point pair feature在2D图像匹配中的应用

point pair feature在2D图像匹配中的应用

point pair feature(ppf)

@article{BertramDrost2010ModelGM,

title={Model globally, match locally: Efficient and robust 3D object recognition},

author={Bertram Drost and Markus Ulrich and Nassir Navab and Slobodan Ilic},

journal={computer vision and pattern recognition},

year={2010}

}

ppf应用在2D图像中

提取特征点

要想将ppf用于2D图像中，首先需要提取和点云类似的离散点和法向。对应在2D图像中，我们使用图像边缘和梯度方向 ，可以通过Canny算法得到。

计算ppf

计算ppf的过程和3D中完全一致

• 计算两点之间连线p1p2的距离
• 计算n1、n2和p1p2的角度，以及n1和n2的角度
• 量化
• hash

计算位置

2D图像中对象的位姿包含三个自由度，平移（x,y）和旋转角度。在hash匹配后根据模板中的参考点和场景中的目标点的位置和梯度方向对齐即可计算出目标位姿

优点

• 旋转不敏感：单一模型满足任意角度的场景
• 轻微的缩放不影响

缺点

• 细的特征无法满足：由于ppf中的降采样处理，特别精细的特征将无法识别。同时基于平等投票的方式，局部特征影响有限
• 极性影响：点对特征中使用了梯度方向，所以对于相同图案但颜色不一样时，可能无法匹配
• 更大尺度的缩放：对于缩放范围超过量化精度时，必须对模板做同步缩放计算多模型

更近一步

由于梯度的计算精度、以及场景的变化因素，经过ppf匹配后的结果会有一定的误差，可能需要经过更进一步的处理（如：ICP）才能满足需求