Uogólnione Histogramy Krotek - deskryptory chmur punktów

• Autorzy: Chechliński Ł. , Harasymowicz-Boggio B.

Warianty tytułu

EN

Generalized Tuple Histograms - 3D point cloud descriptors

• Języki publikacji: PL

Abstrakty

PL

Dotychczasowe prace w dziedzinie rozpoznawania obiektów 3D zaowocowały opracowaniem wielu deskryptorów punktów charakterystycznych oraz odsegmentowanych klastrów. Większość z nich stanowią histogramy, od histogramów prostych cech lokalnych przez rozkłady kształtu po wielowymiarowe deskryptory, takie jak PFH. Zainspirowało nas to do opracowania uogólnienia deskryptorów histogramowych oraz wprowadzenia idei Uogólnionych Histogramów Krotek (ang. Generalized Tuple Histograms) - GTH, umożliwiających zbadanie wielu tysięcy nowych deskryptorów, uwzględniających nie tylko relacje pomiędzy parami punktów, ale również relacje między punktowe dowolnych n-krotek oraz cech lokalnych wyliczanych dla pojedynczych punktów. Porównaliśmy ponad 8000 deskryptorów GTH wykorzystując bazę 160 widoków obiektów należących do 14 różnych klas semantycznych. W trakcie eksperymentu znaleźliśmy wiele deskryptorów, które przewyższają cechy PFH pod kątem unikalności jako kompaktowej miary zdolności rozróżniania obiektów. Stanowi to jednak tylko początek badań nad proponowanym podejściem, które otwiera interesującą możliwość wykorzystania wyższych krotek do opracowania silniejszych deskryptorów.

EN

Recent work on 3D object recognition resulted in numerous descriptors for keypoints and segmented clusters. The majority of them are histograms, from histograms of simple local or point features through shape distributions to high dimensional descriptors, such us PFH. This inspired us to develop a generalization of histogram descriptors and introduce the idea of Generalized Tuple Histograms - GTH (of which the mentioned are particular cases) which allows to explore many thousands of new descriptors involving not only relations of point pairs but inter-point relations of any n-tuples, as well as local properties defined for single points. We compare over 8000 GTH descriptors for a data base of 160 views of objects from 14 semantic classes acquired with a Kinect sensor and pre-processed with Kinect Fusion. During this experiment we find many descriptors that outperform PFH as well as shape distributions in terms of the used histogram uniqueness compact metric.

Słowa kluczowe

PL

robotyka; percepcja robotów; obraz RGB-D; histogram; deskryptor; chmura punktów; Uogólnione Histogramy Krotek

EN

robotics; perception of robots; RGB-D; histogram; descriptor; point cloud; Generalized Tuple Histograms

• Wydawca: Oficyna Wydawnicza Politechniki Warszawskiej
• Czasopismo: Prace Naukowe Politechniki Warszawskiej. Elektronika
• Rocznik: 2016
• Tom: z. 195, t. 2
• Strony: 467--476
• Opis fizyczny: Bibliogr. 14 poz., tab.

Twórcy

autor

Chechliński Ł.

• Instytut Automatyki i Robotyki, Politechnika Warszawska, ul. św. Andrzeja Boboli 8, 02-525 Warszawa

autor

Harasymowicz-Boggio B.

• Instytut Automatyki i Robotyki, Politechnika Warszawska, ul. św. Andrzeja Boboli 8, 02-525 Warszawa

Bibliografia

• [1] A. Aldoma et al. Cad-model recognition and 6 dof pose estimation, ICCV 2011, 3D Representation and Recognition (3dRR11) workshop, 2011.
• [2] L. A. Alexandre 3D Descriptors for Object and Category Recognition: a Comparative Evaluation, Workshop on Color-Depth Camera Fusion in Robotics at the IEEE/RSJ International Conference on Intelligent Robots and Systems, IROS 2012.
• [3] L. A. Alexandre "Set distance functions for 3D abject recognition," in 18th Iberoamerican Congress on Pattern Recognition, ser. Lecture Notes in Computer Science, vol. LNCS 8258. Havana, Cuba: Springer, November 2013, s. 57-64.
• [4] B. Drost, et al. Model globally, match locally: Efficient and robust 3d object recognition, The Twenty-Third IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2010.
• [5] S. Fllipe, L. Itti, L.A. Alexandre, BIK-BUS: Biologically Motivated 3D Keypoint based on Bottom-Up Saliency, IEEE Transactions on Image Processing, January 2015.
• [6] B. Harasymowicz.-Boggio, Ł. Chechliński, B. Siemiątkowska Nature-Inspired, Parallel Object Recognition, Progress in Automation, Robotics and Measuring Techniques. Control and Automation. Advances in Intelligent Systems and Computing vol. 350.
• [7] B. Harasymowicz-Boggio, Ł. Chechliński. B. Siemiątkowska Significance of features in object recognition using depth sensors, Optica Applicata, 2015. Vol.45, No.4. s. 559-571.
• [8] R. Osada et al. Shape Distributions, ACM Transactions on Graphies, 2002.
• [9] R. Rusu and S. Cousins 3D is here: Point Cloud Library (PCL), IEEE International Conference on Robotics and Automation (ICRA), Shanghai, China, May 2011.
• [10] R. Rusu et al. Aligning point cloud views using persistent feature histograms, International Conference on Intelligent Robots and Systems (IROS), Nice, France, 2008.
• [11] R. Rusu, N. Blodow. and M. Beetz., Fast point feature histograms (fpfh) for 3d registration, International Conference on Robotics and Automation (ICRA). Japan: IEEE, 2009.
• [12] R. Rusu et al. Fast 3D Recognition and Pose Using the Viewpoint Feature Histogram. Proceedings of the 23 rd IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2010.
• [13] F. Tombari, S. Salti, and L. Di Stefano Unique signatures of histograms for local surface description, Proceedings of the 11th European conference on computer vision conference on Computer vision: Part III 2010.
• [14] W. Wohlkinger and M. Vincze Ensemble of shape functions for 3D object classification, Robotics and Biomimetics (ROBIO), 2011 IEEE International Conference on, December 2011.

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.