【机器视觉】3D抓取—基于模板匹配

点击下方卡片，关注“新机器视觉”公众号

视觉/图像重磅干货，第一时间送达

转自|牙牙的无为生活

基于模板匹配方法

        已知物体模型，从不同方向提取RGBD特征，处理生成模板与实际图像每个位置进行匹配，匹配成功得到目标的位姿信息。

• 2011Linemod经典鼻祖论文：Multimodaltemplates for real-time detection of texture-less objects in heavily clutteredscenes（Linemod）

• 2012改进Linemod：Gradient Response Maps for Real-Time Detection of Texture-Less Objects

左：可辨别的图像梯度主要在轮廓上找到。梯度位置粉红色显示

中：深度传感器获取的表面法向量

右：2D图像梯度和3D表面法线的组合->增加鲁棒性

视觉提示的互补性：梯度通常在物体轮廓上找到，而在物体内部找到曲面法线

• 研究方向与问题：复杂背景下3D物体的实时检测与定位
  

• 依据：采用彩色图像的梯度信息结合物体表面的法向特征作为模板匹配

• 算法场景：复杂场景、无纹理、多模板

• 应用：opencv封装（（参考2中有函数解释）），基于ros的object recognition kitchen中有配套的模型生成图像的程序、ICP后处理的教程跟代码

算法流程：

（1）概念性

• 一个模板是一个特征点序列（多模态时为多个序列），特征点彼此不能太近且要有足够的代表性。

• 输入RGBD数据
  

（2）计算梯度方向

• 以彩色梯度为例，先进行7*7的高斯模糊，然后利用Sobel算子计算梯度，继而在每个像素点求解出了梯度方向以及幅值，只有超过一定阈值的梯度才会被保留；

• 接着在3*3的领域内统计梯度的方向，数量超过5的梯度方向才会被采用；

• 此处梯度方向都是无符号的，只取上一半，Opencv实现的代码里分为8个方向（量化为5)。这种提取特征的方式对于梯度起到了主成分提取和放大的效果。

• 经过训练生成文件信息。

（3）方向扩散

• 对被搜索图像（原图）也要进行梯度的计算，并且对梯度的方向做方向的拓展。

• 继而利用模板进行滑窗匹配时就有了一定的容错度，匹配容错。

（4）预处理响应图

• 制作查找表，算法匹配速度快；
  

• 针对n(=8)个方向和方向扩散图逐个像素进行匹配，匹配的结果是距离最近方向角度的余弦值；

• 值得注意的是，虽然这里有八个方向，但是夹角只有五种情况（算的直线夹角而非射线），故而匹配的结果只有五种；

• 响应图是被搜索图（原图）各个位置下对应扩展方向的二进制表示，模板图像共有5个方向，那么相应生成5张响应图Response Maps，利用模板进行匹配，可以直接调用对应方向在对应像素的结果，避免了滑窗时重复的计算。

（5）线性存储

• 避免重复计算，加速计算
  

（6）扩展深度图

实际应用中的问题

• 遮挡场景无法处理

改进与优化

• linemod存在两个问题，一个对尺度变化敏感，一个遮挡情况下效果变差。【3】改进详见6D pose（见方法3）。

参考

• 【1】https://blog.csdn.net/zmdsjtu/article/details/79933822

• 【2】https://blog.csdn.net/qq_36537774/article/details/89354339?utm_medium=distribute.pc_relevant.none-task-blog-2~default~baidujs_baidulandingword~default-0.control&spm=1001.2101.3001.4242

• 【3】https://zhuanlan.zhihu.com/p/35683990

• 【4】https://blog.csdn.net/ALZFterry/article/details/108694869