機(jī)器視覺(jué)的背景意義及算法分類

來(lái)自于點(diǎn)擊下方卡片，關(guān)注“新機(jī)器視覺(jué)”公眾號(hào)

視覺(jué)/圖像重磅干貨，第一時(shí)間送達(dá)

? ? ? 機(jī)器人視覺(jué)識(shí)別技術(shù)是移動(dòng)機(jī)器人平臺(tái)十分關(guān)鍵的技術(shù)，代表著機(jī)器人智能化、自動(dòng)化及先進(jìn)性的判定標(biāo)準(zhǔn)?；跈C(jī)器視覺(jué)的三維物體目標(biāo)的識(shí)別、檢測(cè)與定位技術(shù)已經(jīng)成功應(yīng)用于眾多工業(yè)領(lǐng)域中。

? ? ? 配合著機(jī)械臂平臺(tái)，以其為基礎(chǔ)的操作系統(tǒng)可以完成一系列繁重復(fù)雜的工作，大大解放了人類的雙手，提高了工業(yè)生產(chǎn)效率。作為促成這一切成果基礎(chǔ)的機(jī)器人視覺(jué)識(shí)別技術(shù)正在逐步建立、穩(wěn)定發(fā)展并一步步走向成熟。近年來(lái)，隨著機(jī)器人相關(guān)技術(shù)的快速發(fā)展，其依靠的平臺(tái)也快速的更新?lián)Q代。之前價(jià)格較為昂貴的3D工業(yè)相機(jī)、3D圖像傳感器、3D掃描儀漸漸得到普及，傳感器的微型化、智能化、低功耗以及高效率帶來(lái)的深度圖像設(shè)備價(jià)格大幅下降，隨之機(jī)器視覺(jué)識(shí)別技術(shù)也越發(fā)深入且成熟。

? ? ? ?三維物體目標(biāo)檢測(cè)和識(shí)別、6D 位姿估計(jì)、機(jī)械臂運(yùn)動(dòng)規(guī)劃控制、移動(dòng)平臺(tái)的線路規(guī)劃與基于即時(shí)定位與地圖構(gòu)建 SLAM (Simultaneous Localization And Mapping) 的精確導(dǎo)航、三維物體檢測(cè)抓取是移動(dòng)機(jī)器人平臺(tái)的核心關(guān)鍵技術(shù)，其精度直接影響著最后整個(gè)移動(dòng)機(jī)器人控制系統(tǒng)的抓取成功率以及任務(wù)的完成度。3D 物體實(shí)時(shí)檢測(cè)、三維目標(biāo)識(shí)別、6D 位姿估計(jì)一直是機(jī)器人視覺(jué)領(lǐng)域的核心研究課題，最新的研究成果也廣泛應(yīng)用于工業(yè)信息化領(lǐng)域的方方面面。通過(guò)眾多的傳感器，例如激光掃描儀、深度攝像頭、雙目視覺(jué)傳感即可獲得三維物體的識(shí)別數(shù)據(jù)，以此為基礎(chǔ)開(kāi)展研究的計(jì)算機(jī)視覺(jué)方向領(lǐng)域也有著較為深入的發(fā)展。目前在機(jī)器人實(shí)時(shí)抓取策略算法主要存在兩種大的分類，一種是以Linemod算法為代表的傳統(tǒng)的圖像處理算法，另一種則是最近幾年開(kāi)展研究的機(jī)器學(xué)習(xí)的方法。而這兩大分類包含了目前主流的四種方法。

傳統(tǒng)的圖像處理算法：

1. 基于點(diǎn)對(duì)特征

? ? ? ?2010年 Bertram Drost 等人提出了基于 Point Pair 特征的?PPF (Point Pair Feature) 算法。PPF 算法使用物體的全局模型描述，基于定向 Point Pair 特征，通過(guò)快速投票方案在本地匹配全局模型實(shí)現(xiàn)物體三維到二維搜索空間上的對(duì)應(yīng)匹配識(shí)別，適用于快速監(jiān)測(cè)點(diǎn)云較為稀疏或者缺乏表面紋理信息及局部曲率變化極小的物體。PPF算法在有噪聲、部分遮擋情況下有較好的識(shí)別能力，然而其不能解決具有相似噪聲背景下物體識(shí)別問(wèn)題，而且并沒(méi)有很好的利用物體的邊緣信息。

2. 基于模板匹配

? ? ?2011年 Stefan Hinterstoisser 等人提出針對(duì)?3D 剛性物體的實(shí)時(shí)檢測(cè)與定位算法?LineMod 算法。其基本原理是通過(guò)提取物體各個(gè)方向的深度圖像采集模型，采用彩色圖像的梯度信息結(jié)合物體表面的法向特征作為模板匹配的依據(jù)，訓(xùn)練其方向梯度生成物體模板后與實(shí)際圖像的各對(duì)應(yīng)方向位置匹配推測(cè)匹配結(jié)果。最后利用 ICP 算法對(duì)檢測(cè)結(jié)果進(jìn)行位姿修正完成3D剛性物體的位置檢測(cè)判斷。雖然 LineMod 利用了物體的多種特征，很好的解決了多種類目標(biāo)在簡(jiǎn)單場(chǎng)景下的物體識(shí)別，然而其在模板分類時(shí)只關(guān)注物體的邊緣，導(dǎo)致其在稍復(fù)雜實(shí)時(shí)模板匹配時(shí)識(shí)別率大幅度下降。

? ? ?2018年Tomas Hodan使用現(xiàn)有的數(shù)據(jù)集提出?BOP 算法，建立了新的模板分類基準(zhǔn)。然而其只能識(shí)別單個(gè)場(chǎng)景下多類物體的識(shí)別，遇到同類物體較多以及重疊場(chǎng)景算法識(shí)別能力迅速下降。

3. 基于霍夫森林

? ? ? ?2009年 Juergen Gall 等人提出了基于霍夫森林的目標(biāo)檢測(cè)算法，通過(guò)構(gòu)建一個(gè)隨機(jī)森林 (random forest) 從圖像上提取圖像塊，在構(gòu)建的隨機(jī)森林中的每個(gè)決策樹(shù)上進(jìn)行判斷處理并在霍夫空間中進(jìn)行投票，圖像密集塊采樣后輸出霍夫圖像完成對(duì)目標(biāo)重心位置的投票。在該算法提出后基于 Hough Forest 算法的目標(biāo)檢測(cè)也有著深入的發(fā)展。

機(jī)器學(xué)習(xí)的方法：

? ? ? 2017年 Wadim Kehl 等人提出了基于 SSD 算法的三維物體 6D 位姿估計(jì)，通過(guò)將 2D 圖像深度學(xué)習(xí)的思路與三維物體 RGBD 圖像的特點(diǎn)，利用深度學(xué)習(xí)網(wǎng)絡(luò)完成局部圖像 2D 檢測(cè)、特征圖與預(yù)訓(xùn)練核卷積，并使用投影屬性來(lái)解析深度網(wǎng)絡(luò)推斷的試點(diǎn)及平面內(nèi)旋轉(zhuǎn)分?jǐn)?shù)以此構(gòu)建 6D 位姿假設(shè)。

本文僅做學(xué)術(shù)分享，如有侵權(quán)，請(qǐng)聯(lián)系刪文。