三維計算機視覺 — 中層次視覺 — Point Pair Feature

  機器人視覺中有一項重要人物就是從場景中提取物體的位置，姿態。圖像處理算法借助Deep Learning 的東風已經在圖像的物體標記領域耍的飛起了。而從三維場景中提取物體還有待研究。目前已有的思路是先提取關鍵點，再使用各種局部特征描述子對關鍵點進行描述，最后與待檢測物體進行比對，得到點-點的匹配。個別文章在之后還采取了ICP對匹配結果進行優化。

　對於缺乏表面紋理信息，或局部曲率變化很小，或點雲本身就非常稀疏的物體，采用局部特征描述子很難有效的提取到匹配對。所以就有了所謂基於Point Pair 的特征，該特征使用了一些全局的信息來進行匹配，更神奇的是，最終的位姿估計結果並不會陷入局部最小值。詳細可參見論文：Model globally, match locally: Efficient and robust 3D object recognition. 與 Going further with point pair features。SLAM的重要研究方向object based Slam 也聲稱使用了Point Pair Feature進行匹配。

  為了更好的理解這種方法，而在pcl中也沒有找到現成的算法，所以我自己用matlab實現了一遍。

 

  算法的思想很簡單：

  0、ppf 特征為[d,<d,n1>,<d,n2>,<n1,n2>].

  1、針對目標模型，在兩兩點之間構造點對特征F，如果有N個點，那么就有N*N個特征（說明此算法是O(N2)的），N*N個特征形成特征集F_Set

  2、在場景中任意取1定點a,再任意取1動點b，構造ppf特征，並從F_set中尋找對應的，那么理想情況下，如果找到了完全匹配的特征，則可獲得點雲匹配的結果。

  3、此算法是一種投票算法，每次匹配都能得到一個旋轉角度，如果m個b都投票給了某一旋轉角度則可認為匹配成功

 

  這個算法最大的問題就是不停的采樣會導致極大的計算量。不過算法本身確實可以匹配物體和場景。

 

ppf 特征的構建

 

function obj = ppf(point1,point2)
    d = point1.Location - point2.Location;
    d_unit = d/norm(d);
    apha1 = acos(point1.Normal*d_unit');
    apha2 = acos(point2.Normal*d_unit');
    apha3 = acos(point1.Normal*point2.Normal');
    obj = [norm(d),apha1,apha2,apha3];
end

 

ppf 特征集的構建

classdef modelFeatureSet < handle
    %MODELFEATURESET 此處顯示有關此類的摘要
    %   此處顯示詳細說明
    
    properties
        FeatureTree
        ModelPointCloud
        Pairs
    end
    
    methods
        function obj = modelFeatureSet(pt)
            obj.ModelPointCloud = copy(pt.removeInvalidPoints());
        end
        function growTree(self)
            self.ModelPointCloud = pcdownsample(self.ModelPointCloud,'GridAverage',.1);
            pt_size = self.ModelPointCloud.Count;
            idx = repmat(1:pt_size,pt_size,1);
            tmp1 = reshape(idx,pt_size*pt_size,1);
            tmp2 = reshape(idx',pt_size*pt_size,1);
            pairs = [tmp1,tmp2];
            rnd = randseed(1,1000,1,1,pt_size*pt_size);
            pairs = pairs(rnd,:);
            Features = zeros(size(pairs,1),4);
            for i = 1:size(pairs,1)
                Features(i,:) = ppf(self.ModelPointCloud.select(pairs(i,1)),...
                                    self.ModelPointCloud.select(pairs(i,2)));
            end
            self.FeatureTree = createns(Features);
            self.Pairs = pairs;
        end
    end
end