三维目标识别方法

• 运算量大、不适用复杂背景、物体间遮挡、噪声 干扰等环境
Байду номын сангаас
基于视图的方法
• 步骤：
– 首先，通过不同光照条件和三维物体在二维图 像中呈现出的不同姿态，来自动地学习物体的 表示或训练系统； – 然后，在一幅未知的二维图像中判断是否存在 目标物。
• 对重叠较为敏感，需要较好的图像分割。 • 关键：如何准确有效地用多个视角图像来 描述一个物体。图像/特征
三维目标识别方法
常见研究思路
• • • • • 基于模型或几何的方法 基于外观或视图的方法 基于局部特征匹配的方法 光学三维目标识别 基于深度图像的三维目标识别
基于模型或几何的方法
• 从输入图像数据中得到物体描述，并与模型描述 进行匹配，以达到对物体进行识别及定位目的。
– – – – 模型产生：CAD方法、传感器产生法 目标描述：基于不变性特征法、表面模型法 模型描述：同上 模型匹配：距离法、最小二乘匹配法及树匹配法
基于局部特征匹配的方法
• 从物体的图像中学习并构造物体的模型，同时提 取局部图像块的特征用于匹配。
– 在无需人工干预的情况下，从训练视图中自动地学习 构造出物体的表示
• 通过改变视角, 检测得到视图中三维物体的局部区域 • 通过局部测量计算得到不变量来表示物体
– 识别阶段，测试视图也按照同样的方式构造物体的表 示。 – 识别问题=从测试视图和数据库里的训练视图中，搜索 有相似区域的几何一致性的集合。
基于局部特征匹配的方法
• 比较结论：
– Harris 角点检测器的性能稍稍优于其他检测器; – 描述子的优劣和感兴趣点检测器无关，SIFT 描 述子性能最好，导向滤波器其次，推荐使用维 度较低的导向滤波器; – 不存在对所有场景类型和所有图像变换类型都 最优的一种检测器。为了获得最好的性能，可 尝试同时使用多种检测器。
• 重叠和复杂背景情况下都有较好的稳健性 • 局部图像区域的选择和基于这些区域的特征计算
基于局部特征匹配的方法
• 感兴趣点检测器和描述子
– – – – 基于 Harris 角点检测器的方法 基于局部直方图的描述子 基于几何区域和基于强度区域的方法 应用于宽基线立体视觉问题的方法
• 复性和信息内容
– 重复性比较了检测到的点，在给定场景下各种视角变 化情况下的不同图像的几何稳定性。 – 信息内容测量了一个感兴趣点的独特性。独特性基于 局部灰度值描述子的似然性，在所有观察到的点中的 描述子进行计算。
光学三维物体识别
• 基于光学运算实现的模式识别，主要是对 图形或图像类对象进行描述、分类和识别。 • 国外有采用相移数字全息和整体图像进行 三维物体识别的报道，但主要是进行计算 机模拟，未实现实时识别，限制了在实际 中的应用。
基于深度图像的三维物体识别
• 一般使用激光相机来获取三维物体的深度 数据，可得到精确的表面描述，但设备较 为昂贵，基于深度数据的方法计算量也较 大。