谈谈Point Pair Features (一)
作者:互联网
这是一篇文献阅读笔记,也是对自己一年多以前相关工作的总结。
基于Point Pair Features(PPF)的6D姿态估计方法,是在机器视觉领域应用广泛的一种物体位姿提取方法。大名鼎鼎的Halcon,其Surface Matching 模块就是在这种方法的基础上做的优化。(Halcon有一份technique notes 专门讲该模块的使用)。
这种方法具有什么优势呢?
- 在工业场景中,有大量缺少表面纹理或局部曲率变化很小的物体,无法利用局部特征提取匹配点对,因此基于局部特征点匹配的姿态估计方法无法使用
- 该方法的输入,model(物体模型)与scene(场景)均为点云;随着3D传感器技术的发展,市场上出现了很多极具性价比的工业级3D传感器,获取高质量点云的成本越来越低
该法的原理,有篇文章珠玉在前PPF原理,对原论文讲解很详细,这里不再重复,我想强调几个点:
-
一个高度概括:原论文的标题,"Model Globally, Match Locally"高度概括了该法的优点;所谓Model Globally,是指对model中所有的点对(任取两个点组成一个点对,遍历所有可能的组合)都计算了PPF描述子,以描述子为key,以这两个点为value构建hash table, 该hash table可以看作是对model 的一个global的描述; 在使用scene进行匹配的时候,同样要对scene中所有点对计算PPF描述子,然后在hash table中进行查找;
-
一种思想:广义霍夫变换是一种2D 形状匹配方法,早已于上世纪80年代提出。PPF可以看作该法的3D推广。基于Hough Voting思想,PPF描述子可以看成是一种“去中心化”的特征描述子。什么是“去中心化”?就是说两个点到底匹不匹配,不像传统的局部特征描述子,依赖点的局部信息,而是要靠其他的点来投票。尽管会有噪声影响,但是正确的匹配一定会在投票过程中被“群众”突显出来,取得最高票数。由于PPF采取了Hough Voting的思想,因此继承了其优缺点:
- 优点:
- 对于轻微形变、遮挡鲁棒性好
- 抗噪声能力强
- 可一次提取出多个目标(对比Ransac与Hough Voting, 两者都是做model fitting的经典方法,但是Hough voting在这一点上胜过Ransac)
- 缺点:
- 参数空间维度高,空间复杂度和时间复杂度都很高;
- 优点:
-
一个Intuition: 直观理解一下原文中做姿态估计的过程。两个点云如何align到一起?找到一对匹配点,先将这两个匹配点align到一起,并且他们的法向量方向也要一致;剩下只差一个绕着法向量的旋转角度。这个Intuition决定了在什么样的参数空间进行Hough Voting: 参数空间有两个维度,原文中为 ( m r , α ) (m_r,\alpha) (mr,α), m r m_r mr代表了在model中,scene中 s r s_r sr的匹配点; α \alpha α代表了绕法向量的旋转角度;
标签:匹配,PPF,Point,Hough,scene,Pair,model,Voting,Features 来源: https://blog.csdn.net/pingjun5579/article/details/120403482