中心点来进行机器人的定位，也就是说计算出的中心点将是机器人的目的地，以便于拾取集装箱。为此，我正在寻找任何计算角点的建议，或者可能会直接计算中心点。到目前为止，PCL 库 C/C++ 用于处理 3D 数据。
下图是容器的截图。
提前致谢。
我做了以下事情：
- 我将图像二值化（黑色像素 = 0，绿色像素 = 1），
- 反转图像（黑色像素 = 1，绿色像素 = 0），
- 用 3x3 内核腐蚀图像 N 次，并用相同内核膨胀 M 次。
左：N=2，M=1；右：N=6，M=6
之后：
- 我计算了所有非零区域的轮廓并且
- 删除了包围整个图像的轮廓。
这是剩下的轮廓：
我不知道 "typical" 输入图像在您的情况下是什么样子。由于我只能访问一张示例图片，因此我不想推测 "general solution" 是否适合您。但是要解决这种特殊情况，您可以按以下方式分析每个轮廓：
- 计算最适合您轮廓的旋转矩形（您需要类似于 minAreaRect from OpenCV 的东西）
- 计算矩形和轮廓内部的面积
- 如果轮廓面积与旋转后的外接矩形面积之差很小，则轮廓近似为矩形
- 找到既是矩形又满足其他条件（例如：容器的典型面积）的轮廓。假设这属于容器并计算它的中心。
我并不是说这是一个在现实世界场景中运行良好的解决方案。它也不快。您应该将其视为显示如何提取一些有用信息的 "sketch"。
我假设轮子使手推车与地板保持已知的偏移量，并且您可以识别地板。过滤掉所有离地面太近的点（这将移除轮子和除手推车以外的所有东西，这将有助于限制数据并简化后续步骤。
如果您隔离购物车，您可以应用一个简单的平均点（质心），或者，如果这不精确，您可以尝试找到隔离购物车的 bounding box（主要方向的最小最大值) 然后取该边界框的质心（这应该更准确，但由于顶部手柄的缘故仍需要轻微的垂直偏移）。
如果您无法隔离购物车或其他方法效果不佳，您可以尝试使用 PCL sample consensus 具体 SACMODEL_LINE。这将是一个复杂的策略，但会给出非常可靠的结果，基本上 运行 通过并找到每条线并从云中减去其成员，以便找到下一条最佳线。拥有 4 条主要购物车线后，使用它们的参数找到您的质心。 *这对于购物车内或购物车上的随机物品以及各种尺寸的购物车（假设它们始终具有线性垂直壁）也很有效
我正在尝试寻找一种可靠的方法来计算容器的角点。从这些角点的思路就是计算出集装箱的中心点来进行机器人的定位，也就是说计算出的中心点将是机器人的目的地，以便于拾取集装箱。为此，我正在寻找任何计算角点的建议，或者可能会直接计算中心点。到目前为止，PCL 库 C/C++ 用于处理 3D 数据。
下图是容器的截图。
提前致谢。
我做了以下事情：
- 我将图像二值化（黑色像素 = 0，绿色像素 = 1），
- 反转图像（黑色像素 = 1，绿色像素 = 0），
- 用 3x3 内核腐蚀图像 N 次，并用相同内核膨胀 M 次。
左：N=2，M=1；右：N=6，M=6
之后：
- 我计算了所有非零区域的轮廓并且
- 删除了包围整个图像的轮廓。
这是剩下的轮廓：
我不知道 "typical" 输入图像在您的情况下是什么样子。由于我只能访问一张示例图片，因此我不想推测 "general solution" 是否适合您。但是要解决这种特殊情况，您可以按以下方式分析每个轮廓：
- 计算最适合您轮廓的旋转矩形（您需要类似于 minAreaRect from OpenCV 的东西）
- 计算矩形和轮廓内部的面积
- 如果轮廓面积与旋转后的外接矩形面积之差很小，则轮廓近似为矩形
- 找到既是矩形又满足其他条件（例如：容器的典型面积）的轮廓。假设这属于容器并计算它的中心。
我并不是说这是一个在现实世界场景中运行良好的解决方案。它也不快。您应该将其视为显示如何提取一些有用信息的 "sketch"。
我假设轮子使手推车与地板保持已知的偏移量，并且您可以识别地板。过滤掉所有离地面太近的点（这将移除轮子和除手推车以外的所有东西，这将有助于限制数据并简化后续步骤。
如果您隔离购物车，您可以应用一个简单的平均点（质心），或者，如果这不精确，您可以尝试找到隔离购物车的 bounding box（主要方向的最小最大值) 然后取该边界框的质心（这应该更准确，但由于顶部手柄的缘故仍需要轻微的垂直偏移）。
如果您无法隔离购物车或其他方法效果不佳，您可以尝试使用 PCL sample consensus 具体 SACMODEL_LINE。这将是一个复杂的策略，但会给出非常可靠的结果，基本上 运行 通过并找到每条线并从云中减去其成员，以便找到下一条最佳线。拥有 4 条主要购物车线后，使用它们的参数找到您的质心。 *这对于购物车内或购物车上的随机物品以及各种尺寸的购物车（假设它们始终具有线性垂直壁）也很有效