三维计算机视觉 — 中层次视觉 — Point Pair Feature

  机器人视觉中有一项重要人物就是从场景中提取物体的位置，姿态。图像处理算法借助Deep Learning 的东风已经在图像的物体标记领域耍的飞起了。而从三维场景中提取物体还有待研究。目前已有的思路是先提取关键点，再使用各类局部特征描述子对关键点进行描述，最后与待检测物体进行比对，获得点-点的匹配。个别文章在以后还采起了ICP对匹配结果进行优化。

　对于缺少表面纹理信息，或局部曲率变化很小，或点云自己就很是稀疏的物体，采用局部特征描述子很难有效的提取到匹配对。因此就有了所谓基于Point Pair 的特征，该特征使用了一些全局的信息来进行匹配，更神奇的是，最终的位姿估计结果并不会陷入局部最小值。详细可参见论文：Model globally, match locally: Efficient and robust 3D object recognition. 与 Going further with point pair features。SLAM的重要研究方向object based Slam 也声称使用了Point Pair Feature进行匹配。

  为了更好的理解这种方法，而在pcl中也没有找到现成的算法，因此我本身用matlab实现了一遍。

 

  算法的思想很简单：

  0、ppf 特征为[d,<d,n1>,<d,n2>,<n1,n2>].

  一、针对目标模型，在两两点之间构造点对特征F，若是有N个点，那么就有N*N个特征（说明此算法是O(N2)的），N*N个特征造成特征集F_Set

  二、在场景中任意取1定点a,再任意取1动点b，构造ppf特征，并从F_set中寻找对应的，那么理想状况下，若是找到了彻底匹配的特征，则可得到点云匹配的结果。

  三、此算法是一种投票算法，每次匹配都能获得一个旋转角度，若是m个b都投票给了某一旋转角度则可认为匹配成功

 

  这个算法最大的问题就是不停的采样会致使极大的计算量。不过算法自己确实能够匹配物体和场景。

 

ppf 特征的构建

 

1 function obj = ppf(point1,point2)
2     d = point1.Location - point2.Location;
3     d_unit = d/norm(d);
4     apha1 = acos(point1.Normal*d_unit');
5     apha2 = acos(point2.Normal*d_unit');
6     apha3 = acos(point1.Normal*point2.Normal');
7     obj = [norm(d),apha1,apha2,apha3];
8 end

 

ppf 特征集的构建

 1 classdef modelFeatureSet < handle
 2     %MODELFEATURESET 此处显示有关此类的摘要
 3     %   此处显示详细说明
 4     
 5     properties
 6         FeatureTree
 7         ModelPointCloud
 8         Pairs
 9     end
10     
11     methods
12         function obj = modelFeatureSet(pt)
13             obj.ModelPointCloud = copy(pt.removeInvalidPoints());
14         end
15         function growTree(self)
16             self.ModelPointCloud = pcdownsample(self.ModelPointCloud,'GridAverage',.1);
17             pt_size = self.ModelPointCloud.Count;
18             idx = repmat(1:pt_size,pt_size,1);
19             tmp1 = reshape(idx,pt_size*pt_size,1);
20             tmp2 = reshape(idx',pt_size*pt_size,1);
21             pairs = [tmp1,tmp2];
22             rnd = randseed(1,1000,1,1,pt_size*pt_size);
23             pairs = pairs(rnd,:);
24             Features = zeros(size(pairs,1),4);
25             for i = 1:size(pairs,1)
26                 Features(i,:) = ppf(self.ModelPointCloud.select(pairs(i,1)),...
27                                     self.ModelPointCloud.select(pairs(i,2)));
28             end
29             self.FeatureTree = createns(Features);
30             self.Pairs = pairs;
31         end
32     end
33 end

View Code