用于6自由度物体姿态估计的隐类霍夫森林

本文提出隐类霍夫森林（Latent-Class Hough Forests），一种用于严重杂乱和遮挡场景下的物体检测与6自由度姿态估计的方法。我们将最先进的模板匹配特征适配为尺度不变的块描述子，并通过新颖的基于模板的分裂函数将其集成到回归森林中。我们仅使用正样本训练，并将叶节点处的类别分布视为潜变量。在测试时，我们通过迭代更新这些分布进行推断，提供对背景杂乱和前景遮挡的准确估计，从而获得更好的检测率。此外，作为副产品，我们的隐类霍夫森林能提供准确的遮挡感知分割掩码，即使在多实例场景中也是如此。除一个现有的仅包含大量杂乱单实例序列的公开数据集外，我们收集了两个更具挑战性的多实例检测数据集，包含严重的2D和3D杂乱以及前景遮挡。我们对该框架的各种参数（如块大小、树的数量以及测试时推断类别分布的迭代次数）进行了大量实验。我们还在所有数据集上评估了隐类霍夫森林，其性能优于最先进的方法。