Three-Dimensional Object Recognition from Range Images
Three-Dimensional Object Recognition from Range Images
复制标题
范围图像的三维物体识别
DOI：
10.1007/978-4-431-68213-4
复制
发表时间：
1992
影响因子：
7.2
通讯作者：
S. Bhandarkar
中科院分区：
文献类型：
--
作者：
M. Suk;S. Bhandarkar
1 简介.- 1.1 计算机视觉.- 1.2 三维物体识别.- 1.2.1 表示.- 1.2.2 索引.- 1.2.3 约束传播和约束满足.- 1.3 三维物体识别系统的共同目标.- 1.4 定性特征.- 1.4.1 低级视觉中的定性特性研究过程.- 1.4.2 物体识别中的定性特征。- 1.5 本书的范围和概要。- I 距离图像处理和三维物体识别的基础知识。- 2 距离图像传感器和传感技术。- 2.1 距离图像形式。- 2.2 距离传感器的分类。- 2.2.1 雷达传感器。- 2.2.2 三角测量传感器。- 2.2.3 基于光学干涉测量的传感器。- 2.2.4 基于聚焦技术的传感器。- 2.2.5 基于菲涅耳衍射的传感器。- 2.2.6 触觉距离传感器。- 3 距离图像分割。- 3.1 距离图像分割的数学公式。- 3.2 表面微分几何基础知识。- 3.3 表面曲率。- 3.4 范围图像分割技术。- 3.4.1 基于边缘的分割技术。- 3.4.2 基于区域的分割技术。- 3.4.3 混合分割技术。- 3.5 总结。- 4 表示。- 4.1 几何表示的形式属性。- 4.2线框表示。- 4.3 构造立体几何 (CSG) 表示。- 4.4 使用 Geons 的定性表示。- 4.5 方面图表示。- 4.6 EGI 表示。- 4.7 使用广义圆柱表示。- 4.8 超二次表示。- 4.9 八叉树表示。- 4.10 摘要。- 5识别和定位技术。- 5.1 识别和定位技术 - 概述。- 5.2 解释树搜索。- 5.3 霍夫聚类。- 5.4 关系结构匹配。- 5.5 几何哈希。- 5.6 迭代模型拟合。- 5.7 索引和定性特征。- 5.8 作为耦合系统的视觉系统。- 5.8.1 耦合系统的面向对象表示。- 5.8.2 3D 对象识别的面向对象表示。- 5.8.3 在面向对象耦合系统中嵌入并行性。- 5.9 总结。- II 使用定性特征的三维对象识别。- 6 多面体对象识别。- 6.1 预处理和分割。- 6.1.1 平面拟合像素数据。- 6.1.2 参数空间中的聚类。- 6.1.3 聚类结果的后处理。- 6.1.4 轮廓提取和分类。- 6.1.5 边缘参数的计算。- 6.2 特征提取。- 6.3 解释树搜索。- 6.3.1 姿态确定。- 6.3.2 场景解释假设验证。- 6.4 广义霍夫变换。- 6.4.1 特征匹配。- 6.4.2 变换计算。- 6.4.3 姿态聚类。- 6.4.4 姿态假设验证。- 6.5 实验结果。- 6.6 小结。- 7 弯曲物体的识别。- 7.1 弯曲表示表面。- 7.1.1 从距离图像中提取表面曲率特征。- 7.2 使用逐点曲率描述进行识别。- 7.2.1 使用逐点表面匹配进行对象识别。- 7.3 使用定性特征进行识别。- 7.3.1 圆柱形和圆锥形表面。- 7.3.2 使用定性特征的识别过程。- 7.3.3 圆柱面的定位。- 7.3.4 圆锥面的定位。- 7.3.5 球面的定位。- 7.3.6 实验比较。- 7.4 复杂弯曲物体的识别。- 7.5 二面体特征连接。- 7.5.1 二面体特征连接的类型。- 7.5.2二面体特征连接点。- 7.5.3 姿态确定。- 7.5.4 姿态聚类。- 7.6 实验结果。- 7.7 摘要。- III 灵敏度分析和并行实现。- 8 灵敏度分析。- 8.1 连接点匹配和姿态确定。- 8.2 灵敏度分析。- 8.3 定性特征。- 8.4 广义霍夫变换。- 8.4.1 没有遮挡和传感器误差时的广义霍夫变换。- 8.4.2 存在遮挡和传感器误差时的广义霍夫变换。- 8.4.3 广义霍夫变换中的虚假峰值概率。- 8.5 广义霍夫变换中定性特征的使用。- 8.5.1 场景搜索空间的缩减由定性特征引起的解释。- 8.5.2 使用定性特征减少参数空间中拖尾的影响。- 8.5.3 加权广义霍夫变换中随机峰值的概率。- 8.5.4 ?k(x)、pk(x) 和 P(k) 的确定。- 8.6 加权广义霍夫变换。- 9 识别的并行实现技术。- 9.1 计算机视觉中的并行处理。- 9.1.1 并行架构。- 9.1.2 并行算法。- 9.2 连接机。- 9.2.1 系统组织。- 9.2.2 性能规格。- 9.3 连接机上的对象识别。- 9.3.1 特征提取。- 9.3.2 曲面定位。- 9.3.3 二面体特征连接点的计算。- 9.3.4 匹配和姿态计算。- 9.3.5 姿态聚类。- 9.4 超立方体上的对象识别。- 9.4.1 场景描述。- 9.4.2 模型数据。- 9.4.3 场景特征数据。- 9.4.4 修剪约束。- 9.4.5本地化。- 9.5 在超立方体上映射解释树。- 9.5.1 解释树的广度优先映射。- 9.5.2 解释树的深度优先映射。- 9.5.3 具有负载共享的解释树的深度优先映射。- 9.5.4 实验结果。
1 Introduction.- 1.1 Computer Vision.- 1.2 Three-Dimensional Object Recognition.- 1.2.1 Representation.- 1.2.2 Indexing.- 1.2.3 Constraint Propagation and Constraint Satisfaction.- 1.3 Common Goals of Three-Dimensional Object Recognition Systems.- 1.4 Qualitative Features.- 1.4.1 Study of Qualitative Properties in Low-level Vision Processes.- 1.4.2 Qualitative Features in Object Recognition.- 1.5 The Scope and Outline of the Book.- I Fundamentals of Range Image Processing and Three-Dimensional Object Recognition.- 2 Range Image Sensors and Sensing Techniques.- 2.1 Range Image Forms.- 2.2 Classification of Range Sensors.- 2.2.1 Radar Sensors.- 2.2.2 Triangulation Sensors.- 2.2.3 Sensors based on Optical Interferometry.- 2.2.4 Sensors Based on Focusing Techniques.- 2.2.5 Sensors Based on Fresnel Diffraction.- 2.2.6 Tactile Range Sensors.- 3 Range Image Segmentation.- 3.1 Mathematical Formulation of Range Image Segmentation.- 3.2 Fundamentals of Surface Differential Geometry.- 3.3 Surface Curvatures.- 3.4 Range Image Segmentation Techniques.- 3.4.1 Edge-based Segmentation Techniques.- 3.4.2 Region-based Segmentation Techniques.- 3.4.3 Hybrid Segmentation Techniques.- 3.5 Summary.- 4 Representation.- 4.1 Formal Properties of Geometric Representations.- 4.2 Wire-Frame Representation.- 4.3 Constructive Solid Geometry (CSG) Representation.- 4.4 Qualitative Representation using Geons.- 4.5 Aspect Graph Representation.- 4.6 EGI Representation.- 4.7 Representation Using Generalized Cylinders.- 4.8 Superquadric Representation.- 4.9 Octree Representation.- 4.10 Summary.- 5 Recognition and Localization Techniques.- 5.1 Recognition and Localization Techniques-An Overview.- 5.2 Interpretation Tree Search.- 5.3 Hough Clustering.- 5.4 Matching of Relational Structures.- 5.5 Geometric Hashing.- 5.6 Iterative Model Fitting.- 5.7 Indexing and Qualitative Features.- 5.8 Vision Systems as Coupled Systems.- 5.8.1 Object-Oriented Representation for Coupled Systems.- 5.8.2 Object-Oriented Representation for 3-D Object Recognition.- 5.8.3 Embedding Parallelism in an Object-Oriented Coupled System.- 5.9 Summary.- II Three-Dimensional Object Recognition Using Qualitative Features.- 6 Polyhedral Object Recognition.- 6.1 Preprocessing and Segmentation.- 6.1.1 Plane Fitting to Pixel Data.- 6.1.2 Clustering in Parameter Space.- 6.1.3 Post Processing of Clustering Results.- 6.1.4 Contour Extraction and Classification.- 6.1.5 Computation of Edge Parameters.- 6.2 Feature Extraction.- 6.3 Interpretation Tree Search.- 6.3.1 Pose Determination.- 6.3.2 Scene Interpretation Hypothesis Verification.- 6.4 Generalized Hough Transform.- 6.4.1 Feature Matching.- 6.4.2 Computation of the Transform.- 6.4.3 Pose Clustering.- 6.4.4 Verification of the Pose Hypothesis.- 6.5 Experimental Results.- 6.6 Summary.- 7 Recognition of Curved Objects.- 7.1 Representation of Curved Surfaces.- 7.1.1 Extraction of Surface Curvature Features from Range Images.- 7.2 Recognition Using a Point-Wise Curvature Description.- 7.2.1 Object Recognition Using Point-Wise Surface Matching.- 7.3 Recognition Using Qualitative Features.- 7.3.1 Cylindrical and Conical Surfaces.- 7.3.2 The Recognition Process Using Qualitative Features.- 7.3.3 Localization of a Cylindrical Surface.- 7.3.4 Localization of a Conical Surface.- 7.3.5 Localization of a Spherical Surface.- 7.3.6 An Experimental Comparison.- 7.4 Recognition of Complex Curved Objects.- 7.5 Dihedral Feature Junctions.- 7.5.1 Types of Dihedral Feature Junctions.- 7.5.2 Matching of Dihedral Feature Junctions.- 7.5.3 Pose Determination.- 7.5.4 Pose Clustering.- 7.6 Experimental Results.- 7.7 Summary.- III Sensitivity Analysis and Parallel Implementation.- 8 Sensitivity Analysis.- 8.1 Junction Matching and Pose Determination.- 8.2 Sensitivity Analysis.- 8.3 Qualitative Features.- 8.4 The Generalized Hough Transform.- 8.4.1 The Generalized Hough Transform in the Absence of Occlusion and Sensor Error.- 8.4.2 The Generalized Hough Transform in Presence of Occlusion and Sensor Error.- 8.4.3 Probability of Spurious Peaks in the Generalized Hough Transform.- 8.5 The Use of Qualitative Features in the Generalized Hough Transform.- 8.5.1 Reduction in the Search Space of Scene Interpretations due to Qualitative Features.- 8.5.2 Reducing the Effect of Smearing in Parameter Space using Qualitative Features.- 8.5.3 The Probability of Random Peaks in the Weighted Generalized Hough Transform.- 8.5.4 Determination of ?k(x), pk(x) and P(k).- 8.6 Weighted Generalized Hough Transform.- 9 Parallel Implementations of Recognition Techniques.- 9.1 Parallel Processing in Computer Vision.- 9.1.1 Parallel Architectures.- 9.1.2 Parallel Algorithms.- 9.2 The Connection Machine.- 9.2.1 System Organization.- 9.2.2 Performance Specifications.- 9.3 Object Recognition on the Connection Machine.- 9.3.1 Feature Extraction.- 9.3.2 Localization of Curved Surfaces.- 9.3.3 Computation of Dihedral Feature Junctions.- 9.3.4 Matching and Pose Computation.- 9.3.5 Pose Clustering.- 9.4 Object Recognition on the Hypercube.- 9.4.1 Scene Description.- 9.4.2 Model Data.- 9.4.3 Scene Feature Data.- 9.4.4 Pruning Constraints.- 9.4.5 Localization.- 9.5 Mapping the Interpretation Tree on the Hypercube.- 9.5.1 Breadth-First Mapping of the Interpretation Tree.- 9.5.2 Depth-First Mapping of the Interpretation Tree.- 9.5.3 Depth-First Mapping of the Interpretation Tree with Load Sharing.- 9.5.4 Experimental Results.