用于植物部件 3D 时序配准的统计形状表示
计算机视觉与模式识别
2023-06-08 v2
摘要
植物是动态有机体，理解植被的时间变化是野外机器人面临的基本问题。然而，跨时间关联植物的重复 3D 扫描具有挑战性。该过程的关键步骤是随时间重新识别并追踪相同的个体植物部件。此前，这通过比对它们的全局空间或拓扑位置实现。本文中，我们展示了使用形状特征如何改善时序器官匹配。我们提出一种无地标的形状压缩算法，可提取叶片的 3D 形状特征，以极少参数高效刻画叶形与曲率，并使个体叶片在特征空间中的关联成为可能。该方法结合 3D 轮廓提取与利用主成分分析（PCA）的进一步压缩，产生完全从数据学习且保留边缘轮廓与 3D 曲率信息的形状空间编码。我们在番茄植株时序扫描序列上的评估表明，引入形状特征改善了时序叶片匹配。形状、位置与旋转信息的结合对跨时间叶片识别最具信息量，真阳性率达 75%，较最优方法提升 15%。这对实现全生命周期表型的机器人作物监测至关重要。
引用
@article{arxiv.2209.11526,
title = {Statistical shape representations for temporal registration of plant components in 3D},
author = {Karoline Heiwolt and Cengiz Öztireli and Grzegorz Cielniak},
journal= {arXiv preprint arXiv:2209.11526},
year = {2023}
}
备注
6 pages plus references, 7 figures, presented at ICRA 2023