雙目攝像技術(shù)分析--突破光學(xué)與尺寸的極限

?

背景知識(shí)

運(yùn)動(dòng)模糊

釣寒江雪整理

?

Figure 1 水平方向運(yùn)動(dòng)模糊50像素（圖像已經(jīng)縮?。?/p>

Figure 2 水平方向運(yùn)動(dòng)模糊10像素（圖像已經(jīng)縮小）

Figure 3 軟件模擬水平方向運(yùn)動(dòng)模糊5像素（圖像已經(jīng)縮?。?/p>

Figure 4 軟件模擬無(wú)運(yùn)動(dòng)模糊（圖像已經(jīng)縮?。?/p>

Figure 5 軟件模擬運(yùn)動(dòng)模糊對(duì)比（圖像無(wú)縮放，左上：無(wú)運(yùn)動(dòng)模糊，右上：運(yùn)動(dòng)模糊5像素，左下：運(yùn)動(dòng)模糊10像素，右下運(yùn)動(dòng)模糊50像素）釣寒江雪整理

Figure 6 軟件模擬運(yùn)動(dòng)模糊對(duì)比（圖像無(wú)縮放，左上：無(wú)運(yùn)動(dòng)模糊，右上：運(yùn)動(dòng)模糊5像素，左下：運(yùn)動(dòng)模糊10像素，右下運(yùn)動(dòng)模糊50像素）釣寒江雪整理

Figure 7 軟件模擬運(yùn)動(dòng)模糊對(duì)比（左上：無(wú)運(yùn)動(dòng)模糊，右上：運(yùn)動(dòng)模糊5像素，左下：運(yùn)動(dòng)模糊10像素，右下運(yùn)動(dòng)模糊50像素）釣寒江雪整理

Figure 8 運(yùn)動(dòng)模糊（左30毫秒，右50毫秒）

Figure 9 運(yùn)動(dòng)模糊（左10毫秒，右30毫秒）

?

?

?

圖像配準(zhǔn)

配準(zhǔn)是尋找從一個(gè)數(shù)據(jù)集到另一個(gè)數(shù)據(jù)集的轉(zhuǎn)換關(guān)系的問(wèn)題。大部分這類直接形式中，這兩組數(shù)據(jù)集的維度相同(例如，我們配準(zhǔn)3D數(shù)據(jù)到3D數(shù)據(jù)或者2D數(shù)據(jù)到2D數(shù)據(jù))，轉(zhuǎn)換方式有旋轉(zhuǎn)，平移，也可能有縮放。好的方法對(duì)此類問(wèn)題非常有用。很多案例中人們希望知道一個(gè)在與自己具有相同維度的數(shù)據(jù)集中的目標(biāo)的位姿—世界坐標(biāo)中的位置和方向。例如，我們有一個(gè)病人體內(nèi)的MRI（核磁共振）圖像（3D數(shù)據(jù)集），我們希望疊加在真實(shí)病人的畫面上以指導(dǎo)外科手術(shù)。這種情況下，我們希望知道旋轉(zhuǎn)，平移，縮放模型，用以將一個(gè)圖像疊加在另外一個(gè)圖像上（釣寒江雪翻譯）。還有個(gè)例子，我們可能有一個(gè)2D圖像模板，我們想在一副航拍圖像中找到該模板，我們同樣需要知道旋轉(zhuǎn)平移和縮放關(guān)系，以將一副圖像疊加在另外一個(gè)副上。我們可能也使用匹配質(zhì)量打分的方式來(lái)表示我們是否建立了正確的匹配關(guān)系。我們使用搜索和發(fā)現(xiàn)位姿恒常性特性來(lái)解決此類問(wèn)題。位姿恒常性是指剛性物體中不同特征集反應(yīng)該物體相同的位姿。結(jié)果，剛性物體配準(zhǔn)問(wèn)題變得簡(jiǎn)單很多，因?yàn)槲覀冎恍枵业揭恍〔糠痔卣鱽?lái)估計(jì)物體的位姿（釣寒江雪翻譯），且我們能用其他部分來(lái)確認(rèn)該位姿。

該問(wèn)題一個(gè)重要的變種是在投影關(guān)系下實(shí)施配準(zhǔn)。這種情況下我們看到一個(gè)3D物體的圖像，且需要將該物體配準(zhǔn)到圖像。通常，這個(gè)問(wèn)題能夠用同維度數(shù)據(jù)集配準(zhǔn)的搜索算法來(lái)解。這里我們需要借助一種有時(shí)被稱為攝像機(jī)恒常性的特性的幫助，攝像機(jī)恒常性意思是圖像中的所有特征在都是同一個(gè)攝像機(jī)拍攝的（釣寒江雪翻譯）。攝像機(jī)恒常興意味著，剛性物體到圖像的匹配搜索問(wèn)題被大大簡(jiǎn)化，因?yàn)槲覀冎恍枰恍〈樘卣鱽?lái)估計(jì)物體的位姿和攝像機(jī)的標(biāo)定，且我們可以用其他剩余的特征來(lái)確認(rèn)位姿。

最復(fù)雜的配準(zhǔn)問(wèn)題是要處理能發(fā)生形變的物體。這種情況下，配準(zhǔn)兩個(gè)數(shù)據(jù)集的轉(zhuǎn)換模型是個(gè)大家族（譯者注：不只旋轉(zhuǎn)，平移，縮放，投影）。搜索特定轉(zhuǎn)換相對(duì)而言更加復(fù)雜。配準(zhǔn)可形變土體是醫(yī)療圖像分析的一個(gè)核心技術(shù)，因?yàn)槿梭w組織可形變且通常在不同的成像模式下對(duì)相同的身體部分進(jìn)行成像。

剛性物體配準(zhǔn)

假設(shè)我們有兩個(gè)點(diǎn)集，源集與目標(biāo)集。目標(biāo)集是源集的旋轉(zhuǎn)，平移及縮放版本，且其中可能有噪點(diǎn)。我們希望計(jì)算該旋轉(zhuǎn)，平移及縮放量。

這個(gè)問(wèn)題可以直接表達(dá)為公式，如果我們知道到的映射，記為目標(biāo)點(diǎn)集合中某點(diǎn)索引到源集中第i個(gè)點(diǎn)（釣寒江雪翻譯）。這種情況下，我們可以計(jì)算一個(gè)最小二乘方程，最小化

其中s是縮放因子，是旋轉(zhuǎn)，是平移。如果目標(biāo)沒(méi)有縮放，我們?cè)O(shè)s=1。

我們能可以用數(shù)值優(yōu)化的方法解該優(yōu)化問(wèn)題，雖然該問(wèn)題有解析解。Horn(1987b)認(rèn)為平移兩可以從中心點(diǎn)恢復(fù)，旋轉(zhuǎn)和縮放可以從點(diǎn)集的各類矩中得到。事實(shí)上，這篇文章認(rèn)為如果目標(biāo)是源的旋轉(zhuǎn)平移和縮放版本，點(diǎn)到點(diǎn)的映射關(guān)系無(wú)關(guān)緊要。這個(gè)案例違背了配準(zhǔn)問(wèn)題，但是實(shí)際中并不常見(jiàn)。

更普遍地，S是一個(gè)從幾何結(jié)構(gòu)中采樣到的點(diǎn)集，T是一個(gè)從相同結(jié)構(gòu)的旋轉(zhuǎn)平移縮放版本中采樣的的點(diǎn)集。例如，S可能是物體的集合模型，T是通過(guò)立體重構(gòu)或者激光測(cè)距的方式獲得。另一個(gè)例子，S和T可能是從不同的3D圖像解剖結(jié)構(gòu)數(shù)據(jù)集中通過(guò)特征檢測(cè)齊獲得。不同例子中，我們相信S是T的旋轉(zhuǎn)平移及縮放版。但是T中的點(diǎn)未必對(duì)應(yīng)S中的點(diǎn)。更糟糕，采樣過(guò)程意味著我們無(wú)法準(zhǔn)確估計(jì)矩。所以Horn的算法不行。還有糟糕的事情，數(shù)據(jù)集可能包含較大的誤差和錯(cuò)誤外點(diǎn)。

記

?

該數(shù)據(jù)集通過(guò)源集的旋轉(zhuǎn)平移與縮放得到。在解決該問(wèn)題的方法中，中大部分點(diǎn)需要靠近T中的一個(gè)點(diǎn)。且提供一個(gè)映射關(guān)系。我們通過(guò)估計(jì)映射關(guān)系來(lái)搜索正確的轉(zhuǎn)換關(guān)系，然后通過(guò)估計(jì)得轉(zhuǎn)換關(guān)系來(lái)估計(jì)映射關(guān)系，然后重復(fù)。我們也可以選擇一小部分?jǐn)?shù)據(jù)來(lái)搜索，然后用以估計(jì)轉(zhuǎn)換關(guān)系。

迭代最近點(diǎn)

此刻，假設(shè)我們沒(méi)有外點(diǎn)。我們期望對(duì)于任意，存在最近點(diǎn)。如果我們使用一個(gè)合理的轉(zhuǎn)換估計(jì)，距離不能太大。注意點(diǎn)的索引依賴于j, 但也依賴于特定的轉(zhuǎn)換參數(shù)，記最近點(diǎn)索引為，假設(shè)我們估計(jì)的轉(zhuǎn)換歡喜為。然后我們迭代地精細(xì)化估計(jì)結(jié)果：(a)轉(zhuǎn)換S中的點(diǎn)；(b)逐一找到T中對(duì)應(yīng)的最近點(diǎn)；以及(C)最小二乘法重新估計(jì)轉(zhuǎn)換參數(shù)。這催生了一個(gè)迭代算法，根據(jù)文獻(xiàn) Besl and McKay (1992),稱為迭代最近點(diǎn)算法iterated closestpoints。該算法可以明確地收斂到正確答案（釣寒江雪翻譯）。

實(shí)際應(yīng)用中，它確實(shí)可以。兩個(gè)點(diǎn)集可以助其改善其性能。首先，重估計(jì)過(guò)程不需要收斂以使算法有用。例如，我們不需要完整地估計(jì)轉(zhuǎn)換關(guān)系，我們做一次梯度下降。這稍微改善了轉(zhuǎn)換關(guān)系，且修改了最近點(diǎn)映射關(guān)系。其次，我們不需要再最小化過(guò)程中使用全部的點(diǎn)。特殊地，如果最近點(diǎn)相對(duì)較遠(yuǎn)，最好在下一步的最小2乘法中拋棄這些點(diǎn)。這會(huì)使算法更魯棒。

你可能會(huì)認(rèn)為與其說(shuō)這是個(gè)算法不如說(shuō)是個(gè)算法模板；大量特征可以被成功地修改。例如，它可以用來(lái)在數(shù)據(jù)結(jié)構(gòu)中小心地加速保持對(duì)最近點(diǎn)的跟蹤。另一個(gè)例子，一個(gè)可選的用于改善魯棒性的策略，是使用M估計(jì)器取代最小二乘誤差項(xiàng)。事實(shí)上，該算法不需要S和T的點(diǎn)集。例如，它相對(duì)直接地用于S是網(wǎng)格點(diǎn)，T是點(diǎn)集的案例（Besl and McKay 1992）。另外，有良好的證據(jù)表明我們優(yōu)化的關(guān)于(s, θ, t)的目標(biāo)函數(shù)在實(shí)際應(yīng)用中性能良好。例如，雖然它不是可微的（因?yàn)樽罱c(diǎn)改變，導(dǎo)致微分步長(zhǎng)變化），2階方法如牛頓方法或者LBFGS在實(shí)際引用中事實(shí)上表現(xiàn)更好。

通過(guò)映射關(guān)系搜索轉(zhuǎn)換關(guān)系

迭代最近點(diǎn)重復(fù)估計(jì)源集于目標(biāo)集的映射關(guān)系，然后用以估計(jì)轉(zhuǎn)換關(guān)系。就我們所見(jiàn)，該搜索方法面臨很多局部極小值。另一個(gè)方法是搜索映射空間。這看起來(lái)似乎沒(méi)有前途，因?yàn)橛写罅康挠成潢P(guān)系，但是在剛性物體的案例中，較小的映射集足以配準(zhǔn)整個(gè)物體。另一個(gè)直接考慮映射的優(yōu)勢(shì)是我們可以直接使用標(biāo)記進(jìn)行作用而不是點(diǎn)。例如，我們映射中放置線段，角，甚至如斑點(diǎn)（blobs）點(diǎn)狀特征。這類標(biāo)記可能改變細(xì)節(jié)，但對(duì)整個(gè)算法影響微小。

很小的源標(biāo)記集與目標(biāo)標(biāo)記集進(jìn)行映射，足以估計(jì)轉(zhuǎn)換關(guān)系。集合的尺寸依賴于轉(zhuǎn)換關(guān)系及標(biāo)記本身。我們參考可用于計(jì)算轉(zhuǎn)換關(guān)系的稱謂幀支持群frame-bearing group一群標(biāo)記。表12.1給出了2D-2D幀支持群的例子，且表12.02給出了3D到3D案例的例子。這也將在未來(lái)的運(yùn)用中進(jìn)一步拓展。

現(xiàn)在我們假設(shè)我們?cè)谠春湍繕?biāo)中有幀支持群。進(jìn)一步，如果我們有標(biāo)記集的映射關(guān)系，我們可以計(jì)算源之于目標(biāo)的相應(yīng)的轉(zhuǎn)換關(guān)系（釣寒江雪翻譯）。只能有一個(gè)可能的映射關(guān)系。例如，如果群是先或者點(diǎn)，我們只能把源線（點(diǎn)）放置在與目標(biāo)線（點(diǎn)）映射的位置。但是可能有多種可能的映射；例如群由3個(gè)點(diǎn)組成，但是有6種可能性。

如果一個(gè)群或者映射錯(cuò)誤，大部分的源標(biāo)記將轉(zhuǎn)換到遠(yuǎn)離目標(biāo)的位置。但是如果正確，很多或者大部轉(zhuǎn)換過(guò)的源標(biāo)記將落在目標(biāo)標(biāo)記附近。這意味著我們可以用RANSAC（10.4.2），重復(fù)地使用如下步驟，分析結(jié)果：

• 為目標(biāo)和源隨機(jī)選擇幀支持群，
• 計(jì)算源與目標(biāo)單元的映射關(guān)系（如果有多個(gè)，我們隨機(jī)選擇），然后計(jì)算轉(zhuǎn)換關(guān)系。
• 使用該轉(zhuǎn)換關(guān)系轉(zhuǎn)換源集沒(méi)，并與目標(biāo)進(jìn)行比較打分只。

如果我們實(shí)施足夠多次，我們極大可能可以在好的群之間獲得好的映射結(jié)果，且我們也可以檢查每個(gè)分?jǐn)?shù)用以分辨優(yōu)劣。從好的映射關(guān)系，我們可以分辨源與目標(biāo)的匹配對(duì)，最終根據(jù)最小2乘法計(jì)算轉(zhuǎn)換關(guān)系。

?

應(yīng)用：建立圖像拼接

一個(gè)拍攝大而壯觀的目標(biāo)的細(xì)節(jié)的方法是拍攝很多張小的圖像，并將其拼接到一起。過(guò)去的做法常常是將照片沖印，然后堆疊貼在軟木板上，用以吻合。這引入了圖像拼接，一系列重疊的圖像。圖像拼接現(xiàn)在能用數(shù)字圖像配準(zhǔn)的方法實(shí)施。

表1 3D-3D幀支持群.假設(shè)我們?cè)谠春湍繕?biāo)中都有一個(gè)群，且有一個(gè)映射關(guān)系；從而，我們可以唯一地估計(jì)轉(zhuǎn)換關(guān)系。

Figure 10 左圖，機(jī)場(chǎng)上空航拍視頻幀。這些幀被矯正并拼接在右圖，其中顯示（a）全局可見(jiàn)結(jié)構(gòu)（b）飛機(jī)飛行路徑。這個(gè)圖最作為Figure1發(fā)表在“Video Indexing Based on Mosaic Representations,”by M. Irani and P. Anandan, Proc. IEEE, v86 n5, 1998, _c IEEE, 1998.

?

一個(gè)應(yīng)用是創(chuàng)建大型圖像。也有幾個(gè)其他重要的應(yīng)用。例如，假設(shè)我們用在飛機(jī)垂直安裝的一個(gè)的攝像機(jī)拍攝了一些圖像（釣寒江雪翻譯）；然后如果我們一幀一幀配準(zhǔn)這些圖像，我們不但可以得到飛機(jī)可見(jiàn)的圖像，還可以呈現(xiàn)飛機(jī)的路徑，如圖Figure 12.1所示。另一個(gè)例子， 假如我們我們有一個(gè)獲取視頻的固定的攝像機(jī)。逐幀配準(zhǔn)后，我們可以估計(jì)（a）運(yùn)動(dòng)物體，（b）背景，且用新的方式向觀眾呈現(xiàn)（figure 12.2）。還有個(gè)例子，我們能夠構(gòu)建圓柱面全景圖像，模仿圓柱面攝像機(jī)拍攝的圖像。甚至球面全景圖像，模擬球面球面攝像機(jī)拍攝的圖像。全景圖像的一個(gè)特性看起來(lái)像一個(gè)視角的圖像，容易查詢提取信息。特別地，容易使用全景圖像模仿攝像機(jī)旋轉(zhuǎn)聚焦點(diǎn)時(shí)之所見(jiàn)。

創(chuàng)建拼接式圖像配準(zhǔn)的一個(gè)重要應(yīng)用。在最簡(jiǎn)單的例子中我們希望配準(zhǔn)兩張圖像我們先找到標(biāo)記，然后確定哪些點(diǎn)是匹配額，然后選擇轉(zhuǎn)換關(guān)系，并最小化２次匹配誤差。Brown and Lowe(2003)給出了尋找標(biāo)記的策略。他們找到感興趣點(diǎn)，然后計(jì)算領(lǐng)域的ＳＩＦＴ特征，然后使用近似最臨近點(diǎn)方法尋找匹配對(duì)，一小組匹配點(diǎn)足以擬合映射關(guān)系。

figure 11 左圖，空中飛機(jī)拍攝的視頻幀（釣寒江雪翻譯）。這些幀被矯正并拼接到右圖，其中顯示（a）視頻中飛機(jī)飛行軌跡和（b）觀察者的飛行軌跡。注意拼接顯示了飛機(jī)移動(dòng)速度（可看到每一個(gè)飛機(jī)拼接實(shí)體間距多遠(yuǎn)；如果間距遠(yuǎn)，說(shuō)明移動(dòng)快）。

這類有兩種有用的轉(zhuǎn)換關(guān)系。最簡(jiǎn)單的例子中，攝像機(jī)是一個(gè)垂直平移的攝像機(jī)，且它被平移。這意味著圖像標(biāo)記平移（釣寒江雪翻譯），因?yàn)槲覀冎恍枰烙?jì)圖像之間的平移量，另一個(gè)復(fù)雜的例子，攝像機(jī)是一個(gè)繞其焦點(diǎn)旋轉(zhuǎn)的透視的攝像機(jī)。如果我們對(duì)該攝像機(jī)一無(wú)所知，這個(gè)I1和I2的關(guān)聯(lián)部分是一個(gè)面投影轉(zhuǎn)換關(guān)系，又稱單應(yīng)變換。了解更多關(guān)于攝像機(jī)及環(huán)境信息，能夠得到更緊的約束條件的轉(zhuǎn)換（釣寒江雪翻譯）。

在單應(yīng)坐標(biāo)中，轉(zhuǎn)換關(guān)系將點(diǎn)I1中的Ｘ１＝映射到Ｉ２中的。轉(zhuǎn)換關(guān)系的形式是3x3行列式非零的矩陣。記為Ｈ。我們用平面上４個(gè)對(duì)應(yīng)點(diǎn)估計(jì)元素值。記為第Ｉ１中第ｉ個(gè)點(diǎn)，對(duì)應(yīng)，現(xiàn)在我們有式

Figure 12

?

如果我們叉乘并相減，我們根據(jù)每一組映射點(diǎn)對(duì)的未知矩陣入口得到單應(yīng)線性方程，例如：

這個(gè)系統(tǒng)給出了H大小的（up to scale,原文）求解方法（我們工作在單應(yīng)坐標(biāo)系下）。這是一個(gè)根據(jù)少量點(diǎn)估計(jì)Ｈ好的方法，　但當(dāng)我們有一大堆映射點(diǎn)對(duì)時(shí)，可能得不到最準(zhǔn)確的解。這種情況下，我們應(yīng)該最小化Ｈ的函數(shù)

其中g(shù)是判別函數(shù)，如果我們有外點(diǎn)的話，這不是個(gè)好主意，或者一個(gè)M估計(jì)器。這個(gè)函數(shù)值關(guān)于H的大小是不變的（意思是H矩陣的元素統(tǒng)一放大或者縮小都不影響函數(shù)值），所以我們需要一個(gè)歸一化的形式（釣寒江雪翻譯）。我們可以設(shè)置一個(gè)量為1來(lái)歸一化（不是個(gè)好主意，因?yàn)檫@帶來(lái)了偏置量），或者要求Frobenius 范數(shù)等于1。好的估計(jì)單應(yīng)矩陣的軟件已經(jīng)可以在Web上獲得。Manolis　Lourakis在https://www.ics.forth.gr/~lourakis/homest/發(fā)表了一個(gè) C/C++ 庫(kù); there is a set of MATLAB functions for multiple view geometry at一個(gè)ＭＡＴＬＡＢ多視幾何函數(shù)集，https://www.robots.ox.ac.uk/~vgg/hzbook/code/,作者是 David Capel, Andrew　Fitzgibbon, Peter Kovesi, Tomas Werner, Yoni Wexler, and Andrew Zisserman.

最后，OpenCV也有單應(yīng)估計(jì)方法。

如果有超過(guò)2張圖像，配準(zhǔn)圖像到拼接圖像更有意思。想想我們有三個(gè)圖像，我們能夠配準(zhǔn)圖像1到圖像2，然后圖像2到圖像3。但是如果圖像3具有一些圖像1所具有的特征，這可能是不明智的做法。記為圖像2到圖像1的轉(zhuǎn)換關(guān)系（依次類推）。問(wèn)題是可能不是圖像2到圖像1的轉(zhuǎn)換關(guān)系的好的估計(jì)。在三張圖像的情況下，誤差可能不是那么大，但是能累加?！?/a>

為了解決誤差累加的問(wèn)題，我們需要使用全部的誤差值一次估計(jì)所有的配準(zhǔn)數(shù)據(jù)。這個(gè)動(dòng)作叫做綁定調(diào)整（bundle adjustment），依靠分析運(yùn)動(dòng)中結(jié)構(gòu)的相關(guān)項(xiàng)實(shí)施（章節(jié)8.3.3）。一個(gè)自然方法是選擇一個(gè)坐標(biāo)幀，圖像幀再其內(nèi)工作－例如，第一幀圖像，然后搜索一系列其他圖像與第一幅圖像的匹配關(guān)系，并最小化點(diǎn)對(duì)誤差平方和。例如，記為第j元組，它由圖像ｉ中及圖像k中組成。我們可以通過(guò)最小化下式估計(jì)和，　

(其中，如果沒(méi)有外點(diǎn)，g是一致的，否則是M估計(jì)器)，然后用轉(zhuǎn)換關(guān)系配準(zhǔn)。注意，隨著圖像數(shù)量增加，這個(gè)方法可能帶來(lái)大的和差的優(yōu)化問(wèn)題（釣寒江雪翻譯），很可能出現(xiàn)局部最小值，所以需要從一個(gè)好的轉(zhuǎn)換估計(jì)值開(kāi)始。配準(zhǔn)獨(dú)立圖像對(duì)能夠提供這樣的起始點(diǎn)。一旦圖像已經(jīng)配準(zhǔn)到另外一副圖像，我們能得到一單張全景圖像，然后小心地混疊像素以處理由鏡頭系統(tǒng)導(dǎo)致的空間亮度變化（圖12.5）?！?/p>

?

基于模型的視覺(jué)：使用投影配準(zhǔn)剛性物體

MODEL-BASED VISION: REGISTERING RIGID OBJECTS WITH PROJECTION我們現(xiàn)在已經(jīng)可以用圖像配準(zhǔn)剛性物體。這個(gè)問(wèn)題的解決方法在實(shí)際應(yīng)用中很有用，　因?yàn)樗鼈冊(cè)试S我們根據(jù)攝像機(jī)估計(jì)圖像中已知物體的位置，方向，縮放，盡管物體身上的圖像特征有很多不確定性。這類算法能夠和世界產(chǎn)生作用，在系統(tǒng)中特別有用。例如，如果我們希望移動(dòng)一個(gè)物體到特定位置，或者抓住它，根據(jù)攝像機(jī)知道它的數(shù)據(jù)真的特別有用。我們使用相同的方法來(lái)解決3D物體到3D物體的配準(zhǔn)，方法重復(fù)：找到一個(gè)群；恢復(fù)轉(zhuǎn)換關(guān)系；對(duì)全部源實(shí)施轉(zhuǎn)換；然后對(duì)源于目標(biāo)的相似度打分。最后我們輸出得分最好的轉(zhuǎn)換結(jié)果。更進(jìn)一步，如果最好的轉(zhuǎn)換關(guān)系得分較好，那么物體就在那兒（那兒就是估計(jì)出的位姿）；如果不好，他就不是（不在那兒）?！?/p>

源由多個(gè)基于某些幾何結(jié)構(gòu)的標(biāo)記組成，而是基于幾何結(jié)構(gòu)的旋轉(zhuǎn)平移及縮放版的標(biāo)記組成。我們想得到實(shí)際的旋轉(zhuǎn)，平移及縮放。通常該問(wèn)題涉及很多中的外點(diǎn)，因?yàn)槲覀儾恢捞卣魇欠裾娴膩?lái)自該物體。幾乎所有的標(biāo)記都是點(diǎn)或者線段；對(duì)于，這些由物體的幾何模型決定，而對(duì)于，則來(lái)自邊緣點(diǎn)或者邊緣點(diǎn)的擬合線（我們能使用Chapter 10的這些機(jī)制獲得這些線）（釣寒江雪翻譯）。這個(gè)案例有兩個(gè)不同的特性。我們不能估計(jì)全部的轉(zhuǎn)換參數(shù)（通常也無(wú)關(guān)緊要），且它也很難得到令人滿意的源與目標(biāo)的相似度評(píng)分?！?/a>

我們能夠調(diào)整邊緣檢測(cè)器來(lái)重度平滑紋理強(qiáng)度，以期紋理區(qū)域的消失。這是個(gè)危險(xiǎn)的規(guī)避方法，因?yàn)檫@常常會(huì)影響對(duì)比度靈敏度，從而也會(huì)導(dǎo)致物體消失。然而，這個(gè)方法在可接受的程度下有效果，被廣泛地應(yīng)用。

參考文獻(xiàn)：

COMPUTER VISIONA MODERN APPROACHsecond editionDavid A. Forsyth
University of Illinois at Urbana-ChampaignJean PonceEcole Normale Supérieure

與非網(wǎng)原創(chuàng)內(nèi)容，謝絕轉(zhuǎn)載！