wieerwill/Objektposenschaetzung
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

open3d

Browse Source
This commit is contained in:
Robert Jeutter 2021-11-14 14:29:10 +01:00
parent 6116eec0b1
commit 74928380d8
3 changed files with 23 additions and 8 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

7
Proseminar.bib
View File

@ -220,6 +220,13 @@
NOTE = {Aufgerufen 16.10.2021}
}
@misc{scenenn,
TITLE = {SceneNN: A scene meshes dataset with annotations},
AUTHOR = {B. Hua, Q. Pham, D. T. Nguyen and M. Tran and L. Yu and S. Yeung},
YEAR = {2016},
JOURNAL = {3DV}
}
@misc{se-TrackNet,
TITLE = {se (3)-tracknet: Data-driven 6d pose tracking by calibrating image residuals in synthetic domains},
AUTHOR = {B. Wen and et al.},

BIN
Proseminar.pdf
View File

Binary file not shown.

24
Proseminar.tex
View File

@ -417,16 +417,24 @@
\item[Laufzeit] 200 Posen pro Kamerabild bei 30Hz Bildrate
\end{description*}
\subsection{ICP}
\subsection{Open3D}
Open3D\cite{ICP} ist eine Open-Source-Bibliothek für die schnelle Entwicklung von Software, die mit 3D-Daten arbeitet.
Das Frontend stellt eine Reihe sorgfältig ausgewählter Datenstrukturen und Algorithmen sowohl in C++ als auch in Python zur Verfügung. Das Backend ist hochgradig optimiert und auf Parallelisierung ausgelegt.
Open3D bietet Implementierungen von mehreren moderner State-of-the-Art Oberflächenregistrierungsmethoden, einschließlich paarweise globale Registrierung, paarweise lokale Verfeinerung und Mehrwege Registrierung unter Verwendung der Pose-Graph-Optimierung.
Der Arbeitsablauf beginnt mit dem Einlesen roher Punktwolken, deren Downsampling und die Schätzung der Normalen.
Es nimmt eine RGB-D-Sequenz als Eingabe und durchläuft drei Hauptschritte.
(i) Aufbau lokaler geometrischer Oberflächen (als Fragmente bezeichnet) aus kurzen Teilsequenzen der RGB-D-Eingangssequenz.
(ii) Globale Ausrichtung der Fragmente, um Fragmentposen und eine Kamerakalibrierungsfunktion zu erhalten.
(iii) Integration von RGB-D-Bildern zur Erstellung eines Netzmodells für die Szene.
\begin{description*}
\item[Modell]
\item[Video-Input]
\item[Datensatz]
\item[Modell] ohne
\item[Video-Input] RGB-D
\item[Datensatz] SceneNN\cite{scenenn}
\item[Genauigkeit]
\begin{itemize*}
\item
\end{itemize*}
\item[Ressourcen]
\item[Laufzeit]
\end{description*}
@ -476,7 +484,7 @@ Vergleich der unterschiedlichen Methoden unterscheidbar nach \colorbox{Mahogany}
\multirow{3}{1.5cm}{Kategorie Modell} & NOCS\cite{NormalizedObjectCoordiante} & Feature Matching & & \\
& KeypointNet\cite{KeypointNet} & & 6-PACK\cite{6pack} & \\
& & & & \\\hline
\multirow{3}{1.5cm}{ohne Modell} & ICP\cite{ICP} & Iterative Closest Point & MaskFusion\cite{MaskFusion} & \\
\multirow{3}{1.5cm}{ohne Modell} & & Iterative Closest Point & MaskFusion\cite{MaskFusion} & ICP\cite{ICP} \\
& & Analyse-durch-Synthese \cite{CategoryLevelObject} & Analyse-durch-Synthese \cite{CategoryLevelObject} & TEASER++\cite{Teaser++} \\
& & & BundleTrack\cite{BundleTrack} & \\
& & PoseCNN\cite{PoseCNN} & PoseCNN\cite{PoseCNN}+ICP\cite{ICP} & \\