作者：袁野Date:2023-03-22来源：物体三维识别与6D姿态估计： PPF系列论文介绍(一) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) )。
一.前言
近年来，随着消费级深度机器的普及，深度相机引导机械臂完成抓取备受关注。 其中，物体识别和姿态估计是机器人手臂完成抓取的关键。 对于物体识别和姿态估计，可以分为传统的手工特征提取方法和基于深度学习的方法。 以下主要介绍传统经典方法——点对基于特征的( PPF )系列方法。
2023年ICCV在韩国举办的&； #039； 6 dobjectposeestimationchallenge & amp； #039； 那么，基于PPF的方法不输于目前火热的深度学习类方法。 下图是Leaderboard，Drost和Vidal方法基于PPF。
二. PPF系列论文简介
1 .“模型全局，匹配位置： efficientandrobust3dobjectrecognition”
这篇文章是PPF的鼻祖，2010年发表在CVPR上。 将构筑这2点与其法线向量之间的几何关系而形成的4维特征作为点对特征( Point Pair Features )。 在一条直线下创建一个散列表，将模型的所有四维特征保存为模型的整体描述。 在线匹配阶段借用全局坐标系简化刚体变换自由度，简化姿态计算。 同时利用广义霍夫变换的投票思想，对参数空间进行投票，得到可靠的姿态。
DOI:10.1109/CVPR.2010.5540108
2 .“3 dposeestimationofdailyobjectsusinganrgb-d camera”
Drost方法很快受到广泛关注，Choi等人在2012年对PPF进行了改进，以传统的四维几何点为特征对颜色信息进行了扩展，得到了名为CPPF的10维特征描述符。 颜色数据集获得了比原始PPF更好的效果。
DOI:10.1109/IROS.2012.6386067
3 .“rg B- dedgedetectionandedge-based registration”
2013年，Choi等人继续对PPF进行改进，提出了利用“boundary-to- boundary”的边缘点对构建特征等不同类型的点对几何关系。 这无疑大大减少了积分的数量，无论是在训练阶段还是在匹配阶段都变得非常大。提高的速度加快了。 而且，这种改善对包括很多平面的物体显示出了良好的效果。
DOI:10.1109/IROS.2013.6696558
4.“Learning to Rank 3D Features”
2014年，Tuzel等人发现，当对象本身存在许多重复特征或表现出简并性时，传统PPF方法的性能下降，同时这种情况非常常见。 由此，提出最大的边缘学习框架，识别三维物体表面的识别特征。 具体来说，学习了散列表bin的权重值和模型点的权重值。 算法根据特征在特定任务中的重要性对特征进行选择和排序，实现了提高的准确性和计算成本的降低。
doi:10.1007/978-3-319-10590-1 _ 345 .“pointpairfeaturesbasedobjectdetectionandposeestimationrevisited”
虽然以前的PPF系列方法得到了改进，但总体pipeline基本一致。 Birdal等人在2015年从pipeline上改善了PPF。 文章结合目标检测和由粗到细的分割，其中每个分割都需要进行独立的姿态估计。 在匹配过程中，使用了加权霍夫投票和插值恢复的姿态参数。 最后，所有生成的假设都通过一个遮挡感知排序进行验证和排序。 特别是，为了这种扩展的姿态检索，新的pipeline不需要ICP的优化，并且能够在速度和精度之间得到更好的权衡。
DOI:10.1109/3DV.2015.65
