相關研究之探討

文獻[1]中，疊代最近點法(iterative closest point, ICP)是三維點雲在辨識以及姿態 估測都常使用的到方法，疊代最近點法是將兩組點雲資料以點座標位置為特徵進行疊

例如利用傅立葉描述子(Fourier descriptor)[2]，傅立葉描述子是使用距離影像，對物體 抽取出輪廓特徵來進行辨識的，傅立葉描述子的優點是他可以針對物體的輪廓形狀進 行描述，轉換成一個數值化的特徵向量，只要與資料庫的特徵向量做比對，即可以得 到物件的類別及姿態但缺點則是必須對物體的多個角度抽取特徵向量放入資料庫等 後比對，且這個方法僅針對了物體的輪廓做描述，並未對物體內容描述，也常造成辨 識錯誤。相對於輪廓，也有針對內容的辨識演算法，如奈克矩描述子(Zernike moment descriptor) [3]，奈克矩描述子相反於傅立葉描述子，是一個考慮物體內容的特徵，但 也因為只考慮到了內容，而沒有考慮到輪廓，所以在某些特定的物件也常常會有辨識 錯誤的結果。為了同時考慮到兩者，則有了結合傅立葉描述子以及奈克矩描述子的方 法[4]，效果則會較只使用單一一個描述子來的好。但是在以上的方法中，有一個特 點，都是針對無形變鋼體進行開發的演算法，所以即使這些方法可以順利的找出物件 的類別以及當下的姿態，但是一但遇到鋼體形變，例如：車門打開了、機車掀起後車

廂、甚至是本論文考慮的坦克車的炮管升起、旋轉、…等，這些情況時，以上的演算

且疊代時間長。而文獻[6]中，作者提出了一個針對坦克車的自動目標辨識法(automatic target recognition, ATR)，該論文的核心是利用最佳化的方式，求出對整個物件的最小 長方體將該物體包覆，再利用資料庫中原本的模型來推估計算出來的長方體中，哪些 點屬於炮管、砲塔、以及車身，並且分別求出各部位的姿態，最後再根據求出的角度，

將資料庫中每台坦克根據該角度值進行旋轉，並且將旋轉過的資料庫點雲和測試資料 點雲進行比對，利用最小平方法(least squares method)來達到辨識的結果，這篇論文的 方法最大的優點在於他只需要對每台坦克車建立一個資料庫即可，但最大的缺點在於 切割的部份做的並不理想，常會有切割不完全或將車身切成炮管的情況發生。所以在 文獻[7][8]中，作者提出了基於貝氏定理(Bayes theorem)的關節式物件的追蹤與搜尋 (tracking and searching)，在假設物件必存在目前場景的前提之下，於場景中對搜索出 該物件，做法上與文獻[5][6]最大的差異是切割的部份，本篇論文是將搜尋到的興趣 目標(region of interest, ROI)先利用地面法向量加上已知的高度資訊來對物體進行切 割，切割的結果相較之前的方法都好上很多，分割過後，再利用預先設定好的機率分 佈來計算該物件的姿態，由於是抽取特徵並非以疊代方式來進行比對，所以在速度上 快上很多，但需要對不同部位建立機率分佈作為資料庫。根據上述幾篇論文可以發現，

針對形變的鋼體的辨識以及姿態估測，多是利用切割的方式，再配合過去非變形鋼體 的演算法對各部位進行辨識以及姿態估測，所以切割的好壞，不論是對姿態估測或辨

識都有一定的影響，但過去在對坦克車切割的方式中，其中，文獻[6]是少數利用長 方體包覆的方式進行切割的，但根據文獻內可以發現效果並不佳，如圖 1.4：

(a)

(b)

圖 1.4 文獻[6]切割範例圖，長方體包覆範圍為坦克車，’ o’為炮管，’x’為砲塔。(a) 炮 管、砲塔切割不完全；(b) 將車身部份誤判為炮管。

上圖 1.4 可以發現切割的效果並不好，如圖 1.4(a)，炮管、砲塔的部分並沒有完整的 切開，圖 1.4(b) 則是將不屬於炮管的部份也切成炮管，這說明了該方法還是有改進 空間的；而在文獻[7][8][9]則是利用平面法向量以及坦克車的高度進行切割，切割效 果較[6]好很多，但是這樣的切割法有一個假設前提，必須先知道坦克車的高度，才 能夠進行切割，但在未辨識前，要怎麼得到坦克車型號呢？所以本論文只能將實驗預 設在執行搜尋的前提，才能成功，否則沒有高度資訊的情況，將無法執行後續的演算 法。