3D坐标学6D姿态：Learning 6D Object Pose Estimation using 3D Object Coordinates（笔记）——2014

应用3D目标坐标学习其6D姿态估计（笔记）——2014

《Learning 6D Object Pose Estimation using 3D Object Coordinates》

摘要

文章以单帧RGB-D图像估计特定目标的6D姿态，该方法可灵活地应对有无纹理目标，核心思想是一种学习的中间表示，冠以稠密的3D目标坐标标记与类标签配对的形式，是一种具有稠密学习特性的基于特征的方法。

引言

1. 多年来，对刚体的检测和2D / 6D姿态估计的主要限制于具有足够纹理量的物体。
2. 对于有纹理目标，成功的关键是使用局部特征的稀疏表示，要么通过手工设计，例如，SIFT功能，要么从数据中训练。通常分两步：（a）假假定的稀疏特征匹配，（b）匹配特征的几何验证。
3. 对检测无纹理或弱纹理刚体目标，基于模板的方法更有优势。但却有两个基本问题：
   （1）将完整模板与图像匹配，编码全局特征。而基于稀疏特征的表示是“局部的”，因此在遮挡方面更加鲁棒。
   （2）由于所需模板数不断增加，使其难以用于铰链的或可变形的对象实例以及对象类。
4. 文中的方法：（思想来源于【24】【28】）
   首先，回归一个中间的物体坐标表示，图像中的每个像素都以规范姿势投票给规范体上的连续坐标，称为Vitruvian Manifold。投票由随机森林完成，并使用经过训练的简单局部特征测试组合。
   其次，进行几何验证，通过定义1个能量方程，将这些对应关系与参数体模型进行比较。
   最后，通过能量最小化得到姿态参数。
   本质上，类似于传统的、基于稀疏特性的方法（a）和（b），具有密集的学习特性。
5. 系统实现（图1），需2步：
   （1)