论文解读 | 基于改进点对特征的点云6D姿态估计

原创 | 文 BFT机器人

01 摘要

点对特征(PPF)方法已被证明是一种有效的杂波和遮挡下的姿态估计方法。

文章的改进方法主要包括:

(1)一种基于奇偶规则求解封闭几何的法向的方法;

(2)通过将体素网格划分为等效角度单元的有效降采样方法;

(3)基于拟合点的验证步骤。在真实杂波数据集上对该方法进行了评估，结果表明该方法在6D姿态估计方面比原PPF方法具有更好的性能和效率。

02  点对特征（PPF）方法是什么？

PPF方法是一种通过提取局部特征和投票匹配的方法对点云中自由曲面三维物体进行姿态估计的方法。

图1 点对特征方法

03  它是如何用于姿态估计的？

该算法的核心思想是从模型和场景的点对中提取由四个值组成的特征向量。这些特征描述了一对中两点之间的相对位置和方向，从而描述了局部视图中对象的表面形状。

总体而言，对象的所有点对所描述的局部特征构成了对象的全局特征。根据该方法的要求，一对中的两点不应该是交换的，即特征是不对称的。

04  改进的方法中的奇偶规则是什么？

本文提出的改进方法包括一种基于奇偶规则求解闭合几何法线方向的方法。奇偶规则是一种基于与曲面相交的边数奇偶性来确定曲面法线方向的方法。

具体来说，它包括计算与垂直于给定点的平面相交的边的数量，并使用此计数来确定法线是指向该点还是远离该点。该方法用于求解闭合几何体的法线方向，以提高6D姿态估计的性能和效率。

05  论文中如何提高6D姿态估计的性能和效率？

基于拟合点的验证步骤是改进的PPF方法中使用的一种方法，用于提高6D姿态估计的性能和效率。该步骤包括使用估计的姿势将模型拟合到场景，然后通过将其与原始点云进行比较来验证拟合。

该方法使用投票方案来确定最佳姿态估计，然后使用迭代最接近点（ICP）算法对其进行细化。这种方法通过减少误报和提高具有遮挡的杂乱场景的准确性来提高性能和效率。

06  论文原理

A. 预处理

1)正态估计

对于重构点云模型或多边形网格数据的输入数据，采用PCA算法计算法线。针对Zhao等人[1]也提到的PCA结果方向模糊的问题，提出了一种基于奇偶规则的光线投射方法，用于检测单位法向量的端点是否位于封闭几何模型内。

为此，检查从z轴方向的每个端点的射线与模型表面相交的次数。如果其中一条与奇数次相交，则根据拓扑学，法线应该在模型内部，应该倒转，如图2所示。对于场景云，所有法线可以直接统一指向视点。

f (i , j)为最外边框起始像素的图像强度。由于像素与点之间的对应关系，可以获得图像中所有分割片段的点云。

图2 射线铸造法的原理和效果。(a)偶数相交的法线(绿色)指向正方向，奇数相交的法线(红色)指向反方向。(b)不含光线投射法的PCA算法正态估计结果。(c)射线投射法PCA算法的正态估计结果。

2)下采样

首先采用RANSAC算法拟合表平面，丢弃平面下(视点对面)的点。然后分别在训练阶段和匹配阶段提出了分割体素网格的两种方法。在训练阶段，遵循Joel等人[2]，对每个体素单元采用自下而上的分层聚类方法对法线夹角小于阈值的点进行聚类和平均。为了降低复杂度，考虑过滤掉元素较少的簇。然而，在匹配阶段，迭代和比较的过程可能会影响效率。为此，提出了一种角单元法，将整个球体的实体角平均划分为20个角单元。每个细胞由正二十面体的一个面法线表示(图4a)。对于体素单元中的每个点，比较其法线与20个代表性法线之间的角度，并考虑最小的一个作为它所属的角度单元(图4b)。这样大大降低了体素大小的影响，不再是影响算法效率的重要因素。

图3 一种在体素中对角度单元进行降采样的有效方法。(a) 20个angle cells除以一个正二十面体。每个cell由二十面体的面法线表示。(b)所有方向法线在球面上的投影。一个细胞中法线的投影用相同的颜色表示。

B. 配对及投票

由为了提高匹配效率，丢弃了非区分点对的特征。具体来说，如果点间距离和法线夹角都小于阈值，则对匹配的影响可能很小。设置阈值作为量化步长，可以滤除在量化过程中损失特征为零的对。Hinterstoisser等[3]提出，每个参考点的伴随点应在半径模型直径的球内，可以通过Kd-tree算法高效搜索。

然后，遵循Drost等提出的匹配方法和投票方案。在投票后，采用基于密度的带噪声应用空间聚类(DBSCAN)算法对场景参考点提出的姿态进行聚类，并根据投票的总和对它们进行排序。

C.后处理

聚类后，管道输出一组候选姿势，通过投票评估，前10%被接受为效率的妥协。根据Joel等提出的投影ICP思想，以假设姿态渲染模型点，并应用Z-buffer算法在场景视点下对模型云中的可见点进行裁剪。然后将高效的ICP算法应用于裁剪后的模型。然后，提出了基于拟合点的验证步骤。

使用Kd-tree算法寻找每个模型点最近的场景点，并考虑与最近场景点的距离在阈值内的模型点作为拟合点。如果拟合点占模型总点数的比例低于阈值，则模型被接受。最后，采用非最大抑制(NMS)算法对重叠姿态进行滤波。

D.实验效果

本文提出了一种改进的基于点对特征的点云6D姿态估计方法。该方法提出了一种PCA算法中封闭几何的法向解的方法，并引入了一种通过将体素网格划分为等效角度单元的高效采样方法。

最后，采用ICP的变体、基于拟合点的验证步骤和NMS算法进行细化和验证。实验结果表明，该方法具有较高的效率和鲁棒性，平均召回率为0.87。

图4 论文分割效果

标题：

6D Pose Estimation from Point Cloud Using an Improved Point Pair Features Method[C]

更多精彩内容请关注公众号：BFT机器人

本文为原创文章，版权归BFT机器人所有，如需转载请与我们联系。若您对该文章内容有任何疑问，请与我们联系，将及时回应。