姿态估计:Model Based Training, Detection and Pose Estimation of Texture-Less 3D Objects(笔记)——2012

本文提出了一种使用Kinect RGBD传感器对无纹理3D目标进行自动建模、检测和跟踪的框架。通过改进LINEMOD方法,结合RGBD信息进行多视角模板匹配,提供姿态粗估计。在高杂乱场景下,该方法能够处理大量杂波和中度遮挡,同时检测多个目标,提高了13%的检测正确率。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

高杂乱场景下实现基于模型的无纹理3D目标训练、监测和姿态估计(笔记)——2012

** Model Based Training, Detection and Pose Estimation of Texture-Less 3D Objects**

摘要

文章提出了一个使用Kinect体感相机(RGBD sensors),实现对3D目标自动建模、检测和跟踪的构架。基于LINEMOD法(其目标检测部分主要运用基于模板的LINEMOD方法,通过改进,提升13%检测正确率),利用RGBD信息,完成多视角模板匹配,提供姿态粗估计,具有可在线实时学习3D模型能力,可处理大量杂波和中度遮挡场景,能同时检测多目标。

引言

  1. 视觉应用,增加深度信息提升稳定性
  2. 基于LINEMOD法,利用深度和色彩信息,完成多视角模板匹配,提供姿态粗估计
  3. 原始的LINEMOD法有3点不足:(待优化)
    (1) 在线学习模板难以控制且视点覆盖不均
    (2) 只能输出姿态概略估计
    (3) 存在误报
  4. 主要贡献:
    (1) 提出了易使用、可靠、快速实时架构
    (2) 提出了由15个配准的1100+多帧视频序列组成的15种不同的对象的数据集

相关工作

  1. 机图像Camera Images 基于图像的目标检测分为:
    (1) 基于学习的方法:对如人脸、汽车等特定类目标概括较好,但限制在特定类、大数据集、训练时间
    新特征BOB (bag of boundaries):在训练集图像中的给定点处,是图像轮廓的边界直方图。泛化能力好,但实时性准确性不佳
    (2) 基于模板的方法:无需大量模板和训练时间 以上方法不是易受背景杂波影响就是实时性差

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值