关于三维图像目标识别文献综述

关于三维目标识别的文献综述

前言：

随着计算机技术和现代信息处理技术的快速发展，目标识别已经迅速发展成为一种重要的工具与手段，目标识别是指一个特殊目标（或一种类型的目标）从其它目标（或其它类型的目标）中被区分出来的过程。它既包括两个非常相似目标的识别，也包括一种类型的目标同其他类型目标的识别。目标识别的基本原理是利用雷达回波中的幅度、相位、频谱和极化等目标特征信息，通过数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数，最后根据大量训练样本所确定的鉴别函数，在分类器中进行识别判决。它属于模式识别的范畴，也可以狭义的理解为图像识别。三维目标识别是以物体表面朝向的三维信息来识别完整的三维物体模型目标识别需要综合运用计算机科学、模式识别、机器视觉以及图像理解等学科知识。目标识别技术已广泛应用于国民经济、空间技术和国防等领域。

正文：

图像识别总的来说主要包括目标图像特征提取和分类两个方面。但是一般情况下，图像受各种因素影响，与真实物体有较大的差别，这样，就需要经过预处理、图像分割、特征提取、分析、匹配识别等一系列过程才能完成整个识别过程。

目前，最主流的三种三维物体识别研究思路是：

1)基于模型或几何的方法；

2)基于外观或视图的方法；

3)基于局部特征匹配的方法；

一、基于模型或几何的方法：

这种方法所识别的目标是已知的，原理就是利用传感器获得真实目标的三维信息并对信息进行分析处理，得到一种表面、边界及连接关系的描述，这里，三维物体识别中有两类最经常使用的传感器：灰度传感器和深度传感器，前者获取图像的每个像素点对应于一个亮度测量，而后者对应于从传感器到可视物体表面的距离；另一方面，利用CAD建立目标的几何模型，对模型的表面、边界及连接关系进行完整的描述。然后把这两种描述加以匹配就可以来识别三维物体。其流程如下图所示：

传感器数据获取过程，就是从现实生活中的真实物体中产生待识别的模型。分析/建模过程，是对传感器数据进行处理，从中提取与目标有关的独立应用特征。模型库的建立一般式在识别过程之前，即首先根据物体的某些特定特征建立一些关系以及将这些信息汇总成一个库。在模型匹配过程，系统通过从图像中抽取出的物体关系属性图，把物体描述与模型描述通过某种匹配算法进行比较、分析，最终得到与物体最相似的一种描述，从而确定物体的类型和空间位置。

基于模型的三维物体识别，需要着重解决以下4个问题：

1)模型产生：主要有CAD设计法（用以产生模型库）和传感器产生法（用以产生目标）；

2)目标描述：有基于不变性特征法、表面模型法等；

3)模型描述：一般和目标描述方法相似；

4)模型匹配：可用距离法、最小二乘匹配法及树匹配等。

基于模型的方法进行三维物体识别，优点是比较直观和易于理解，但是一般使用的算法的运算量都较大，并且需要人工借助CAD 等软件产生模型。另外，对复杂物体建立三维几何模型的难度和工作量比较大，在应用中还非常不方便，因此怎样在这个基础上加以改善是一个值得探讨的问题。

二、基于视图的方法

二维图像一般情况下通过普通相机就可以获取，在一幅二维图像中，三维物体的外观取决于形状、反射特性、姿态和环境亮度等。基于外观或基于视图的三维物体识别算法研究，近来成为人们的研究热点。即使最简单的物体，其不同视点的二维视图差异往往会很大，而生物视觉系统对此表现出非常稳健的识别能力，它们的识别过程趋向于选择物体的二维视图，而不是物体的三维描述。基于视图的方法通过视觉相似性来识别物体，识别系统设计相对简单，无需显式地计算物体三维模型。该方法一般分为两个步骤：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。该方法一个主要的限制条件是，我们感兴趣的对象必须与背景能够较

好的区分开来，因此对物体间的重叠较为敏感，且需要较好的图像分割。但当物体的几何建模很困难或根本不可能得到时，则可利用基于视图的方法来识别三维物体。该方法的关键点和难点，是在于如何准确有效地用多个视角图像来描述一个物体。基于视图的三维物体识别算法流程，如下图所示：

三、基于局部特征匹配的方法

理论上要求识别系统具有通用性、稳健性且学习简单。传统的图像描述方法采用的是全局特征，旨在将目标作为一个整体，从大量包含目标的图片集中学习并抽取全局特征，如面积、周长、不变矩等，并采用统计分类技术进行目标分类。这种识别方法有以下缺陷：（1）对于结构复杂的图像，识别效果受到图像分割精度的制约；（2）需要学习大量的数据以及较长的训练时间；（3）由于没有捕捉到图像中的局部信息，当目标的形状发生较大变化时，比如目标被局部挡住，就会导致全局特征的突然变化，对于目标识别是非常不利的。前面提到的基于模型的方法和基于视图的方法，在这些方面有所缺陷。最近，基于局部区域特征匹配的算法，在物体识别领域里取得了相当好的效果。

局部特征目前还没有一个统一的定义，它的提出主要是相对全局特征而言，用局部特征对图像进行描述时可以得到图像中物体的局部信息。在复杂背景下，噪声干扰较大、局部遮挡、目标姿态发生变化的情况下，利用局部信息进行目标识别是非常有效的。如同基于视图的方法，该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。该方法通过对视角改变而局部不变的过程，来检测得到视图中三维物体的局部区域，然后通过从局部测量计算得到的不变量描述的区域集合来表示物体。局部特征可以从几何角度粗略的分为点、线、面3种类型：

1、基于点特征的目标识别技术：

角点是图像的一个重要的局部特征，它具有旋转不变性，几乎不受光照条件的影响。角点可以是图像中具有周围灰度变化剧烈特征的点，也可以是图像边界上具有曲率足够高的点，还可以是图像中具有最大偏转角和偏差的点、灰度梯度方向变化较大的地方等。角点在图像匹配中有广泛应用。常见的特征描述方法是：将形心到相邻两角点的直线所成的夹角作为识别的特征，这组特征对于比例、平移和旋转都是不变的。但是由于角点的检测容易出现漏检和虚假角点等，在利用角点作为不变量对目标进行识别时，可以考虑与其他特征结合起来进行识别。

2、基于线特征的目标识别技术

提取图像中的特征线如直线、曲线、各种轮廓线等，可以使图像的表述更简洁，而曲线可以用直线加以近似，进而形成封闭的轮廓。常用