【《视觉SLAM定位的物体姿态估计案例》1600字】

视觉SLAM定位的物体姿态估计案例目录TOC\o"1-3"\h\u25207视觉SLAM定位的物体姿态估计案例 )最终，对于非对称物体，使用作为误差评估，对于对称物体，采用作为位姿估计的误差，当时，认为位姿估计准确，反之则认为位姿估计失败。为准确度阈值，根据实际工作需求决定。对于非对称物体，为0.3，对于对称物体，取10。最终，使用正确率作为数据集测试的指标。1.2数据集简介Linemod是物体6D姿态估计中常用的数据集。该数据3D重构技术，建立了15个无纹理的家用物体的模型，这些模型都拥有不同的大小和形状，每个物体都有一个与之关联的测试图像数据集。数据集中包含该RGB图像、对应的深度图以及该物体在相机视角下对应的位姿转换矩阵。在对应的测试图像集中只标注了该单一物体的估计位姿。LM测试数据的场景较为杂乱，但只有轻微遮挡。LM-O（Linemod-Occluded）为Linemod测试集下的一个测试子集，在该数据集中标注了所有建模物体的真实位姿，且在该数据集下，物体有一定程度的遮挡，增加了检测的难度。Linemod数据集模型和测试样本示例如图1.4所示。图1.4Linemod数据集示例1.3位姿估计测试本节在Linemod数据集上对算法性能进行评估。对于非对称物体采用作为误差评估，对于对称物体，采用作为误差评估，当时，认为位姿估计准确，反之则认为位姿估计失败。为准确度阈值，根据实际工作需求决定。对于非对称物体，为0.3，对于对称物体，取10。利用正确率作为算法性能的判断基准。对于搜索匹配策略，原始的PPF方法只访问单个哈希表，拓展的PPF方法访问索引哈希表以及相邻位置，本文方法根据噪声的特性，对量化损失进行判断，动态选择访问哈希表的个数，其结果如表1.2所示表1.2搜索匹配策略对比方法相对运行速度正确率PPF1.0X69.1%拓展的PPF4.67X71.5%本文方法1.19X71.3%从上表中可以看出，原始的PPF算法匹配速度最快，这是因为原始方法只匹配一个哈希表索引，匹配的数量也较少。拓展的PPF性能有了一定的提升，但是由于访问了81倍的哈希表索引，导致运行时间大幅度增加，使得算法的效率变低。我们的方法在提升运行时间较少的情况下获得了和拓展的PPF相当的正确率。IPC算法是位姿估计常用的后处理算法，对性能也有所提升，但是ICP算法会增加额外的处理时间。ICP算法依赖于初始化位置，由于算法是迭代处理的算法，对于每张图片运行的时间不固定，因此在表格中采用平均时间作为参考。为了增加对比，也引入随机初始化的结果。表1.3ICP后处理效果方法相对运行速度正确率随机初始化使用ICP7.81X31.1%本文方法不使用ICP1.0X63.9%本文方法使用ICP1.34X71.3%从表1.3中可以看出，当使用随机初始化时，ICP算法需要多次迭代，导致算法运行时间增大，且容易陷入局部最优解，本文方法在使用ICP作为后处理后，虽然运行时间稍微增加，但是算法的效果得到了一定地提升，因此，在需要更为精确地位姿估计时，ICP后处理步骤是很重要地。为了更为直观地观察位姿估计地结果，将数据集中给定地模型根据算法估计的位姿转换矩阵进行刚体转换，并将旋转后的物体根据相机的内参矩阵投影到相机平面，将投影后的物体与输