echarts 立体堆叠柱状图_基于三维向量对的乱序堆叠物体的位姿识别

最新推荐文章于 2024-06-17 10:01:20 发布

weixin_39559895

最新推荐文章于 2024-06-17 10:01:20 发布

阅读量222

点赞数

文章标签： echarts 立体堆叠柱状图

针对乱序堆叠物体的高效识别问题，该文提出了一种基于3D向量对的快速识别方法。通过利用向量对的表面正态分布特征和可观察性因子，提高了识别性能。实验表明，这种方法将识别成功率从45.8%提升至93.1%，并具备足够的实时性，适用于机器人拣选任务。

摘要由CSDN通过智能技术生成

Date：2020-7-28
作者：仲夏夜之星
原文链接：基于三维向量对的乱序堆叠物体的位姿识别
欢迎加入国内最大的3D视觉交流社区，1700+的领域从业者正在一起学习~

摘要：针对乱序堆叠物体识别效率低、速度慢的问题，提出一种快速可靠的3D对象检测可以应用于复杂场景中随机堆积的物体。所提出的方法使用“3D向量对”具有相同的起点和不同的终点，并且它具有表面正态分布作为特征描述符。通过考虑向量对的可观察性，提出的方法已取得较高的识别性能。可观察性向量对的因数是通过模拟可见光来计算的从各种角度来看向量对的状态。通过整合提出的可观察性因子和独特性因子，向量对可以有效提取和匹配，并将其用于对象姿态估计。实验已经证实，提出的方法较先进的方法，识别成功率从45.8％提高至93.1％，提出的方法的处理时间对于机器人垃圾箱拣选来说足够快。

相关方法

1.三维向量对的结构

一般来说，对于一个物体的刚性变换仅仅需要三个3D点来表示即可，三维向量对的三个点有相同的起点和不同的终点。向量对结构如图1所示：

图1 三维向量对的结构向量对V有相同的起点P和不同的终点和，位置矢量和分别由和表示，和之间的角度为，向量对的特征用等式1来计算：

其中、和为P、和的法向向量，n为的法向量。

2.三维向量对的提取

首先，向量对提前设定的参数、和从目标模型提取，三维共现直方图由方程2和3生成：

其中N是提取向量对的数量，向量对特征的数量是通过直方图累加得到的，通过使用柱状图，向量对的发生概率由公式（4）得以计算，给定一个发生概率 ℎ,我们用1− ℎ( , 1, 2)来表示特殊性向量。

3.利用可视性来提取向量对

a.可视性的定义

通过使用一个目标物体来表示点云，物体表面的可视性受深度测量方法、传感器的内部影响、传感器到物体的距离、观测点的方向和物体的形状的影响。本文研究中，我们没有考虑前三者，因为以前不太容易得到关于它们的信息执行识别过程。因此，本文通过仅仅计算了后两者因素，将对象模型指向投影平面的一个视点向量作为法向量，来确定可观察的点，投影到同一平面坐标，离该坐标最近的为投影平面。图2显示了投影平面的示例以及可观察点。

图2 投影平面以及可视点

b.可视性的计算

对象模型的可视性是通过每个表面的点云随机处理来实现的，点p的可视性由公式（5）来计算。

其中表示可视向量的方向，当点p可以被观察到函数就返回1，K表示可视点的数量，图3显示了从500个视点计算的对象模型的视图相应的可观测视图。

图3 对象模型和可视图对象模型的概述如(a)和(c)所示，相应的可观测视图出现在(b)和(d)。蓝色和红色分别表示低和高的可观测性，对于外部轮廓零件可观测性较高而对于缩进部件的可观测性最低。本文计算了 (V)，向量对v的可观测性，通过使用相同的方法来计算表面可观测性的数据点。当、 1和 2存在的概率同时观察到， (V)由方程6计算。