通过结合3D网格显著性与统计描述符的稀疏点匹配

摘要 本文提出了一种新的方法用于在一个物体的多个视图中检测和匹配显著点。该过程由三个主要阶段组成。在第一步中，通过采用一种新的感知启发式3D显著性测量进行检测。这种测量允许检测少量稀疏显著点，这些点表征了表面的独特部分。在第二步中，考虑了一种统计学习方法来描述不同视图中的显著点。每个显著点由隐藏马尔可夫模型（HMM）建模，该模型通过使用上下文3D邻域信息以无监督的方式进行训练，从而提供了一个稳健且不变的点签名。最后，在第三步中，通过评估HMM之间的成对相似性测量来进行不同视图中点的匹配。进行了广泛的比较实验，考虑了由3D扫描仪从不同视角获取的真实物体，这些物体来自标准3D数据库。结果令人期待，因为显著点的检测是可靠的，而匹配则是稳健且准确的.