基于SLIC分割的特征点检测

一：pipeLIne

（1）：基于模型的pose估计综述：

对于一个3D模型，可以投影到平面，得到不同的位姿，而pose识别是利用所见的2.5D图像，来估计模型，并同时识别出位姿。

3D模型投影时注意的几点：

1.  投影模型在投影前必须进行点云补全，设定一个阈值T，利用贪婪算法进行模型补全，以免透视穿透现象；

2.  投影模型必须从原始位姿进行数值变换进行投影，不能进行迭代计算，以避免累积误差；

3.  投影模型必须投影到离散平面，即进行XYZ值整数化；

（2）：超像素特征的提取：

对于每一个投影，都可以设定一个像素数阈值Tn，进行超像素分割，得到一系列的点集；

对每一个点进行提取类似于 SIFT特征描述的 超像素特征，得到特征向量；

旋转不变性： 这个不需要，位姿估计若产生旋转，则位姿也发生变化；

（3）：特征匹配的过程：

对于每一个分割，进行特征初步筛选，选取场景内候选目标；

对每一个目标进行超像素分割，选取特征；

进行KD树匹配；

二：特征选取：

选取细节：

深度图 灰度化 ：

对于RGB变化剧烈的 物体表面，提取结合的特征是比较适合的，但必定会掩饰一些位姿信息；适用于表面变化不大而纹理变化剧烈的问题；

对于表面形状变化剧烈的物体，提取表面特征是比较合适的，直觉上可以达到ESF特征同等的效果；

基于SIFT特征描述的介绍，超像素的每一块提取类似于SIFT特征点描述子的特征；以保持不变性；

特征综合：

对每一个分割，生成一个超像素级别的矩阵；

对矩阵的每一个元素，生成一个像素级别的特征；

利用矩阵距离进行相似度匹配；

转入图匹配的过程；