作者：袁野Date：2020-04-02
文章“Objectrecognition in 3D scenes with occlusions and clutter by Hough voting”發表在2010年，提出了一個經典的將霍夫投票思想用於三維場景目標識別的方法，在雜亂場景和有遮擋情況下取得了不錯的效果。這一思想在近年的文章中被多次引用，一些深度學習的方法也有該投票思想的影子。該方法已在PCL庫中有簡易實現。一、算法框架算法借助點雲三位特征描述子，計算出一系列的模型點和場景點的匹配對，同時每一個模型特征點和模型形心都有一個相對位置關系，因此與此模型特征點相匹配的場景特征點能夠對應出一個形心的位置，由此位置信息在霍夫空間內對相關參數進行投票。此外文章建立特征點處的局部坐標系，這能使得特征具有旋轉不變性和平移不變性，不論在場景中還是模型中，對於同一特征點的局部坐標系是唯一的。方法分為線上、線下兩個階段，具體如圖：
二、局部特征描述子與局部坐標系構建該方法主要針對的是點雲特征局部描述子。在線下階段，對模型進行采樣，提取關鍵點，計算關鍵點的局部特征描述子（如SHOT描述子），並計算關鍵點處局部坐標系。局部坐標系的估計方法可使用主成分分析法。在線上階段，首先對場景點雲提取特征點，計算特征點的局部特征描述子，同時構建場景特征點的局部坐標系。借助k-d tree 搜索，找到模型描述子和場景描述子的特征點匹配（匹配原則可以基於兩描述子的歐氏距離，設定閾值）。三、目標識別——霍夫投票取模型質心作為參考點，對於每一個特征點,計算模型世界坐標系下的
：
將其轉換到局部坐標系下：
其中，旋轉矩陣每一行為i處局部坐標系的方向向量。完成匹配后，與匹配。將模型局部坐標系轉換到場景局部坐標系，由於之前說到，局部坐標系旋轉不變性和平移不變性，因此：
最后將場景局部坐標系轉換到場景全局坐標系：
參考點（質心）坐標為
以此構建參數空間的投票。遍歷完所有的匹配點，完成投票。票數最高視為目標物體質心在場景中的位置。
四、實驗效果1.CVLab 3D數據集效果：
2.真實場場景效果：
參考文獻
[1]Tombari F , StefanoL D . Object Recognition in 3D Scenes with Occlusions and Clutter by HoughVoting[C]// 2010 Fourth Pacific-Rim Symposium on Image and Video Technology.IEEE Computer Society, 2010.
[2]張凱霖, 張良.復雜場景下基於C-SHOT特征的3D物體識別與位姿估計[J]. 計算機輔助設計與圖形學學報, 2017(5).