基于控制点直方图的迭代霍夫森林用于深度图像中的六自由度物体配准

目前最先进的六自由度物体姿态恢复技术依赖于无遮挡的点云来在三维空间中精确配准物体。为了减少这种依赖性，我们引入了一种名为“迭代霍夫森林与控制点直方图”的新颖架构，该架构能够在给定候选二维边界框的情况下，估计被遮挡和杂乱物体的六自由度姿态。我们的迭代霍夫森林仅使用从正样本中提取的图像块进行学习。这些图像块用控制点直方图（HoCP）表示，这是一种“尺度可变”的隐式体积描述，源自我们近期引入的隐式B样条（IBS）。在推理过程中，利用这种尺度可变性提供的丰富判别信息，通过我们的迭代霍夫森林，基于更具判别性的控制点迭代地细化物体的初始姿态估计。我们在一个公开数据集的多个测试物体上进行了实验，以测试我们的架构并与最先进的方法进行比较。