几何尺寸与公差论坛

 找回密码
 注册
查看: 1157|回复: 0

基于关键点局部特征的三维识别与位姿估计——霍夫投票

[复制链接]
发表于 2022-12-20 09:28:46 | 显示全部楼层 |阅读模式
https://blog.csdn.net/weixin_44494725/article/details/104455048
一、算法特点:

(1)
基于全局特征的描述子对目标物体的描述,在识别时需要将场景点云分割,并且对遮挡、杂乱场景十分敏感;利用局部特征描述子来表述目标特征,不必对场景点云进行分割,对有遮挡场景,保持更高的鲁棒性。

(2)
建立特征处的局部坐标系,就能使得特征具有旋转不变性和平移不变性,不论在场景中还是模型中,对于同一特征点的局部坐标系是唯一的。

(3)
借助霍夫投票的方法,对参数空间进行投票,票数最高者为粗识别位置/位姿。

(4)
粗识别结果相当于给精识别一个有效的初值,在后面精识别(ICP)的迭代过程中,避免陷入局部最优解。

二、局部特征描述子与局部坐标系构建

在线下阶段,对模型进行采样,提取关键点,计算关键点的局部特征描述子(如SHOT描述子),并计算关键点处局部坐标系。坐标系的估计方法使用奇异值分解的方法,计算关键点邻域的协方差矩阵(或者以距离为权重的加权协方差矩阵),算出矩阵的特征值、特征向量,特征值由小到大对应的特征向量即局部坐标系(z,y,x)。

在线上阶段,首先对场景点云提取特征点,计算特征点的局部特征描述子,同时构建场景特征点的局部坐标系。借助k-d tree 搜索,找到模型描述子和场景描述子的特征点匹配(匹配原则可以基于两描述子的欧氏距离,设定阈值)。
————————————————
版权声明:本文为CSDN博主「weixin_44494725」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/weixin_44494725/article/details/104455048
您需要登录后才可以回帖 登录 | 注册

本版积分规则

QQ|Archiver|小黑屋|几何尺寸与公差论坛

GMT+8, 2024-3-29 22:09 , Processed in 0.036149 second(s), 21 queries .

Powered by Discuz! X3.4 Licensed

© 2001-2023 Discuz! Team.

快速回复 返回顶部 返回列表