一、6D位姿定义

给定输入图片，6D位姿估计是估计从物体坐标系O到相机坐标系C的刚性转换，包括3D旋转R（根据物体的表面纹理信息影响物体外观）和3D平移T（T决定物体在图片中的位置和比例）

二、 问题提出

• 给定单幅RGB图像，估计图像中包含目标物体的6DoF位置姿态
• 6DoF（degree of freedom，即自由度）即6个方向的自由度，6DoF位姿包括了3维位置和3维空间朝向

三、6D位姿求解方法分类

根据输入的数据不同，分为三类

• RGB图像输入
• 点云（point cloud）输入
• RGB+点云输入

四、解决方法

（1）基于RGB图片的6D位姿估计

方法理念

先从输入的图片中提取特征，再将这些特征与已有的3D模型匹配，最后通过PnP（Perspective-n-Point）算法建立2D-3D坐标的对应关系，从而估计目标物体的6D位姿。
注：
1、 基于特征匹配的位姿估计方法速度快，鲁棒性好，但是对于弱纹理物体或者物体间遮挡严重时，基于特征匹配的方法往往会失败
2、 基于模板匹配的方法常用来处理低纹理的物体，通过不同距离的策略匹配输入图片和3D模型，但是当场景混叠或者物体表面发生形变时，基于模板匹配（不好）
3、基于深度卷积网络（CNN）的6D位姿估计直接从RGB图片中估计物体6D位姿（包括：PoseNet：直接从RGB图回归6D相机位姿；聚类模型的3D特征，估计物体6D位姿；单一视图的几何约束，估计3D物体参数并恢复6D位姿；基于SSD框架提出SSD-6D，通过InceptionV4分支将输入映射为6个不同尺度的特征图，再分别与大小为（4+C+V+R）的卷积核进行卷积，以确定类别、2D边界框、视觉点和平面旋转角度，再通过映射关系获取6D位姿）
4、 基于关键点检测将任务解耦为两个阶段，先检测2D图片中物体的关键点坐标，再通过PnP算法估计6D位姿（利用图像分割算法确定输入RGB图片中包含物体的区域，再从分割区域中检测关键点坐标）（包括：通过输出关键点的像素级热力图，解决物体间的遮挡问题；通过YOLO网络同时检测物体并估计其6D位姿；PVNet（2019CVPR），先检测出物体的可见部分，其上的每个像素预测一个指向物体关键点的方向向量，再用PANSAC对关键点进行投票，最后与物体的3D模型匹配，估计其6D位姿；分割驱动的6D位姿估计算法，物体的每个可见部分都会产生局部预测位姿，利用多个局部预测代替全局预测，算法的鲁棒性好；针对无纹理物体提出Pix2Pose，将物体3D模型坐标点转化为图片坐标中的RGB值，利用生成模型补全物体被遮挡的部分，再通过预测彩色图建立2D-3D对应关系，但当处理低纹理物体或低分辨率图片时，基于关键点的检测的方法性能下降，且不能实现端对端的优化）

（2）基于点云信息的6D位姿估计

1、PointNet直接处理点云数据，耦合分类，部分分割和语义分割，利用最大池化（MaxPool）解决云的无序性，利用T-Net保证旋转不变形，进一步用一组稀疏的关键点代表整个输入框架，对小扰动或者缺省值的鲁棒性较好。
2、PointNet++在不同尺度逐层提取局部特征，利用采样层，组合层，特征提取层得到深层特征，利用多尺度和多分辨率组合的方式有效解决点云数据不均匀问题
3、Frustum-PointNet结合2D检测算法来定位目标，再用其对应的点云数据视锥，进行边界框回归，实现3D目标检测和位姿估计
4、深度学习网络VoxelNet将三维云划分为一定数量的Voxel，随机采样和归一化后，对每个非空的Voxel进行特征提取，再经过3D卷积层进一步抽象特征，最后使用RPN（Region Proposal Network）网络对物体进行3D检测与位置回归
(缺点：点云数据量大，冗余度高和非结构化性强，存在特征提取难、计算量大，场景遮挡和空间形变敏感等问题)

（3）基于RGB-D图片的6D位姿估计

方法：

1、将深度信息和RGB信息一起输入神经网络来完成预测（如：densefusion）
2、使用深度信息来对RGB网络的输出进行refinement。不断迭代优化结果（如：poseCNN）

DenseFusion

1、网络使用RGB图像求出颜色嵌入图信息
2、使用深度图求出点云信息
3、将color embedding和geometry embedding两种信息融合后，送入神经网络进行位姿预测

poseCNN

分为三项任务语义分割，3D位置，3D旋转。使用VGG16作为骨干网络，引入了用于对称目标姿态估计的训练损失函数ShapeMatch-Loss，通过在图像中定位其中心并预测其与相机的距离来估计对象的3D平移；通过回归到的四元数表示来估计对象的3D旋转。在网络完成预测后，会调用ICP算法使用深度图来精炼网络

MaskedFusion

MaskedFusion在DenseFusion网络基础上进行修改，主要针对数据融合部分进行改进，在改进后MaskedFusion会消耗更多的训练时间，但是准确度更高，且不会消耗更多的预测时间。
该网络会先将RGB-D信息分为Cropped RGB图像、Cropped Depth图像和Cropped Mask图像一起输入网络，相比较DenseFusion网络更多的考虑了Mask语义信息（其包含了物体的形状信息）
整个结构分为三个子任务：
任务一：image segmentation
通过语义分割对场景中每个对象检测和分类->二进制mask
任务二：6D pose estimation
对每个对象从不同类型的数据中提取特征->逐像素融合->6D pose estimator->6D pose
任务三：pose refinement
优化部分完全采用了densefusion给出的优化网络

All is well !!!