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

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

5. 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