三维计算机视觉 — 中层次视觉 — Point Pair Feature

  机器人视觉中有一项重要人物就是从场景中提取物体的位置，姿态。图像处理算法借助Deep Learning 的东风已经在图像的物体标记领域耍的飞起了。而从三维场景中提取物体还有待研究。目前已有的思路是先提取关键点，再使用各种局部特征描述子对关键点进行描述，最后与待检测物体进行比对，得到点-点的匹配。个别文章在之后还采取了ICP对匹配结果进行优化。

　对于缺乏表面纹理信息，或局部曲率变化很小，或点云本身就非常稀疏的物体，采用局部特征描述子很难有效的提取到匹配对。所以就有了所谓基于Point Pair 的特征，该特征使用了一些全局的信息来进行匹配，更神奇的是，最终的位姿估计结果并不会陷入局部最小值。详细可参见论文：Model globally, match locally: Efficient and robust 3D object recognition. 与 Going further with point pair features。SLAM的重要研究方向object based Slam 也声称使用了Point Pair Feature进行匹配。

  为了更好的理解这种方法，而在pcl中也没有找到现成的算法，所以我自己用matlab实现了一遍。

 

  算法的思想很简单：

  0、ppf 特征为[d,<d,n1>,<d,n2>,<n1,n2>].

  1、针对目标模型，在两两点之间构造点对特征F，如果有N个点，那么就有N*N个特征（说明此算法是O(N2)的），N*N个特征形成特征集F_Set

  2、在场景中任意取1定点a,再任意取1动点b，构造ppf特征，并从F_set中寻找对应的，那么理想情况下，如果找到了完全匹配的特征，则可获得点云匹配的结果。

  3、此算法是一种投票算法，每次匹配都能得到一个旋转角度，如果m个b都投票给了某一旋转角度则可认为匹配成功

 

  这个算法最大的问题就是不停的采样会导致极大的计算量。不过算法本身确实可以匹配物体和场景。

 

ppf 特征的构建

 

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 特征集的构建

classdef modelFeatureSet < handle
    %MODELFEATURESET 此处显示有关此类的摘要
    %   此处显示详细说明
    
    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