作者：仲夏夜之星
來源：公眾號@3D視覺工坊
鏈接：三維目標識別算法綜述
目前三維點雲數據的獲取方法相對快捷，同時三維點雲數據的采集不受光照影響，也規避了二維圖像遇到的光照、姿態等問題，因此基於點雲數據的三維物體識別也引起了人們的重視。
三維點雲物體識別方法多是通過提取物體的特征點幾何屬性、形狀屬性、結構屬性或者多種屬性的組合等特征進行比對、學習，從而完成物體的識別與分類。可以分為以下四類方法：
1.基於局部特征的目標識別
基於局部特征的物體識別方法主要是通過局部來識別整體。該方法無需對處理數據進行分割，往往通過提取物體的關鍵點、邊緣或者面片等局部特征並進行比對來完成物體的識別。其中，特征提取是物體識別中非常關鍵的一步，它將直接影響到物體識別系統的性能。基於局部特征的方式對噪聲和遮擋有更好的魯棒性，同時不受顏色和紋理信息缺乏的限制。由於局部特征描述子僅使用參考點鄰域信息，所以不對場景進行分割即可處理復雜場景。但是局部特征描述子維度較高，需要消耗更多的內存，同時存在計算復雜度高，實時性差等問題。
點特征直方圖(PFH)和快速點特征直方圖(FPFH)是Rusu R B等人提出的相對早期的局部特征描述子。采用統計臨近點對夾角的方式構造特征描述子，這也是局部特征描述子構造的典型方式，在此基礎上形成了基於局部特征匹配的目標識別和位姿估計的經典框架，如下圖所示。表１對典型的局部三維描述符進行了總結，並對不同方法的性能進行了比較。
2.基於全局特征的目標識別方法
基於全局特征的方法需要從背景中將目標物體分割出來，通過描述和比對三維物體形狀中的全部或者最顯著的幾何特征來完成物體的識別，這類方法被廣泛地應用於3D物體的表示匹配和分類中。全局特征將視角作為一個特征，建立多視角下的2.5D 模型特征庫，目標識別結果和位姿由這些模板給出，基於全局特征的識別框架如圖所示。這種方式的缺陷是需要對場景進行分割，分割的好壞會直接影響識別定位的結果。
Rusu在FPFH快速點特征直方圖描述符的基礎上提出視點特征直方圖(VFH)，該方法在計算相對法線間的夾角中加入視點信息，可以區分物體的不同位姿，同時保持旋轉縮放不變性。Aldom於2011年對視點特征直方圖進行擴展，提出聚類視點特征直方圖（VVFH）描述符。該方法首先根據曲率值去除噪聲點或者邊界點，然后利用區域增長的方法對點雲物體的光滑區域進行分割，最后計算每一個分割區域的視點特征直方圖。
3. 基於點雲的方式
基於點雲的目標識別的研究已經有二十年，一個被廣泛應用的算法是ICP算法，這種方式需要較好的初始位姿，因而該算法主要用在粗位姿估計之后進行精確的位姿計算。此外針對ICP 算法中的數據采樣、快速尋找匹配關系、匹配點篩選以及誤差矩陣都有諸多研究。另一種被廣泛用於工業領域的目標識別和位姿估計算法是基於點對特征(PPF-Point Pair Feature)的方法。PPF算法首先計算並存儲模型點對特征，通過特征匹配尋找場景點對與模型點對的對應關系，並在相應位置投票，最后根據投票結果計算目標位姿，這是用於工業領域位姿估計效果最佳的算法之一，還有使用邊緣點建立點對特征，用以處理多平面目標，並將其擴展至多目標識別。另外，通過限定點對最小距離，使用區分性和可見概率作為投票權重來提高點對特征區分性，但是限制最小距離的方式會丟失大量模型信息，而且人為設計的投票權重有更多經驗性和主觀性。
4. 基於機器學習的物體識別方法
基於機器學習的物體識別方法通過提取、學習樣本的特征，利用分類器模型完成場景中物體的分類與識別。隨着計算機視覺技術和認知技術的快速發展，對場景中物體的識別逐漸從對特定物體的識別（如車輛、樹木、建築物等）過渡到對多類物體的識別。馬爾可夫隨機場、支持向量機、隨機森林和條件隨機場等模型的使用增強了場景信息的關聯，有效地提高了從場景中識別物體的速度和精度。
本文僅做學術分享，如有侵權，請聯系刪文。