基于关键点局部特征的三维识别与位姿估计——霍夫投票

huangyhg

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