第三章 系統流程說明
3.5 三維特徵抽取
(a) (b) 圖 3-15 形態學收縮後的邊緣影像 (a)椅子 (b)電腦
最後，利用 2.3.2 節連通量分析的概念，移除內部孤立像素，該像素的 4 鄰域像素 皆是背景像素，則移除該孤立像素，最後所得到的就是邊緣圖像，如圖 3-16 所示。
(a) (b) 圖 3-16 物體的邊緣圖像 (a)椅子 (b)電腦
3.5 三維特徵抽取
經由雷射測距儀所取得深度影像，可以明確地描述物體的外形，故將用物體表面之 幾何描述來做為三維物體辨識用之特徵。但是利用雷射測距儀來測量三維物體時，會因 為測量的視角不同，造成會得到三維物體不同的姿態，為了要避免視角差異下，造成物 體姿態的不同，所以本論文將用區域特徵(local feature)，來做為比對三維物體時的特徵，
因為區域特徵跟測量視角的相關性較低，為了加快辨識三維物體的速度，故將區域特徵
61
利用統計的方式形成整體直方圖[32]，然後比對單一物體所對應的整體直方圖；但是，
計算曲率的形狀指標，利用(2.44)式，其中遮罩避免選太小，因為是利用內插法去計算 中心點與附近點的梯度變化，若選取的點太少，會造成計算曲率有誤差，若太大會造成 計算速度變慢。圖 3-18 至圖 3-21 是實際拍攝時兩個不同物體的區域特徵。
(a) (b) 圖 3-18 物體的整體區域特徵影像 (a)椅子 (b)電腦
(a) (b) 圖 3-19 物體的整體區域特徵影像 (a)椅子 (b)電腦
(a) (b) 圖 3-20 物體的整體區域特徵影像 (a)椅子 (b)電腦
63
(a) (b)
圖 3-21 物體的整體區域特徵影像 (a)椅子 (b)電腦
3.5.2 區塊特徵統計
抽取出單一物體的表面特徵後，繼續處理由 3.4.2 節獲得該單一物體的邊緣圖像，
利用 2.4.3 節所介紹的區域成長法演算法來獲得該邊緣圖像中每個封閉區域的資訊，取 出每一個封閉區域內的點所對應的區域特徵，形成區塊特徵，如圖 3-22 所示，邊緣圖 像中的區塊都經過了區域成長法，然後顯示不同的灰階值。
(a) (b) 圖 3-22 物體的區塊圖像 (a)椅子 (b)電腦
3.5.3 直方圖統計
獲得單一物體的整體特徵後，利用 2.6.1 節多維度直方圖所介紹的概念，將整體特 徵使用直方圖來進行統計，形成一個三維直方圖，稱之整體直方圖，如(2.49)式，其中 整體直方圖為一個正規化直方圖，如(2.50)式；此外，單一物體的區塊特徵，也用 2.6.1 節的概念，使用直方圖統計，也會形成一個三維直方圖，稱之部分直方圖，一個物體可
64
能被分為數百個區塊，每個區塊都會有個部分直方圖，如(2.51)式。
在本論文中，設定區域特徵依序為 d θ SI T，所對應的特徵之區間範圍分別 為 0, L 0 1 、 0, L 0 π 、 0, L 0 π 、 0, LSI 0 1 ，根據 Gunter Hetzel [32]選定許多不同的區間個數來將三維物體表面的區域特徵作直方圖統計，然後比對直 方圖，發現選定區間個數為 b 4、b 4、b 8、bSI 8，會有比較高的辨識率，
故本論文區間個數就選定為 b b b bSI T 4 4 8 8 T。