一：pipeline
（1）：基於模型的pose估計綜述：
對於乙個3d模型，可以投影到平面，得到不同的位姿，而pose識別是利用所見的2.5d影象，來估計模型，並同時識別出位姿。
3d模型投影時注意的幾點：
1. 投影模型在投影前必須進行點雲補全，設定乙個閾值t，利用貪婪演算法進行模型補全，以免透視穿透現象；
2. 投影模型必須從原始位姿進行數值變換進行投影，不能進行迭代計算，以避免累積誤差；
3. 投影模型必須投影到離散平面，即進行xyz值整數化；
（2）：超畫素特徵的提取：
對於每乙個投影，都可以設定乙個畫素數閾值tn，進行超畫素分割，得到一系列的點集；
對每乙個點進行提取類似於 sift特徵描述的 超畫素特徵，得到特徵向量；
旋轉不變性： 這個不需要，位姿估計若產生旋轉，則位姿也發生變化；
（3）：特徵匹配的過程：
對於每乙個分割，進行特徵初步篩選，選取場景內候選目標；
對每乙個目標進行超畫素分割，選取特徵；
進行kd樹匹配；
二：特徵選取：
選取細節：
深度圖 灰度化 ：
對於rgb變化劇烈的 物體表面，提取結合的特徵是比較適合的，但必定會掩飾一些位姿資訊；適用於表面變化不大而紋理變化劇烈的問題；
對於表面形狀變化劇烈的物體，提取表面特徵是比較合適的，直覺上可以達到esf特徵同等的效果；
基於sift特徵描述的介紹，超畫素的每一塊提取類似於sift特徵點描述子的特徵；以保持不變性；
特徵綜合：
對每乙個分割，生成乙個超畫素級別的矩陣；
對矩陣的每乙個元素，生成乙個畫素級別的特徵；
利用矩陣距離進行相似度匹配；
轉入圖匹配的過程；
人臉特徵點檢測
參考 face alignment by explicit shape regression。演算法的實現原始碼在裡的explicitshaperegression.cpp裡面。下面貼上乙個檢測結果 人臉特徵點有不少應用，比如可以對齊人臉，或者做人臉變形。在人臉資料庫裡挑選了一些人臉，對齊它們，求出...
ORB特徵點檢測
這篇文章我們將介紹一種新的具有區域性不變性的特徵 orb特徵，從它的名字中可以看出它是對fast特徵點與breif特徵描述子的一種結合與改進，這個演算法是由ethan rublee,vincent rabaud,kurt konolige以及gary r.bradski在2011年一篇名為 orb ...
GFTT特徵點檢測
角點檢測，避免出現聚簇現象 shi tomasi的角點檢測演算法,名稱goodfeaturetotrack,opencv的feature2d介面整合了這種演算法,名稱為gfttdetector,介面如下 ptrcreate int maxcorners 1000,double qualityleve...