作者：袁野 Date：2020-03-22 來源：物體的三維識別與6D位姿估計：PPF系列論文介紹（一）
一、前言
近年來隨著消費級深度設備的普及，深度相機引導機械臂完成抓取成為熱點話題。其中，物體識別與位姿估計是械臂完成抓取的關鍵。關於物體識別與位姿估計可以分為傳統手工提取特徵方法和基於深度學習的方法。下面主要介紹傳統經典方法——基於點對特徵的（PPF）系列方法。
2019年ICCV在韓國舉行的"6D Object Pose Estimation Challenge" 中，基於PPF的方法絲毫不輸當今火熱的深度學習類方法。下圖是Leaderboard，其中Drost和Vidal的方法都是基於PPF。
二、PPF系列論文介紹
1. “Model globally, match locally: Efficient and robust 3D object recognition”
這篇文章是PPF的鼻祖，發表在2010年CVPR。其構建兩點及其法向量之間的幾何關係形成的四維特徵作為點對特徵（Point Pair Features）。線下建立哈希表存儲模型的所有四維特徵作為模型的整體描述。線上匹配階段，借用全局座標系簡化剛體變換自由度，使得位姿計算變得簡單。同時藉助廣義霍夫變換的投票思想，對參數空間投票，獲得可靠位姿。
DOI：10.1109/CVPR.2010.5540108
2. “3D pose estimation of daily objects using an RGB-D camera”
Drost的方法很快得到了廣泛的關注，Choi等人在2012年對PPF進行了改進，將傳統的四維幾何點對特徵擴充了顏色信息，得到CPPF這麼一個十維特徵描述子（兩點各增加了RGB信息）。在彩色數據集上獲得了比原始PPF更好的效果。
DOI：10.1109/IROS.2012.6386067
3.“RGB-D edge detection and edge-based registration”
2013年，Choi等人繼續對PPF做出改進，提出用不同種類的點對幾何關係，如利用“boundary-to- boundary”的邊緣點點對構建特徵。這無疑大大減少了點的數量，不論是在訓練階段還是匹配階段都極大提高了速度。並且該改進在包含大量平面的物體上表現出了極好的效果。
DOI：10.1109/IROS.2013.6696558
4.“Learning to Rank 3D Features”
2014年，Tuzel等人發現，當對象自身有很多重複特徵或表現出簡併性時（如大平面）傳統PPF方法的性能下降，同時這種情形又是非常常見的。由此提出了一個最大邊緣學習框架來識別三維物體表面的識別特徵。具體來說，學習到的是哈希表bin的權重值，以及模型點的權重值。算法根據特徵在特定任務中的重要性對特徵進行選擇和排序，從而提高準確性，降低計算成本。
DOI：10.1007/978-3-319-10590-1_345. “Point Pair Features Based Object Detection and Pose Estimation Revisited“
之前的PPF系列方法雖然是有所改進，但是總體的pipeline幾乎是一致的。而Birdal等人在2015年從pipeline上改進了PPF。文章將目標檢測與一個由粗到精的分割結合起來，其中每個分割都需要進行獨立的位姿估計。在匹配過程中，使用了一個加權的霍夫投票和一個插值恢復的位姿參數。最後，所有生成的假設通過一個遮擋感知排序進行檢驗和排序。特別的是，由於這種增強的位姿檢索，新的pipeline不需要ICP優化，從而在速度和精度之間取得更好的折衷。
DOI：10.1109/3DV.2015.65
閱讀更多 3D視覺工坊 的文章
