作者：仲夏夜之星
Date：2020-04-14
文章“3D Pose Estimation of Daily ObjectsUsing an RGB-D Camera”2012发表在IEEE/RSJInternational Conference on Intelligent Robots and Systems上，这篇文章对原始点对特征（PPF）作了一个很大的改进。
本文创新点
本文提出了一种利用深度和颜色信息的物体姿态估计算法。虽然许多方法假设目标区域是从背景中分割的，但我们的方法不依赖于这个假设，因此它可以估计目标物体在重杂波中的姿态。最近，引入了一个定向点对特征作为对象表面的低维描述，该特征已被应用于投票方案中，在对象模型和测试场景特征之间找到一组可能的三维刚性转换。虽然使用点对特征的几种方法需要一个精确的三维cad模型作为训练数据，但我们的方法只依赖于目标对象的几个扫描视图，因此学习新对象是很简单的。此外，我们认为，利用颜色信息可以显著提高投票过程的时间和准确性。为了利用颜色信息，我们定义了一个颜色点对特征，该特征用于投票方案中，以获得更有效的姿态估计。
本文主要内容
1.原始点对特征及改进的颜色点对特征
我们将一组点对的特征定义为下式，也就是四维特征。
其中d=||pi−pj||，∠(v1，v2)∈[0；π)表示两个向量之间的角度。第一个分量，d2=||pi−pj||2，表示两个表面点之间的欧几里德距离。第二和第三分量分别是矢量d与表面法向量ni和nj之间的角度。最后一个分量是两个法向量之间的角度。原始PPF适用于表面法线变化丰富的物体，但它通常不足以描述平面或自对称物体。因此，需要增加点对特征，以便该特征对这些类型的对象更加有效。本文提出颜色点对特征Fcppf，它是通过连接点的两个三维颜色向量来定义的：
其中ci和cj∈R3是颜色向量，通常来说，每个颜色通道被归一化为c∈[0；1]。 如下图所示描述了CPPF特征。
2.对象学习
要使用CPPF作为哈希表的密钥，我们需要量化特征描述符：
其中 
分别表示距离、角度和颜色向量的量化级别。符号 
表示按分量划分。利用特征CPPF的这个索引Ⅰ，将姿态估计所需的信息保存在哈希表H中，通过将特征存储在H中，将相似的CPPFs分组在同一个时隙中，并可以在平均恒定时间内与场景CPPFs进行匹配。
在算法1中给出了对象学习过程，给定对象模型点云M，该算法返回学习的哈希表H，Nm表示M中的点数，是将在下文介绍的中间角。量化参数δ，θ，σ
是重要的参数设置。根据我们的经验，在实验中δ=2mm、θ=10°、 
并不能得到很好地效果。对于的颜色量化级别，我们使用HSV颜色空间。v通道通常不受光照变化的影响，因此使用了更大的水平即0.4。
3.投票方案
如下图所示， 
是将 
转化为原点，并将其法线 
旋转到X轴上，对于场景点对， 
也是如此。
算法2详细地描述了投票过程，以哈希表H、对象模型点云M和测试场景点云N的点数Ns作为输入，然后以返回Np姿态假设P作为输出。场景点的采样比率 
和投票阈值都 
来控制速度和精度之间的权衡。实验中，我们考虑NP=10作为姿态假设，并检查 =1.0的所有场景点。我们通常设置，但根据对象的大小稍微调整。随机样本RandomSample(N)在不重复的情况下返回1到N之间的随机数，Intertransform (p，n)使用给定的点P和法向N计算来对齐变换。最后，PoseClustering(P， 
)在一组 分组姿态中将原始姿态假设P聚在一起，将在下一节中解释。
4.位姿聚类
我们采用了一种有效的聚集聚类方法，函数PoseClustering(P， )以未聚类的姿态假设P作为输入，并按投票数的递减顺序对它们进行排序，从创建一个具有最高票数的姿态假设的新集群开始，类似的姿态被分组在一起，如果一个姿态远离现有的集群，则创建一个新的集群，姿态之间的距离测试是基于平移和旋转中的固定阈值，当聚类完成后，再次对聚类进行排序，并返回顶部 姿态聚类。
实验结果
1.测试对象
2.添加高斯噪声的结果
3.聚类场景分析
参考文献
[1] B. Drost, M. Ulrich, N. Navab, and S. Ilic, “Model globally,match locally: Efficient and robust 3D object recognition,” in Proceedings ofIEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2010.
[2] A. S. Mian, M. Bennamoun, and R.Owens, “Three-dimensional model-based object recognition and segmentation incluttered scenes,” IEEE Transactions on Pattern Analysis and MachineIntelligence, pp.1584–1601, 2006.
原文地址：https://www.cnblogs.com/YongQiVisionIMAX/p/12696097.html