8、隐式形状模型作为星形场景分类器

隐式形状模型作为星形场景分类器

在场景识别领域，隐式形状模型（Implicit Shape Models，ISMs）作为一种有效的方法，在处理复杂场景时展现出了独特的优势。本文将详细介绍基于 ISMs 的场景分类器的学习和识别过程，包括旋转对称物体的姿态归一化、ISM 表的生成、场景识别的投票和验证步骤等内容。

1. 旋转对称物体的姿态归一化

在场景识别中，准确确定物体的姿态是关键。然而，对于旋转对称物体，其姿态的确定存在一定的困难。旋转对称物体是指关于其固有坐标系的某一轴 $n(o)$ 对称的物体，这意味着其绕对称轴的方向 $\theta$ 在物体定位的每个姿态估计 $T$ 中是模糊的。

例如，在“准备早餐的餐桌布置”场景中，部分物体具有旋转对称性。由于传感器数据记录条件（如机器人头部的姿态）的不同，同一静止物体的姿态估计可能会有所差异。这会导致场景识别所依赖的相对姿态值不仅取决于场景内物体的状态，还受外部条件的影响，这与场景识别的要求相矛盾。

为了解决这个问题，我们引入了参考框架 $T_N$ 对旋转对称物体的自由度进行统一参数化，即姿态归一化。参考框架可以是世界坐标系中的固定位置（世界框架），也可以是场景类别中一个非旋转对称的物体 $o_N$。

• 世界框架归一化 ：所有物体估计都相对于世界框架表示，因此在任何时间点都已知。但旋转对称物体的方向会被全局固定，无论其在空间中的位置如何。例如，在不同的局部场景中，杯子相对于勺子的相对方向可能会因归一化而不同。
• 非旋转对称物体归一化 ：每次进行场景识别时，该物体的姿态 $T_N$ 必须