机器视觉的背景以及算法分类？

机器人视觉识别技术是移动机器人平台的关键技术，代表了机器人智能、自动化和先进性的判断标准。基于机器视觉的三维物体目标识别，检测和定位技术已成功应用于许多工业领域。

（机器视觉）

基于机械臂平台的操作系统可以完成一系列繁重复杂的工作，大大解放了人类的手，提高了工业生产效率。机器人视觉识别技术作为促进这一切成果的基础，正在逐步建立，稳步发展，逐步成熟。近年来，随着机器人相关技术的快速发展，其所依赖的平台也得到了快速的升级。以前更贵的3D工业相机，3D图像传感器，3D扫描仪逐渐普及，传感器微型化、智能化、低功耗、高效率带来的深度图像设备价格大幅下降，机器视觉识别技术越来越深入成熟。

检测和识别三维物体的目标，6D位置估计、机械臂运动规划控制、基于即时定位和地图构建的移动平台线路规划SLAM(SimultaneousocalizationAndMapping)三维物体检测和捕获是移动机器人平台的核心关键技术，其精度直接影响到整个移动机器人控制系统的捕获成功率和任务的完成。D物体实时检测，3D目标识别，6D位置估计一直是机器人视觉领域的核心研究课题，最新的研究成果也广泛应用于工业信息化领域的各个方面。

通过激光扫描仪、深度摄像头、双目视觉传感等众多传感器，可以获得三维物体的识别数据，基于此研究的计算机视觉方向领域也得到了深入的发展。目前，机器人实时捕获策略算法主要有两大类，一类是Linemod以算法为代表的传统图像处理算法，另一种是近年来研究的机器学习方法。这两类包括四种主流方法。

传统的图像处理算法：

一、基于点对特征

2010年BertramDrost等人提出了基础PointPair特征的PPF(PointPairFeature)算法。PPF该算法使用基于定向的物体的全局模型描述PointPair特点是通过快速投票方案在本地匹配整体模型，实现物体从三维到二维搜索空间的相应匹配识别，适用于快速监测点云稀疏或缺乏表面纹理信息和局部曲率变化小的物体。PPF该算法具有良好的噪声识别能力，部分屏蔽，但不能解决噪声相似背景下的物体识别问题，也不能很好地利用物体的边缘信息。

二、基于模板匹配

2011年StefanHinterstoisser等人提出针对3D实时检测和定位刚性物体的算法LineMod算法。其基本原理是提取物体各方向的深度图像采集模型，以彩色图像的梯度信息与物体表面的方向特征相结合作为模板匹配的基础。最后，使用ICP算法修正了检测结果的位置D检测和判断刚性物体的位置。LineMod利用物体的各种特性，很好地解决了简单场景中各种目标的物体识别问题。然而，它只关注模板分类中物体的边缘，导致识别率显著降低。

2018年TomasHodan提出使用现有数据集BOP算法建立了新的模板分类基准。然而，它只能识别单个场景中多种物体的识别，遇到更多的类似物体和重叠场景算法的识别能力迅速下降。

三、基于霍夫森林

2009年JuergenGall通过构建随机森林，等人提出了基于霍夫森林的目标检测算法(randomforest)从图像中提取图像块，判断和处理构建随机森林中的每一棵决策树，并在霍夫空间中投票。图像密集块取样后，输出霍夫图像，完成目标重心位置的投票。算法提出后HoughForest目标检测算法也有深入发展。

四、机器学习方法

2017年WadimKehl等人提出了基础SSD三维物体6算法D位置估计，通过将2D图像深度学习的思路和三维物体RGBD利用深度学习网络完成局部图像2的特征D检测、特征图和预训练核卷积，利用投影属性分析深度网络推断试点和平面旋转分数，构建6D位姿假设。