[发明专利]基于二进制量化三维特征描述子的物体识别方法

说明书

本发明提供一种基于二进制量化三维特征描述子的物体识别方法，该方法包括：获取目标物体的三维特征描述子；基于量化单元的长度和预设标准差个数，对所述三维特征描述子进行二进制量化，获取二进制量化后的三维特征描述子，所述量化单元包括所述三维特征描述子中若干个连续的元素；将二进制量化后的三维特征描述子与预设模板库进行匹配，以对所述目标物体进行识别。本发明实施例从三维特征描述子的设计原理出发，分析三维特征描述子的特点，对三维特征描述子进行二进制量化，量化后的特征描述子性能超越现有算法，在物体识别精度和特征匹配效率两方面达到目前综合最优水平。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种基于二进制量化三维特征描述子的物体识别方法。

背景技术

二进制量化三维特征描述子的方法是设计一种二进制的量化方法并将其应用于某种已经存在的特征描述子中，将原来每一维度的向量转化为二进制0或1，并可以在保证特征描述子的描述性、鲁棒性相当的情况下，大幅减少内存占有并加快三维物体识别速度。

在三维图像处理领域，应用二进制方法量化已有特征描述子的研究可追溯到2015年，新加坡南洋理工大学和香港科技大学的Prakhya等人在机器人顶级国际会议IROS上提出向量直接进行二进制量化方法，该方法是一种通用的方法，可以应用于不同的特征描述子的二进制量化中。

将该方法应用于传统SHOT特征描述子的二值量化中提出了B-SHOT：首先将SHOT描述子中每四个浮点型数据作为一个量化的单元，根据定义的5条规则将SHOT中的浮点型数据分别转化为二进制0和1，降低了物体表征时内存的占用，提高了匹配运算的效率，实现了三维点云快速特征匹配。该算法在3D点云关键点匹配上具有更加快速和高效的优点，B-SHOT的内存占用降低到SHOT的1/32的同时关键点匹配速度提高了6倍。

2017年，Kechagias-Stamatis等人提出二进制距离直方图(Binary-Histogram ofDistances，简称B-HoD)特征描述子，在已有的三维特征描述子算法HoD的基础上，通过提出一种二进制量化方法和预处理步骤，使得量化后的内存占用降低到原来的2/9，关键点匹配时间降低到原来的1/75。

2017年Prakhya等人采用格子量化(lattice quantization)的理论提出一种压缩三维特征描述子的二进制量化方法，将这种通用的方法应用于SHOT、RoPS和FPFH的量化中产生三种量化描述子Type-SHOT、Type-RoPS和Type-FPFH。实验结果表明Type-SHOT效果优于Type-RoPS和Type-FPFH。与B-SHOT相比，Type-SHOT的识别效果优于B-SHOT，但是其的关键点匹配时间却比B-SHOT长。

2018年和2019年的陆续出现的基于切比雪夫不等式和格雷码的二进制量化方法，在应用中到SHOT特征描述子中产生CI-SHOT和GRAY-SHOT，其识别结果虽然也优于B-SHOT，但是与Type-SHOT类似，其匹配时间也略长于B-SHOT。

从当前各种算法的比较来看，B-SHOT的方法虽然特征匹配效率高，但是识别正确率偏低，Type-SHOT、CI-SHOT和GRAY-SHOT的方法虽然识别正确率得到提高，但是特征匹配效率却偏低。即：现有方法目前的瓶颈是：

物体识别正确率与特征匹配效率在各种二进制量化算法中存在此消彼长的关系，目前还没有一种量化方法能够实现综合性能最优。

发明内容

本发明实施例提供一种基于二进制量化三维特征描述子的物体识别方法，用以解决现有技术中物体识别正确率与特征匹配效率此消彼长的缺陷，实现物体识别。

本发明实施例提供一种基于二进制量化三维特征描述子的物体识别方法，包括：

获取目标物体的三维特征描述子；