一：pipeLIne

（1）：基于模型的pose估計綜述：

??????? 對于一個3D模型，可以投影到平面，得到不同的位姿，而pose識別是利用所見的2.5D圖像，來估計模型，并同時識別出位姿。

??????

??????? 3D模型投影時注意的幾點：

??????? 1.? 投影模型在投影前必須進行點云補全，設定一個閾值T，利用貪婪算法進行模型補全，以免透視穿透現象；

??????? 2.? 投影模型必須從原始位姿進行數值變換進行投影，不能進行迭代計算，以避免累積誤差；

??????? 3.? 投影模型必須投影到離散平面，即進行XYZ值整數化；

（2）：超像素特征的提取：

??????? 對于每一個投影，都可以設定一個像素數閾值Tn，進行超像素分割，得到一系列的點集；

??????? 對每一個點進行提取類似于 SIFT特征描述的 超像素特征，得到特征向量；

??????

?????? 旋轉不變性： 這個不需要，位姿估計若產生旋轉，則位姿也發生變化；

（3）：特征匹配的過程：

??????? 對于每一個分割，進行特征初步篩選，選取場景內候選目標；

??????? 對每一個目標進行超像素分割，選取特征；

??????? 進行KD樹匹配；

二：特征選取：

???? 選取細節：

???? 深度圖 灰度化 ：

??????????? 對于RGB變化劇烈的 物體表面，提取結合的特征是比較適合的，但必定會掩飾一些位姿信息；適用于表面變化不大而紋理變化劇烈的問題；

??????????? 對于表面形狀變化劇烈的物體，提取表面特征是比較合適的，直覺上可以達到ESF特征同等的效果；

???? 基于SIFT特征描述的介紹，超像素的每一塊提取類似于SIFT特征點描述子的特征；以保持不變性；

????? 特征綜合：

??????????? 對每一個分割，生成一個超像素級別的矩陣；

??????????? 對矩陣的每一個元素，生成一個像素級別的特征；

??????????? 利用矩陣距離進行相似度匹配；

??? 轉入圖匹配的過程；

總結

以上是生活随笔為你收集整理的基于SLIC分割的特征点检测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。