基于点云实例分割的鲁棒多目标位姿估计

针对多目标位姿估计过程中点云局部特征存在类间错误匹配的问题,提出了基于点云实例分割的鲁棒多目标位姿估计算法。首先,基于密度聚类对场景点云进行分割得到点云簇,并用快速点特征直方图（FPFH）描述子对分割后的点云簇进行局部特征提取;然后利用随机森林算法对聚合后的点云簇的局部特征进行分类,完成点云实例分割;之后对于场景中每一个分割后的实例,采用近似近邻快速库（FLANN）匹配算法对场景实例和模型进行特征匹配,得到实例分割后的点在对应类别模型上的匹配点,利用随机采样一致（RANSAC）算法以及最小二乘算法计算初始位姿;最后经过点到平面迭代闭合点（ICP）算法得到每个实例的精确位姿。在CV-Lab 3D合成数据集以及UWA真实采集数据集下的实验结果表明,相比直接匹配模型和全部场景点的局部特征进行多目标位姿估计,所提算法能够有效提升局部特征匹配阶段的内点概率,从而提升复杂场景下位姿估计的鲁棒性和准确率,尤其适用于场景中具有多个实例的位姿估计应用。