PPF 6D位姿检测理解

文章：Drost et al. Model Globally, Match Locally: Efficient and Robust 3D Object Recognition. CVPR, 2010.
基本思想可以参考：https://zhuanlan.zhihu.com/p/94952276

这里主要写自己理解的大致总结
1.利用模型建立模板，模板的产生过程是通过计算一对点的距离向量，两个点的法向量与距离向量的角度以及，两个法向量之间的角度，四个特征，然后利用hash表进行模板存储，遍历每个点找其结对子（遍历其他点）（Mr，Mi），比如如果选取全部点进行计算模板，假设有100个点，那共100个点，每个点由99个对子，则会计算100*99次，这样就建立模型的对子模板。
2.对场景点云（待检测对象），选取一部分点S，对S集中每个点计算其对子特征，其对子来自S中的其他点（Sr，Si），然后用hash函数计算其key，找到对应key里面的模板数据M’集（可能没有，也可能有多个），对M’里面的每一对子模板与当前的(Sr，Si）计算 α（即把法向量都变换到世界坐标的X轴，然后Mr绕X世界坐标系的X轴转α角度与Sr重合），为什么能够重合呢，因为根据特征去搜hash表，对应的mr其四个特征基本是一样的，包括法向量与距离向量的角度，因此是能够重合的（不是完全重合），然后建立相应的投票表格存入,比如每行代表Mr，每列代表α的一个值，每次搜到Mr对子，就在相关Mr行α列投票+1，最后宣传票数最高的α，这个就可以求得位姿变换矩阵。其背后的原理就是两个刚体，其所有刚体的每个点其对应的变换矩阵肯定是一样的，每次（Sr，Si）去找模板匹配，理想情况系都会有一次为目标α，因此最后的α应该是出现概率最高的。
3.因为α可能会聚焦某个区域，因此通过聚类，在得票最多的类内进行平均α,有了α加上之前 M和S点法向量转到x轴的T，就可以通过变换矩阵相乘求得最终的T。
4，后面可以用ICP进行优化