16、基于点云的尺度不变投票式3D识别与配准

基于点云的尺度不变投票式3D识别与配准

在计算机视觉领域，3D形状识别与配准是一个重要的研究方向，特别是在工业部件识别系统中。本文将探讨一种新的方法，它能够同时处理尺度、旋转和平移的变化，为3D形状识别与配准带来了新的解决方案。

1. 背景

1.1 全局方法与局部方法

从3D点云识别和配准刚性物体是计算机视觉中的一个经典问题。通过不同传感器获取的3D点云，除了包含物体的相关数据外，还常常夹杂着一些无关的邻近杂波，而且相关数据往往也不能完整地捕捉物体的形状。解决这个问题主要有两种方法：全局方法和局部方法。

全局方法依靠从点云的完整3D几何中提取的全局特征来识别物体，例如球谐函数、形状矩和形状直方图等。然而，这些方法在处理部分形状时存在困难，因为全局特征对形状部分的缺失和杂波的出现都非常敏感。

相比之下，局部方法在处理遮挡和杂波方面表现出了优势。近年来，在2D物体检测和物体分类中，使用局部特征的方法取得了很好的效果。在3D领域，也有许多使用局部特征的成功案例，如Spin Images、3D Shape Context等。这些方法能够整合大量物体部分的信息，具有良好的泛化能力。

许多局部方法采用了基于投票的框架。它们首先为要识别和配准的物体类别学习一个局部外观模型，该模型将特征直接或间接地映射到真实物体的身份和姿态。在推理阶段，从场景点云中提取特征，通过局部外观模型，每个特征生成一个或多个投票，代表特定姿态的物体存在的假设。然后，通过合适的模式搜索方法找到核密度函数的局部模式，并将其作为最终的物体身份和姿态返回。

1.2 学习局部外观模型

1.2.1 特征提取

<