Bayesian Estimation of Object Poses from Multiple Viewpoints

Kurzfassung

Im Rahmen dieser Masterarbeit wurde ein diskreter Bayessches Filter, auch Histogrammfilter genannt, entwickelt, welches in der Lage ist die Rotation R aus SO(3) eines Objektes durch die Verwendung mehrerer Blickwinkel zu schätzen. Es deckt den gesamten SO(3) Raum ab, sodass vorher keine Einschränkungen getätigt werden müssen. Die Diskretisierung des SO(3) Raumes erfolgt durch eine gitterbasierte Abtastmethode. Der Histogrammfilter benutzt Detektionen vom Object um die Hypothese über die Rotation des Objektes in jedem Schritt zu aktualisieren. Der Translationsteil wird in dieser Arbeit nicht betrachtet, da dieser mit gewöhnlichen Mitteln, wie z.B. Clustern und Mitteln, sehr gut geschätzt werden kann. Um die 6DOF Pose eines Objektes bestimmen zu können, wurde ein Posenschätzer implementiert, welches auf der Random Sample Consensus Methode mit der Benutzung von geometriebasierten Korrespondenzen beruht. Um die Ausgabe des Histogrammfilters weiter zu verbessern, wurde die Updatefunktion (Normalverteilung) durch eine mehrwertige Konfusionsmatrix, auch Kontingenztafel genannt, ersetzt. Diese repräsentiert die Konfusionen zwischen einem Objekt für den Posenschätzer von einer Rotation zur anderen. Es wird gezeigt, dass diese Methode die Ausgabe des Histogrammfilters weiter verbessert. Des weiteren wurde eine Methode entwickelt, die den nächst besten Blickwinkel mithilfe der Kontingenztafel berechnet. Es wird gezeigt, dass die Ausgabe des Histogrammfilters durch diese Methode schneller konvergiert verglichen zu einer zufälligen Auswahl des nächsten Blickwinkels. Zum Schluss wurde der Histogrammfilter mit 18 Objekten ausgewertet. Die Ausgabe des Histogrammfilters wurde auf verschiedene Weisen berechnet und wurde zu herkömmlichen Methoden, wie dem Clustern und Mitteln, dem Mittelwert und dem Median der Detektionen, verglichen. Es wird gezeigt, dass die vorgestelle Methode alle anderen Methoden bei weitem übertrifft.