A novel local surface feature for 3D object recognition under clutter and occlusion

Guo, Yulan; Sohel, Ferdous; Bennamoun, Mohammed; Wan, Jianwei; Lü, Min

doi:10.1016/j.ins.2014.09.015

Cited by 111 publications

(61 citation statements)

References 48 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Tri-Spin-Images (TriSI) [29] It uses the same technique as in [10] to align the local surface with its LRF. Next, a spin image is generated using the x axis as its reference axis followed by the same procedure as the SI [25].…”

Section: D Shape Context (3dsc) [26]mentioning

confidence: 99%

Performance Evaluation of 3D Local Feature Descriptors

Guo

Bennamoun

Sohel

et al. 2015

Computer Vision -- ACCV 2014

Self Cite

View full text Add to dashboard Cite

Abstract. A number of 3D local feature descriptors have been proposed in literature. It is however, unclear which descriptors are more appropriate for a particular application. This paper compares nine popular local descriptors in the context of 3D shape retrieval, 3D object recognition, and 3D modeling. We first evaluate these descriptors on six popular datasets in terms of descriptiveness. We then test their robustness with respect to support radius, Gaussian noise, shot noise, varying mesh resolution, image boundary, and keypoint localization errors. Our extensive tests show that Tri-Spin-Images (TriSI) has the best overall performance across all datasets. Unique Shape Context (USC), Rotational Projection Statistics (RoPS), 3D Shape Context (3DSC), and Signature of Histograms of OrienTations (SHOT) also achieved overall acceptable results.

show abstract

Section: D Shape Context (3dsc) [26]mentioning

confidence: 99%

Performance Evaluation of 3D Local Feature Descriptors

Guo

Bennamoun

Sohel

et al. 2015

Computer Vision -- ACCV 2014

Self Cite

View full text Add to dashboard Cite

show abstract

“…La plupart des estimateurs du système local de coordonnées se basent sur les normales locales ou sur l'analyse en composantes principales du nuage de points local. Le descripteur « spin image » (Guo et al 2015) figure parmi les descripteurs d'occupation. Celui-ci correspond à un histogramme 2D formé en faisant tourner un plan autour d'un vecteur normal à la surface de l'objet et en comptant le nombre de points 3D qui tombent dans chaque cellule de résolution définie au niveau du plan.…”

Section: Points D'intérêtunclassified

Revue des descripteurs tridimensionnels (3D) pour la catégorisation des nuages de points acquis avec un système LiDAR de télémétrie mobile

Daniel

2018

Geomatica

View full text Add to dashboard Cite

La compréhension de nuage de points LiDAR consiste à reconnaitre les objets qui sont présents dans la scène et à associer des interprétations aux nuages d’objets qui le composent. Les données LiDAR acquises en milieu urbain dans des environnements à grande échelle avec des systèmes terrestres de télémétrie mobile présentent plusieurs difficultés propres à ce contexte : chevauchement entre les nuages de points, occlusions entre les objets qui ne sont vus que partiellement, variations de la densité des points. Compte tenu de ces difficultés, beaucoup de descripteurs tridimensionnels (3D) proposés dans la littérature pour la classification et la reconnaissance d’objets voient leurs performances se dégrader dans ce contexte applicatif, car ils ont souvent été introduits et évalués avec des jeux de données portant sur de petits objets. De plus, il y a un manque de comparaison approfondie entre les descripteurs 3D mis en œuvre dans des environnements à grande échelle ce qui a pour conséquence un manque de connaissance au moment de sélectionner le descripteur 3D le plus adapté à un nuage de points LiDAR acquis dans de tels environnements. Le présent article propose une revue approfondie des travaux portant sur l’application des descripteurs 3D à des données LiDAR acquises en milieu urbain dans des environnements à grande échelle avec des systèmes terrestres de télémétrie mobile. Les principaux descripteurs 3D appliqués dans de tels contextes sont ainsi recensés. Une synthèse de leurs performances et limites est ensuite effectuée de manière comparative sur la base des travaux disponibles dans la littérature. Enfin, une discussion abordant les éléments impactant le plus les performances des descripteurs et des pistes d’amélioration vient compléter cette revue.

show abstract

“…Spin image is a one of the most cited descriptor, but still suffers from limited descriptiveness and poor robustness. Several variants of spin image are later proposed, including the spherical spin image [19] and Tri-Spin-Image (TriSI) descriptor [20] . Frome et al [21] proposed a 3D shape context (3DSC) descriptor, which is an extension of the 2D shape context method [22] .…”

Section: Introductionmentioning

confidence: 99%

Multi-attribute statistics histograms for accurate and robust pairwise registration of range images

2017

View full text Add to dashboard Cite

A novel local surface feature for 3D object recognition under clutter and occlusion

Abstract: (2015) A novel local surface feature for 3D object recognition under clutter and occlusion.Information Sciences, http://researchrepository.murdoch.edu.au/id/eprint/28356/

Cited by 111 publications

References 48 publications

Performance Evaluation of 3D Local Feature Descriptors

Performance Evaluation of 3D Local Feature Descriptors

Revue des descripteurs tridimensionnels (3D) pour la catégorisation des nuages de points acquis avec un système LiDAR de télémétrie mobile

Multi-attribute statistics histograms for accurate and robust pairwise registration of range images

Contact Info

Product

Resources

About