Rotational Projection Statistics for 3D Local Surface Description and Object Recognition

        本博客是针对论文《Rotational Projection Statistics for 3D Local Surface Description and Object Recognition》的一篇学习笔记。该论文介绍了一种在存在噪声和遮挡的情况下进行特征提取并创建描述符Rotational Projection Statistics (RoPS)的方法。该方法包括三个模块：定义局部参考帧（LRF），RoPS特征描述和3D对象识别。其中实现部分作者分别采用如下方法：

1. 通过计算位于局部表面上的所有点的散射矩阵来定义LRF
2. 通过将特征点的相邻点旋转投影到2D平面上并计算这些投影点的分布的一组统计（包括低阶中心矩和熵）来获得RoPS特征描述符。
3. 使用所提出的LRF和RoPS描述符建立了分层三维物体识别算法。

一、物体识别

        目的：正确识别场景中存在的物体并恢复它们的姿势（即位置和方向）。

        存在问题：在有噪声、网格分辨率变换、遮挡和杂乱的情况下识别来自距离图像的对象仍然是一项具有挑战性的任务。

        目前基于3D对象识别的算法主要包括：基于全局特征和基于局部特征。 基于全局特征的算法构造了一组特征，这些特征对整个3D对象的几何属性进行编码。结合全局特征来进行3D对象识别主要是使用深度学习来完成，例如PointNet、PointNet++、PointCNN等方法。而基于局部特征的算法定义了一组特征，这些特征编码特征点的局部邻域的特征。基于局部特征的算法对于遮挡和杂乱是鲁棒的，因此可以很好地进行物体识别。

        目前提出的基于局部特征的算法论文主要有Point Signature、Using spin images for efficient object recognition in cluttered 3D scenes、Three-dimensional model-based object recognition and segmentation in cluttered scenes、3D geometric scale variability in range images: Features and descriptors。这些算法都包括三个阶段：特征匹配、假设生成和验证、姿态细化。对于局部特征描述符，根据是否使用本地参考帧（LRF）可以分为两类：（没有任何LRF的特征描述符情况下）使用直方图、局部几何信息（例如，法线，曲率）的统计来形成特征描述符。

        这篇论文中提出的Rotational Projection Statistics (RoPS)方法是一种用于局部特征描述和物体识别的方法，通过特征分解和符号重构来完成的LRF构造。

二、局部曲面特征描述

（一）Local Reference Frame

        作者在此通过对位于局部表面上的所有点的散射矩阵执行特征值分解来确定LRF的三个轴。 通过将方向与点散射的区域对齐来消除每个轴的符号。作者在这里用球体的局部表面网格和网格中的点来进行的例证：

        给定特征点p和支撑半径r，对于以p为中心、半径为r的球体，从距离图像中裁剪包含N个三角形和M个顶点的局部表面网格S。 对于具有顶点