一、例程简介

最近在研究3D识别方面的东西，查了不少资料，发现halcon里有不少关于三维物体识别的例程，这里对其中一个做出详解。该例程是基于三维匹配方法的，因为有三维模型SM3，所以不需要自己创建；另因为例程中的图像有多种不同的姿态，建立三维模型所需要的内存会很大，所以设定最低模型级别，显著降低了算法运行时间，但相对的，会损失算法的鲁棒性和检索时间。

二、例程详解

dev_update_off ()
* 设置面扫相机参数，参数可通过相机校正来获取。此算子为库函数，通过Division畸变模型生成一个相机参数元组。
* 其中参数含义为（焦距，模拟径向透镜畸变的畸变系数，传感器上两个相邻单元之间的水平距离，传感器上两个相邻单元之间的垂直距离，光心列坐标，光心行坐标，图宽，图高，输出相机参数）
gen_cam_par_area_scan_division (0.0269462, -354.842, 1.27964e-005, 1.28e-005, 254.24, 201.977, 512, 384, CamParam)
{ CameraParam :=['area_scan_division',Focus,Kappa,Sx,Sy,Cx,Cy,ImageWidth,ImageHeight]
return () }
* 获取相机参数,返回要求的图像宽参数。
get_cam_par_data (CamParam, 'image_width', IWidth)
{
*返回相机的类型和参数名
get_cam_par_names (CameraParam, CameraType, CameraParamNames)
* 
* 找到相机数据的索引并返回对应的值。
ParamValue := []
*依次读取参数名，ParamName在get_cam_par_names已被赋值，为'image_width'
for Index := 0 to |ParamName| - 1 by 1ParamNameInd := ParamName[Index]if (ParamNameInd == 'camera_type')ParamValue := [ParamValue,CameraType]continueendif* I为'image_width'在CameraParamNames的索引值，为7I := find(CameraParamNames,ParamNameInd)if (I != -1)*将图宽值赋值给ParamValueParamValue := [ParamValue,CameraParam[I]]elsethrow ('Unknown camera parameter ' + ParamNameInd)endif
endfor
return () }
get_cam_par_data (CamParam, 'image_height', IHeight)
* 
read_image (Image, 'tile_spacers/tile_spacers_color_01')
dev_close_window ()
dev_open_window (0, 0, 512 * 1.5, 384 * 1.5, 'white', WindowHandle)
set_display_font (WindowHandle, 16, 'mono', 'true', 'false')
dev_set_line_width (3)
dev_clear_window ()
disp_message (WindowHandle, 'Reading the 3D shape model file from disk ...', 'window', 12, 12, 'black', 'false')
* 如果磁盘没有可用的话就创建3D模型
try
*  读取3D形状模型，具体地址在C盘MVTec文件夹下examples\hdevelop\3D-Matching\Shape-Based。read_shape_model_3d ('tile_spacer.sm3', ShapeModel3DID)
catch (Exception)* 读目标3D模型的DXF文件，CAD格式，但因为上一步可以运行，所以这一部分没用了。* 参数（文件名，文件单位的转换尺度(单位为100um)，参数名，参数值，3D模型句柄，状态信息）read_object_model_3d ('tile_spacer.dxf', 0.0001, [], [], ObjectModel3DID, DXFStatus)*为指定操作准备3D模型，可以计算所需要的值并储存在objectModel3D*参数（3D模型句柄，目的，指定是否应覆盖已存在的数据，参数名，参数值）prepare_object_model_3d (ObjectModel3DID, 'shape_based_matching_3d', 'true', [], [])disp_message (WindowHandle, 'Reading the 3D shape model file from disk ... not found!', 'window', 12, 12, 'red', 'false')disp_message (WindowHandle, 'Creating the 3D shape model (may take a few seconds) ...', 'window', 42, 12, 'black', 'false')count_seconds (S1)* 创建3D形状模型，是通过计算三维物体模型在用户指定的姿势范围内的不同视图而生成的。通过在三维物体模型周围放置虚拟摄像机，并将三维物体模型投影到每个虚拟摄像机位置的图像平面上，自动生成视图；* 因此，在生成三维形状模型时，不使用对象的图像，只使用在objectModel3D中传递的三维对象模型，所有视图的形状表示都存储在三维形状模型中，该模型返回到shapeModel3DID中。在创建三维形状模型之前，必须校准相机，以防止畸变。* 参数（3D模型句柄，相机参数，沿x轴/x分量旋转的罗德里格斯矢量，y轴，z轴，参考向量的旋转值，模型视图的最小经度，* 最大经度，模型视图的最小纬度，最大纬度，模型视图的最小摄影机滚动角度，最大角度，模型视图的最小摄影机对象距离，最大距离，搜索图像中对象的最小对比度，用于控制运算符行为的（可选）参数的名称（最低模型级别）,可选参数值，句柄）create_shape_model_3d (ObjectModel3DID, CamParam, 0, 0, 0, 'gba', -rad(60), rad(60), -rad(60), rad(60), 0, rad(360), 0.26, 0.27, 10, 'lowest_model_level', 3, ShapeModel3DID)count_seconds (S2)T := S2 - S1disp_message (WindowHandle, 'Creation time: ' + T$'.3' + ' s', 'window', 72, 12, 'black', 'false')trydisp_message (WindowHandle, 'Writing model to disk ...', 'window', 102, 12, 'black', 'false')*存储3D模型write_shape_model_3d (ShapeModel3DID, 'tile_spacer.sm3')catch (Exception)disp_message (WindowHandle, 'Writing model to disk ... failed!', 'window', 102, 12, 'red', 'false')disp_continue_message (WindowHandle, 'black', 'true')stop ()endtry
endtry
*显示模型信息
disp_lowest_model_level_info (WindowHandle)
disp_continue_message (WindowHandle, 'black', 'true')
stop ()
* 匹配
Times := []
NumImages := 12
for I := 1 to NumImages by 1read_image (Image, 'tile_spacers/tile_spacers_color_' + I$'02')dev_display (Image)* * 查找三个三维模型的实例，将“border”模型设置为“true”，因为对象可能会接触图像边界* 程序开始到现在过去的时间count_seconds (Seconds1)*在图像中找出一个3D模型的最佳匹配*参数（输入图像，3D模型的句柄，最低分数（值越大，搜索速度越快），贪婪度（值越大，搜索越快，但更容易失败），（该值决定搜索过程中金字塔层的数量，设为0，则数量为创建模型时的指定值），控制操作行为的参数名，参数值，模型的3D位姿，姿态参数的36个协方差或6个标准差，分数）find_shape_model_3d (Image,  ShapeModel3DID,0.7, 0.85, 0, ['num_matches','max_overlap','border_model'], [3,0.75,'true'], Pose, CovPose, Score)count_seconds (Seconds2)计算匹配时间Time := Seconds2 - Seconds1Times := [Times,Time]*通过使用匹配的姿势将三维形状模型投影到图像中，将找到的匹配项可视化for J := 0 to |Score| - 1 by 1*显示轮廓PoseTmp := Pose[J * 7:J * 7 + 6]*将三维形状模型的边投影到图像坐标中。project_shape_model_3d (ModelContours, ShapeModel3DID, CamParam, PoseTmp, 'true', rad(30))dev_set_color ('yellow')dev_display (ModelContours)* 显示3D模型的坐标系dev_set_colored (3)disp_3d_coord_system (WindowHandle, CamParam, PoseTmp, 0.015)endforfor K := 0 to |Score| - 1 by 1* 显示找到的位姿的参数PoseTmp := Pose[K * 7:K * 7 + 6]*自定义函数，显示位姿信息display_match_pose (ShapeModel3DID, PoseTmp, WindowHandle){*查找模型参数（参考点坐标），get_shape_model_3d_params (ShapeModel3DID, 'reference_point', ReferencePoint)*查找相机参数get_shape_model_3d_params (ShapeModel3DID, 'cam_param', CamParam)
* 
* Project the reference point
* 将三维姿态转换为齐次变换矩阵。
pose_to_hom_mat3d (Pose, HomMat3D)
*对点应用任意仿射3D变换
affine_trans_point_3d (HomMat3D, ReferencePoint[0], ReferencePoint[1], ReferencePoint[2], X, Y, Z)
*将3D点投影到（亚）像素图像坐标中。
project_3d_point (X, Y, Z, CamParam, Row, Column)
* 显示参考点坐标
Message := 'Pose:'
Message[1] := '   X: ' + (1000 * Pose[0])$'4.1f' + ' mm'
Message[2] := '   Y: ' + (1000 * Pose[1])$'4.1f' + ' mm'
Message[3] := '   Z: ' + (1000 * Pose[2])$'4.1f' + ' mm'
Message[4] := '   Alpha: ' + Pose[3]$'4.1f' + '°'
Message[5] := '   Beta: ' + Pose[4]$'4.1f' + '°'
Message[6] := '   Gamma: ' + Pose[5]$'4.1f' + '°'
disp_message (WindowHandle, Message, 'image', Row, Column - 30, 'black', ['#ffffffcc','false'])
return () }endfor*在左上角显示匹配用时disp_message (WindowHandle, |Score| + ' Match(es) found in ' + Time$'4.2f' + ' s', 'window', 12, 12, 'dark green', ['white','false'])if (I < NumImages)disp_continue_message (WindowHandle, 'black', ['white','false'])stop ()endif
endfor
* 
disp_end_of_program_message (WindowHandle, 'black', ['white','false'])

三、总结

下面对上述基于形状的3D匹配方法进行总结，主要包含以下几个步骤：
1.读取/创建3D模型read_object_model_3d/create_shape_model_3d；
2.对二维图像进行3D匹配，计算得分，find_shape_model_3d
3将匹配结果可视化，project_shape_model_3d，project_3d_point
总的来看，这种3D匹配方法还是比较好用的，对于物体间遮挡的情况也可以进行识别，难点在于调参吧。该方法的原理根据三维模型的位姿信息来对图像中的目标进行搜索并判断，返回一个匹配度值，网上没有更为详细的代码，应该是比较难吧，基于点云的还有不少资料，目前业界关于3D识别方面的项目还没有很普遍，研究者较少，希望后面有所改善。
如果大家有意见和想法，可以一起交流，注意点赞评论哦。