霍夫投票物体识别算法

欢迎关注更多精彩
关注我，学习常用算法与数据结构，一题多解，降维打击。

参考论文：Object recognition in 3D scenes with occlusions and clutter by Hough voting

关注公众号回复hough voting可以获得文章链接

霍夫投票

霍夫投票是对霍夫变换在三维场景下的扩展。

其作用是可以识别出可能有效的特征匹配，去除无效的特征。

基本步骤如下：

上图中model是要查找的物体，需要要在scene中找到model。

蓝色圈是我们抽取出来的特征关键点，可以计算出特征向量

根据特征向量可以把距离相近的特征匹配到一起。

上图中绿色的线表示正确匹配，红色的线为错误匹配。

红色的圆圈是model的中心，绿线的空圆是由霍夫投票出来的model在scene中的中心。

蓝点到红点的连线就是投票向量。

如何识别出正确的匹配，就是用到霍夫投票。

基本思想：把投票向量转化到scene空间下，如果某些投票向量都指向同一个地方，说明找到了model在scene中的中心，也就找到了model所在位置，根据特征点位置求一个rt

实际情况不可能完全指向同一个点，可以有一定的容错性，所以用了一个空间（格子）的扩展。

上图中右边蓝色的格子为事先划分好的投票箱。

因为每个特征点都有局部标架，而特征点到中心的向量相对于局部标架的坐标是不变的。

把每个model中的特征关键点对应的中心向量转化到scene中对应局部坐标系下，就可以知道在scene中投票向量指向的空间。

统计出哪个格子里向量指向最多，就认为指向该格子的所有特征点为可信特征点。

变量定义与公式

$F_i^M的局部标架的X,Y,Z轴分别为列向量L_{i,x}^M,L_{i,y}^M,L_{i,z}^M$

$V_{i,G}^M=C^M-F_i^M代表model下的全局投票向量$

$公式1V_{i,G}^M在F_i^M的局部标架下的坐标V_{i,L}^M=R_{i,GL}^M\cdot V_{i,G}^M$

$R_{i,GL}^M=[L_{i,x}^M,L_{i,y}^M,L_{i,z}^M{]}^T$

假设

$F_i^S是与F_i^M配对的特征点$

$F_i^S的局部标架的X,Y,Z轴分别为列向量L_{i,x}^S,L_{i,y}^S,L_{i,z}^S$

$V_{i,G}^S是Scene下的全局投票向量$

$V_{i,L}^S是V_{i,L}^M经过F_i^M的局部标架旋转到F_i^S所在标架得到，可知V_{i,L}^S=V_{i,L}^M公式2$

所以

$公式3V_{i,G}^S=R_{i,LG}^S\cdot V_{i,L}^M+F_i^S$

$R_{i,LG}^S=[L_{i,x}^S,L_{i,y}^S,L_{i,z}^S]这里没有转置符号$

投票详细过程

1. 在model和scene表面采集特征关键点，可以使用划分格子，在每个格子里查找到离格子中心最近的点作为特征关键点。
2. 利用shot算子，计算出每个特征关键点的局部标架和特征向量。特征算子计算
3. 利用kd树查询model 到scene的匹配特征向量。
4. 计算投票向量
   对于所有配对的特征点
   先计算出model场景下的全局投票向量
   根据公式1 计算出在model场景下的局部投票向量
   再根据公式2，3计算出在scene场景下的投票向量
5. 投票，对scene进行格子划分，遍历所有投票向量，对向量指向的格子进行加权
6. 筛选出权重比较大的格子，所有指向该格子的特征对为可信特征对
7. 利用可信特征对的点云进行icp匹配得到rt。icp

---

本人码农，希望通过自己的分享，让大家更容易学懂计算机知识。创作不易，帮忙点击公众号的链接，帮忙转发，感激不尽。