3D目标识别：Model Globally, Match Locally: Efficient and Robust 3D Object Recognition（笔记)——2010

3D目标识别：全局建模，局部匹配： 高效稳健的 3D 目标识别（笔记)

摘要

文章主要解决点云中自由形态下三维目标的识别问题，提出了基于方向点对特征和局部模型匹配的快速投票架构，建立全局模型描述的方法，在噪声、杂波和遮挡的背景下具有较高的3D目标识别效率。

1.全局法在3D目标识别速度、精度和泛化性上表现不佳，基于局部不变特征的局部法效率高，但对目标表面分辨率和模型数据质量要求高；
2.全局模型描述法为相似特征的点对实现全局分布，以稀疏方向点对的表示形式，在保证识别效率的基础上提升计算和识别速度；
3.类似于广义霍夫变换的快速投票方案，用于在局部缩减的搜索空间中优化模型姿态，该搜索空间根据模型上的点和围绕表面法线的旋转进行参数化。

相关工作

使用广义霍夫变换的变体检测对象，仅限于原始对象，因为具有6个自由度的完整3D姿势恢复计算太昂贵。
局部法 描述器：围绕特定点周围使用低维描述法，描述目标表面 局部描述难以识别具有局部相似性的圆形、圆柱、圆面等目标 在离线阶段，创建全局模型描述。在在线阶段，选择场景中的一组参考点。场景中的所有其他点都与参考点配对以创建点对特征。这些特征与全局模型描述中包含的模型特征相匹配，并且一组潜在匹配被检索。每个潜在的匹配通过使用有效的投票方案投票给对象姿势，其中姿势相对于参考点被参数化。该投票方案最终返回最佳对象姿势。

我们首先介绍点对特征，然后描述如何使用这些点对特征构建全局模型描述。然后我们详细描述投票方案。

模型描述和投票方案 （核心部分）

两个方向点的点对特征F

在模型表面计算全部点对特征F，然后将相同特征向量放入集合A；

模型描述表示为：由采样特征F索引的散列表（Hash table哈希表）；

在场景中找到随机参考点sr，然后与模型匹配点及法线对齐 ；

因此，可以通过模型上的点m和旋转角α来描述从模型空间到场景空间的刚性运动。(mr,α)称为模型对场景的局部坐标

局部模型坐标到场景坐标的变换；

局部坐标有三个自由度：一个用于旋转角度α，两个用于模型表面上的点；

投票架构：二维累加器阵列，列数Nm=模型采样点数|M|，行数Nangle=旋转角α的采样步数；

场景中的参考点与每一个点进行配对，然后在模型表面搜索与其有相同特征的点对(mr,mi)，旋转角α由方程（2）确定，随后进行投票；

累加器阵列中的**峰值（是什么）**对应于最佳局部坐标；

为加速计算α，将其拆为两部分，α = αm −αs，然后对Rx(α)进行拆分（不太懂数学意思） 计算出αm存贮在模型描述符中，对于每个场景点对（sr，si），αs仅需要计算一次，并且最终角度α是这两个值的简单差异。

姿态聚类：对于旋转和平移不超过一定门限的恢复姿态进行聚类，其中，所包含姿态的总分=一类姿态得分，某一姿态得分=投票架构所得票数，然后对一类姿态中的多个姿态取平均。该法通过移除孤立点，增加了算法的稳定性和姿态的准确性。