3D目标识别:全局建模,局部匹配: 高效稳健的 3D 目标识别(笔记)
摘要
文章主要解决点云中自由形态下三维目标的识别问题,提出了基于方向点对特征和局部模型匹配的快速投票架构,建立全局模型描述的方法,在噪声、杂波和遮挡的背景下具有较高的3D目标识别效率。
1.全局法在3D目标识别速度、精度和泛化性上表现不佳,基于局部不变特征的局部法效率高,但对目标表面分辨率和模型数据质量要求高;
2.全局模型描述法为相似特征的点对实现全局分布,以稀疏方向点对的表示形式,在保证识别效率的基础上提升计算和识别速度;
3.类似于广义霍夫变换的快速投票方案,用于在局部缩减的搜索空间中优化模型姿态,该搜索空间根据模型上的点和围绕表面法线的旋转进行参数化。
相关工作
使用广义霍夫变换的变体检测对象,仅限于原始对象,因为具有6个自由度的完整3D姿势恢复计算太昂贵。
局部法 描述器:围绕特定点周围使用低维描述法,描述目标表面 局部描述难以识别具有局部相似性的圆形、圆柱、圆面等目标 在离线阶段,创建全局模型描述。在在线阶段,选择场景中的一组参考点。场景中的所有其他点都与参考点配对以创建点对特征。这些特征与全局模型描述中包含的模型特征相匹配,并且一组潜在匹配被检索。每个潜在的匹配通过使用有效的投票方案投票给对象姿势,其中姿势相对于参考点被参数化。该投票方案最终返回最佳对象姿势。
我们首先介绍点对特征,然后描述如何使用这些点对特征构建全局模型描述。然后我们详细描述投票方案。
模型描述和投票方案(核心部分)