Model Globally, Match Locally 个人理解

Model Globally, Match Locally

参考资料

1、论文
Model Globally, Match Locally: Efficient and Robust 3D Object Recognition.

算法原理介绍

1.voxel体素滤波精简

2.所有点循环每个点建立4维度的特征集合（训练与场景一起）

给定指定距离步长，角度步长建立hashmap 其中hashmap的键由四个数据组成 （组成算法没有在源码看懂）猜测是每一个维度因为取整的因素其总数量都固定，那么总数量就固定了，加入点（2，2，2，2） 键为：2*（后三个总和）+2*（后两个总和）+2*（后一个总和）+2

3.因此场景点云来了以后相同的体素后去hashmap查找相同的值，找到匹配点对以后进入下一步

4.根据匹配模板点计算一个点的法向量与（1，0，0）之间差的角度并求出旋转轴组成旋转矩阵，场景点做同同的处理，并保留两者的角度信息 就会得到（mr,a） mr为找到的模板和算出来的角度。
对于根据上述描述：一个场景参考点sr，他有大量的点对srsi（i∈scene cloud），对所有的srsi求PPF，由此找到哈希表对应的mr’mi’，同时得到一个α’。那么，我们就在建立的二维矩阵上，投一个票。
我们对这一个场景参考点sr的所有点对srsi都进行这个操作，最后就得到了一个投票表。（注意：这个投票表示针对这个特定的参考点sr的 （二维矩阵投票表）），表一定有一个峰值，这个峰值对应的mr’’，α‘’便是这个场景参考点sr的最佳局部坐标系，由mr’’，α‘’算出的来的位姿，视为最理想位姿（假设这个场景参考点sr一开始就在场景目标中，而不是在场景中其他的物体上）
多说一句，投票矩阵怎么建立？
纵坐标是模型点数，因为我们在线下阶段对模型中的所有点对都求取了PPF，所以任何一个模型点都可以是mr；
横坐标是α，其值是（2π/△angle），并上取整。（△angle仍取π/15）

5 因此对于没一个场景点云Sr 都存在一个投票表和一个最高票数的姿态 .我们把相近的位姿放到一起作为一类（这些位姿在旋转和平移上不超过一个既定阈值），这个类有一个分数（分数=类中所有位姿在上一阶段的投票数之和），分数最高的类，我们将类中的pose取平均，认定为最终的pose。
同时，scene中可能有不止一个的目标，我们去分数最高的两个类，作为结果。

原文链接：https://blog.csdn.net/weixin_44494725/article/details/102984750