Halcon 3D物体识别

总结了一下关于Halcon的 Object-Recognition-3D:

1. 基于控制点的位姿估计：

首先，得确定相机的内外参，其次，选择三个或以上容易和准确地从图像中提取的点作为控制点，通过确定控制点的三维坐标来确定物体的位姿

2. 基于形状的匹配：

利用三维计算机辅助设计(CAD)模型生成三维形状模型，三维形状模型由从不同视图中看到的三维物体的二维投影组成，需要限制形状模型的允许姿态范围，从而最小化必须计算并存储在三维形状模型中的二维投影的数量，然后在图像中搜索，最终返回物体的三维位姿

3. 基于表面三维匹配的姿态估计：

利用表面模型（由一个三维物体模型产生的，这个模型可以是三维计算机辅助设计(CAD)模型，也可以是三维重建方法）于3D场景中（如3D点云）搜索数据，得到匹配的三维位姿

4．基于表面的三维变形匹配：

   与上一种不同的地方在于，它允许三维模型有一点变形，可选择使用add_deformable_surface_model_reference_point定义一些引用点

5.基于3D基元拟合的位姿估计：

用的3D基元类型包括球体、圆柱体和平面，3D基元拟合确定了简单3D形状的位置或3D姿势。

6. 基于标定的透视变形匹配的姿态估计：

使用一个平面物体的自动派生轮廓来搜索。透视变形匹配可用于标定的相机，然后返回物体的三维姿态，也可用于未标定的相机，然后只返回二维投影变换矩阵

适用于由轮廓清晰区分的平面物体或平面物体部件。

7. 基于标定描述符匹配的姿态估计

  与透视图可变形匹配类似，基于描述符的匹配查找和定位与图像中的模板模型相似的对象。同样，匹配可以应用于校准过的摄像机，然后返回物体的三维姿态，或者应用于未校准过的摄像机，然后只返回二维投影变换矩阵(homography)。

和上一种方法的不同之处在于，基于描述的匹配不是基于轮廓的，而是使用不同的对象点，即所谓的兴趣点，来描述模板并在图像中找到模型。

主要适用于具有特征纹理和特征目标点的平面物体

8. 圆的位姿估计

提取二维椭圆与内部摄像机参数和已知的圆半径，可以利用算子get_circle_pose来获得圆的两种可能的三维姿态(具有相同的位置，但方向相反)

9. 矩形的位姿估计

  矩形的轮廓被分割成四个线段，它们的交点被认为是四边形轮廓的角。使用提取的三维矩形二维四边形，连同内部摄像机参数和已知的矩形大小，可以使用算子get_rectangle_pose轻松获取矩形可能的三维姿态