《表1 传统改良法的特征概括》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《单幅图像刚体目标姿态估计方法综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

1)传统改良法。在深度学习应用之前，特征的提取由SIFT、HOG（histogram of oriented gradients）（Dalal和Triggs，2005）算法实现，由DPM（deformable part-based model）完成对目标的检测，但目标特征均源自纯手工设计和提取。当姿态估计转向深度学习探索后，特征提取、目标检测和匹配计算等任务几乎都由CNN完成。深度学习方法对前文提到的3种经典估计方法进行了改良，如表1所示。Tulsiani和Malik（2015）、Pavlakos等人（2017）对特征点法进行改进，Tulsiani和Malik（2015）将姿态估计问题转化为视点估计问题，然后用CNN进行视点估计，Pavlakos等人（2017）应用CNN预测模型和图像间的语义特征点，然后匹配计算得到姿态值；Wohlhart和Lepetit（2015）对模板法进行改进，通过CNN提取图像特征描述符，构建原始图像与模板图像之间的映射关系。该方法也称特征描述符法，但CNN计算描述符的初衷是为了构建特定视图模板，形成表征空间，建立与真值的对应关系，因此将其方法归类为模板法；对3D坐标法的改进，除了CNN替代随机森林预测像素坐标的方法，在3D目标检测领域取得优异表现的边界盒法，同样完成了图像像素到3D坐标的映射，区别在于前者得到目标3D坐标，后者得到目标边界盒的顶点坐标。