邓辉

个人站

欢迎来到我的个人站~


Fast template matching and pose estimation in 3D point clouds 笔记

这是2019年4月发表在compute&graphics 期刊上的一篇基于模板匹配的3D点云中位姿估计。 该论文有以下四大两点(源自于作者自己的言论–哈哈):

  • 将模板匹配的方法用于点云(这个有点牵强,明明就是基于特征描述子的点云配准)
  • 基于点对特征的匹配
  • 有目标的随机策略点云采样方法(主要是从点云中提取出边缘点,用于加速匹配)
  • 快速、近似、基于格网的点云匹配估计(就是采用近似邻域检索,提高检索效率,并不保证找到的是准确的最近邻点)
  • 二次量级的加速

1. 介绍

这篇文章的主要贡献如下:

  • 基于一个新的边缘探测方法,实现有目标的点云采样策略。点对之间保持有效的点云变换估计;
  • 一个两部取样的方法(即,基于点对先粗略的估计一下该点对得到的变换矩阵是否可靠,对得分较高的进行仔细的评估);
  • 假设确认能够有效的起到加速效果,通过采用基于格网的近似方法。
  • 额外的假设测试能够有效的避免超过80%的假设确认的计算;
  • 二次量级的计算效率提升

    2. 相关工作

基于Point Pair Feature(PPFs)描述子的3D目标识别方法是比较有效的识别方法, 基于对该方法的改进,有在该方法的基础上添加图像特征的方法;还有对HASH MAp进行改进, 以实现加速效果。还有采用RANSAC的方法进行变换假设估计。还有采用三角点对的特征描述方法, 该方法能够有效的提高识别率,但是相对于噪声尺度较大的情况,两两点对的特征描述效率更高。


3. 方法论

3.1 preliminaries/Preprocessing

本论文中使用的绝大多数参数都依赖于我们预先设定的两个基本参数:模板匹配点云的对角线长度、近似点云的分辨率(即最邻近点在该分辨率下–我这谜一样的表述)。 模板点云和扫描点云的近似分辨率一致。扫描点云的边缘探测方法能够实现线上计算(对效率很自信me)。

3.2 Edge Detection

对每个扫描点云和模型点云都计算一个五维的特征向量

计算每个点p在邻域半径r内的协方差矩阵,公式为:

其中,h()是一个固定标准差的高斯加权。然后求得协方差矩阵的三个特征值和特征向量。按照特征值从大到小排序,中间特征值对应的特征向量方向就是其边缘指向方向。具体可见图2. 五维的特征向量f(p)数值分别如下:

  • fa(p) -p点法向于


转载请注明原地址,邓辉的博客:https://github.com/my-lord/mylord.github.io 谢谢!


#请各位大佬多多打赏


打赏一个呗

取消

感谢您的支持,我会继续努力的!

扫码支持
扫码支持
扫码打赏,你说多少就多少

打开支付宝扫一扫,即可进行扫码打赏哦