简介

基于Point Pair Features（PPF）的6D姿态估计方法PPF,Drost et al., 2010(https://ieeexplore.ieee.org/document/5540108），是在机器视觉领域应用广泛的一种物体位姿提取方法。大名鼎鼎的Halcon，其Surface Matching 模块就是在这种方法的基础上做的优化。（Halcon有一份technique notes 专门讲该模块的使用）。

这种方法具有什么优势呢？

1.在工业场景中，有大量缺少表面纹理或局部曲率变化很小的物体，无法利用局部特征提取匹配点对，因此基于局部特征点匹配的姿态估计方法无法使用

2.该方法的输入，model（物体模型）与scene（场景）均为点云；随着3D传感器技术的发展，市场上出现了很多极具性价比的工业级3D传感器，获取高质量点云的成本越来越低

原理

该法的原理，有篇文章珠玉在前PPF原理(https://zhuanlan.zhihu.com/p/94952276)，对原论文讲解很详细，这里不再重复，我想强调几个点：

1.一个高度概括：原论文的标题，"Model Globally, Match Locally"高度概括了该法的优点；所谓Model Globally，是指对model中所有的点对（任取两个点组成一个点对，遍历所有可能的组合）都计算了PPF描述子，以描述子为key，以这两个点为value构建hash table， 该hash table可以看作是对model 的一个global的描述; 在使用scene进行匹配的时候，同样要对scene中所有点对计算PPF描述子，然后在hash table中进行查找；

2.一种思想：广义霍夫变换是一种2D 形状匹配方法，早已于上世纪80年代提出。PPF可以看作该法的3D推广。基于Hough Voting思想，PPF描述子可以看成是一种“去中心化”的特征描述子。什么是“去中心化”？就是说两个点到底匹不匹配，不像传统的局部特征描述子，依赖点的局部信息，而是要靠其他的点来投****。尽管会有噪声影响，但是正确的匹配一定会在投****过程中被“群众”突显出来，取得最高****数。由于PPF采取了Hough Voting的思想，因此继承了其优缺点：

优点：

1） 对于轻微形变、遮挡鲁棒性好

2） 抗噪声能力强

3） 可一次提取出多个目标（对比Ransac与Hough Voting, 两者都是做model fitting的经典方法，但是Hough voting在这一点上胜过Ransac）

缺点：

1）参数空间维度高，空间复杂度和时间复杂度都很高；

优化

2017年的文章:Going Further with Point Pair Features (https://link.springer.com/chapter/10.1007%2F978-3-319-46487-9_51) 对PPF进行了优化， 取得了很好的效果。这篇文章指出Drost提出的原算法（以下称为Drost-PPF）及其变种中的问题：

sampling  schemes of pairs of 3D points 被长期忽视，导致方法效率低下

传感器噪声的影响：影响了quantization过程，而整个算法的加速正是靠quantization

杂乱背景的影响：影响了算法中投****的过程

针对这几个问题，作者采取的优化措施有以下几条：

1.Pre-processing:  点云的降采样的策略。降采样可以加速计算，并且避免一些很接近的点（空间距离近的点往往法向量也很接近）产生的不具有区分性的PPF features。Drost-PPF中的降采样策略比较简单，作者认为会丢失部分有用信息，所以，即使两个点的距离够近，但如果法向量角度偏差超过30度，也会予以保留。

根据投****结果生成pose。Drost-PPF 使用了一种贪心策略（评价的标准是投****空间的投****数）来做pose cluster。本文作者发现这种策略在有噪声和背景干扰的情况下并不鲁棒，投****数也不是一个可靠的标准。

作者采用了一种自底向上的聚类方法，允许每个pose同时属于不同的cluster。需要保存每个pose相关联的model point。pose  A可以为其cluster投****，但是是有条件的，如果存在另一个pose B，pose B关联的model point与pose A相同，且已经为该cluster投过****，则pose A不再参与投****。这避免了repetitive geometric structures （比如平面）引起的bias。

下面几个后处理也是比较重要的：

1）Refine:使用了projective ICP 来做pose refine。只选择了两个voting ball中排名前四的cluster 来做refine。

2）Occulation check: 根据pose将物体虚拟投影到2D图上，检查对应像素的深度值，同虚拟投影相比，原深度图有多少距离相机更近，有多少更远，如果更近的像素比例过大（大于总像素数的10%），这个pose显然是有问题的，拒绝这个pose。

3）Silhouette check: 同样根据pose将物体虚拟投影到2D图上，得到轮廓。同时计算场景点云中深度和法向量变化剧烈的区域， 检查轮廓是否被这些区域cover了。如果有大于10%的轮廓没有被cover，拒绝这个pose

实验结果：

作者在两个数据集上进行了测试，ACCV DataSet,Occlusion DataSet(https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Krull_Learning_Analysis-by-Synthesis_for_ICCV_2015_paper.pdf), 评价标准是Recogniton rate （定义在Learning Analysis-by-Synthesis for 6D Pose Estimation in RGB-D Images(https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Krull_Learning_Analysis-by-Synthesis_for_ICCV_2015_paper.pdf)）

计算时间在0.1~0.8s之间（640x 480 depth map）

Tips

背景及其他杂物尽量提前移除， 在工业应用场景这是比较好实现的

在投****过程中， scene上的Sr选取可以进一步降采样，实现提速的目的

参考文献

1、Model globally, match locally: Efficient and robust 3D object recognition

(https://ieeexplore.ieee.org/document/5540108)

2、PPF介绍：(https://zhuanlan.zhihu.com/p/94952276)

3、Going Further with Point Pair Features

(https://link.springer.com/chapter/10.1007%2F978-3-319-46487-9_51)

备注：作者也是我们「3D视觉从入门到精通」特邀嘉宾：一个超干货的3D视觉学习社区

*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。