本发明涉及点云平面提取领域，尤其是指一种基于统计分析的点云平面提取方法。
背景技术：
1、平面提取在机器视觉检测以及三维点云特征提取方面是很重要的研究课题。在机器人视觉尺寸检测应用中，快速而准确地提取被测平面特征是机器人视觉检测的重要条件，因此从点云数据中提取平面特征在机器人视觉尺寸检测中有重要作用和意义。
2、国内外大量学者对这一领域做了很多研究，提出hough变换，区域增长等平面提取方法，但此类方法需要人工指定阈值，阈值的设定对算法的性能有很大影响，指定的阈值对点云噪声敏感，当点云中存在噪声时，阈值法可能会将噪声误判为目标点云，导致提取结果不准确且不具有鲁棒性；随机采样一致(random sample consensus，ransac)方法每次抽样需要从点云中随机选择样本点来估计平面参数，并计算剩余点云与平面的偏差，计算量非常大，算法运行时间较长，且需要事先设定阈值。且由于ransac算法是基于随机采样的，因此无法保证每次抽样都能得到最优的平面参数。在某些情况下，算法可能会陷入最优解而无法得到全局最优解。
3、绝对中位差(median absolute deviation,mad)在统计学中，是对单变量数值型数据的样本偏差的一种鲁棒性测量，比标准差更能适应数据集中的异常值。对于标准差，使用的是数据到均值的距离平方，较大的偏差权重较大，异常值对结果影响不能忽视。对于mad，少量的异常值不会影响实验的结果。本专利主要基于mad统计分析提取点云平面。
技术实现思路
1、本发明的目的在于提供一种基于统计分析的点云平面提取方法，在点云平面提取过程中，基于统计分析的方法确定所需阈值，算法稳定且适应性强。
2、为了实现上述目的，本发明提供一种基于统计分析的点云平面提取方法，具体工作过程如下：
3、1.提取3d传感器拍摄得到的物体点云中点的法向量n(nx，ny，nz)，并对n(nx，ny，nz)中各分量分别存储，得到分量集合{nx}，{ny}，[nz}，对各分量集合分别从小到大排序并取中值，得到参考法向量nr(nrx，nry，nrz)；
4、2.将点云中每个点ni(i＝，2，...，i)的法向量与参考法向量nr做点乘，得到点积集合{x}，采用mad方法，由以下公式(1)(2)计算得到并根据公式(3)计算得到阈值f1，将集合{x}中大于f1的点积所对应的点保留；
5、xmad＝median(|xi-median({x})|) (1)
6、
7、
8、其中，median()表示变量中位数计算；k为常量，表示比例因子，将mad当作标准差σ估计的一种一致估计量，其值取决于分布类型，对于正态分布数据，假设有50％的噪点，查表可得k＝1.4826。
9、3.对步骤2保留的点的坐标p(x，y，z）的各分量分别存储，得到分量集合{x}，{y}，{z}，对各分量集合分别排序，并取中值得到pm(xm，ym，zm)；
10、4.结合参考法向量nr(nrx，nry，nrz)，由公式(4)计算各点到该平面的距离集合，表示为{dist}，采用mad方法，由公式(5)(6)计算得到并根据公式(7)计算得到阈值f2，将距离集合{dist}中小于f2的距离所对应的点保留；
11、dist＝|[(x，y，z)-(xm，ym，zm)]·(nrx，nry，nrz)| (4)
12、distmad＝median(|ditsti-medtian(dist)|) (5)
13、
14、
15、5.采用最小二乘法拟合平面，计算步骤4中保留的点与平面的距离误差，统计误差的均值和标准差，分别表示为dmean、drms，并根据公式(8)(9)计算得到阈值f3和f4，将误差在阈值区间[f3，f4]内的点保留，使用最小二乘法拟合平面，即可得最终平面；
16、f3＝dmean-2.5*drms (8)
17、f4＝dmean+2.5*drms (9)
18、本发明所述的一种基于统计分析的点云平面提取方法的有益效果是：这种基于统计分析的点云平面提取方法不需要人工指定阈值，对噪声具有较强的鲁棒性，理论上最大可适应50％的噪点，结果客观且稳定，无需随机抽样，可在短时间内计算得到最优平面参数。
1.一种基于统计分析的点云平面提取方法，其特征在于：包括以下步骤：
