16、三维姿态估计与分割方法详解

三维姿态估计与分割方法详解

1. 三维姿态估计基础

在三维姿态估计中，有两种假设用于计算姿态。第一种假设是在深度不变的情况下，使用 MOCCD 算法计算最终的三维姿态，其中最佳匹配矩形的姿态用于初始化。第二种假设则采用基于二维相关性的姿态细化算法。具体操作如下：
- 利用最后有效的三维姿态向量 T 将围绕前臂的矩形投影到相机 1 的图像中。
- 以此矩形为起点，进行二维贪婪优化，寻找与上一有效时间步的参考模板具有最高归一化互相关的矩形的中心和旋转。
- 从最佳匹配矩形推断出三维姿态，并将其作为 MOCCD 算法的初始化。

根据验证模块的标准，确定两个假设中较好的一个。若较好的假设通过验证模块，则使用相应的三维姿态继续跟踪。

2. 点云分割概述

对于基于点的三维姿态估计方法，需要明确三维模型点与二维图像点之间的对应关系，此时物体姿态估计问题等同于确定相机的外部方位。而基于外观的姿态估计方法则不依赖明确的对应关系，而是最小化根据估计姿态得到的物体预期外观与真实物体外观之间的差异。

在许多场景中，场景的三维描述以点云的形式呈现，如通过立体图像分析或激光扫描设备获取。初始时，点云不包含场景中物体的信息，因此将点云分割成物体是一项重要任务。分割方法可分为两类：
- 无先验知识的场景分割：可通过聚类方法实现。
- 基于模型假设的点云分割：重要方法是迭代最近点（ICP）算法。

3. 聚类方法

聚类是在没有物体大小和形状先验知识的情况下进行场景分割的合适方法，可将一组点划分为由相互相似的点组成的部分。常见的聚类算法如下：
| 算法名称 | 算法描述