基于关键点局部特征的三维识别与位姿估计
一、算法特点：
（1）
基于全局特征的描述子对目标物体的描述，在识别时需要将场景点云分割，并且对遮挡、杂乱场景十分敏感；利用局部特征描述子来表述目标特征，不必对场景点云进行分割，对有遮挡场景，保持更高的鲁棒性。
（2）
建立特征处的局部坐标系，就能使得特征具有旋转不变性和平移不变性，不论在场景中还是模型中，对于同一特征点的局部坐标系是唯一的。
（3）
借助霍夫投票的方法，对参数空间进行投票，票数最高者为粗识别位置/位姿。
（4）
粗识别结果相当于给精识别一个有效的初值，在后面精识别（ICP）的迭代过程中，避免陷入局部最优解。
二、局部特征描述子与局部坐标系构建
在线下阶段，对模型进行采样，提取关键点，计算关键点的局部特征描述子（如SHOT描述子），并计算关键点处局部坐标系。坐标系的估计方法使用奇异值分解的方法，计算关键点邻域的协方差矩阵（或者以距离为权重的加权协方差矩阵），算出矩阵的特征值、特征向量，特征值由小到大对应的特征向量即局部坐标系（z，y，x）。
在线上阶段，首先对场景点云提取特征点，计算特征点的局部特征描述子，同时构建场景特征点的局部坐标系。借助k-d tree 搜索，找到模型描述子和场景描述子的特征点匹配（匹配原则可以基于两描述子的欧氏距离，设定阈值）。
三、位姿估计——霍夫投票实验效果
：
[1] Recognition in 3D Scenes with Occlusions and Clutter by Hough
Voting[C]// 2010 Fourth Pacific-Rim Symposium on Image and Video Technology.
IEEE Computer Society, 2010.
[2]Du G
, Wang K , Lian S . Vision-based Robotic Grasping from Object Localization,
Pose Estimation, Grasp Detection to Motion Planning: A Review[J]. 2019.