Intrinsic shape signatures: A shape Descriptor for 3D Object Recognition 论文阅读

最新推荐文章于 2024-06-10 22:18:41 发布

Runesia

最新推荐文章于 2024-06-10 22:18:41 发布

阅读量170

点赞数

分类专栏：组会论文阅读文章标签： python

本文链接：https://blog.csdn.net/runasia/article/details/131869208

版权

组会论文阅读专栏收录该内容

1 篇文章 0 订阅

订阅专栏

Intrinsic shape signatures: A shape Descriptor for 3D Object Recognition 论文阅读

本文章肯定有错误，只是个人阅读理解该算法的大概。请结合自己阅读过程来参考，主要是读的论文涉及了ISS算法，而其他人写的说实话没有直接理解到基点，也暂时没有什么好视频讲解过这个算法，只能说奇葩的方向泥巴与黑森林太多，又不好确认自己有没有必要绕开它。

总体来讲

1作者设计了一种本质形状签名的东西来描述点云的形状特征，它的特点是不需要估计面的法向量，与点云视角无关，都是基于点云本身来设计描述子的，而且抗噪性质不错，但也有极限，能选择到的特征点也挺多，大概有全部点云的1/4。

2论文用ISS进行了位姿估计与3D匹配的的具体过程

3设计了一套快速允许对大型模型数据库进行快速准确的搜索（抄的翻译，这一句）本文章不涉及，原因是我的方向目前需要的是如何描述3D特征。

ISS算子

本来按照一般思维，手工的匹配算法介绍顺序一般是：特征点的选取，基于特征点构建特征向量，基于特征向量讨论匹配或者其他问题。但由于该算法特征点的选取与构建特征向量相关，且特征向量是先讲的。故顺序会有调换，先讲特征向量相关的东西，再去讲特征点的选择（比较简单）。

特征向量

iss(intrinsic shape signature )形状特征向量包含两个部分，一个为特征点(基点)的内在参照系(intrinsicreference frame )，一个为三维形状特征向量（ 3D shape feature vector）。

$ISS)S_i=\{F_i,f_i\}$

按照我自己的想法，1 $F_i$ 为构建坐标系 2 $f_i$ 通过划分球体表面多面体作为来描述空间具体信息的箱子（切西瓜）。

第一部分构造坐标系

构建坐标系简单的来说，即基于基点构造一个加权散射矩阵COV(pi)
在这里插入图片描述
（论文是散射矩阵，协方差矩阵似乎也很符合），然后计算特征值与特征向量（一一对应的），将特征值从小到大排序，然后将最小的两个特征向量x1,x2取外积（直接理解为垂直也行）得到一个新的向量x3。如此一来，三个特征向量x1,x2,x3就能组成一个坐标系。散射矩阵的三个特征向量祖成了signature签名的一部分，或者说特征描述子的一部分。公式如下：

$F_i=\{p_i,\{e_i^x,e^y_i,e^z_i\}\}$

$p_i$ 即基点，或者说是之后讲的特征点，后面为三个轴的特征向量

实际上，还有两个问题跟一个论文上讲了的点没讲，单独拿出来讲讲。

1为什么散射矩阵可以用来建立点云的内部坐标系？

散射矩阵的特征值实际上可以表示点云的曲率，如果某处点云的曲率大，那么该点云表达的是一个变化的信号，如果某处点云曲率小，那么该点云表达的是一个不变的信号。也就是说任何局部，或者全局点云都会有曲率这一特征，通过该特征来来建立坐标系，可以方便的对已经匹配的点计算点云变换的姿态。论文也有提到这一点，甚至搞了个聚类的说法。我个人觉得挑出匹配的特征点，做个求解旋转加变换矩阵，做一个qa分解，然后根据qa分解后的旋转矩阵去做聚类，最后选择个聚类中心，可能会有点效果。

2为什么要加权？

我个人是觉得是希望点云的多少对等面积划分的改进，论文说是对不均匀抽样的改进。

3坐标系的"模糊"

我们在计算x1,x2,x3特征向量的过程中，为了建立坐标系实际上需要正确的方向。

假设点云均位于同一个平面，那么方差最小的方向自然会垂直于平面，那假设这个方向是x3，也就是z轴，那么它是在平面的上方？还是在平面的下方？作者通过让上面的x1,x2,x3坐标系，分别按照x轴，y轴，z轴旋转90°，构建出一共四个坐标系。也就是说，通过x1,x2,x3，以及上述的操作，实际上一个坐标系有了四个可能的真实坐标系。

第二部分通过划分球体表面多面体作为来描述空间具体信息的箱子(切西瓜)

简单来说，这个西瓜的切法分为两个部分，一个基于极坐标以及八面体细分，围绕着球体切出66份。想象成针扎的感觉的切法。另一个部分是根据最远的点的距离平分为L份(这个L 作者没解释，我猜的，估计是错的，我是sb),这一次的切法像大树的年轮的那种感觉，基点会占着中心一块，其他的分区也各占着一块。然后这两种切法一融合，再通过计算每个切出来的box基于点云数量的权重，放到 $f_i$ 中，即完成了一个特征向量的第二部分的构建。

公式如下：

$f_i=(f_{i0},....f_{i,k-1})$