包志强，邢 瑜，吕少卿，黄琼丹

西安邮电大学 通信与信息工程学院，西安710121

6D目标姿态估计不仅需要对单幅RGB图像中的目标进行定位，还需要检测目标在三维空间中的旋转自由度。这种技术目前主要的应用有无人驾驶、机器人自动抓取、增强现实和虚拟现实等[1]。但在实际应用中，姿态估计技术遇到了很多挑战，比如有复杂背景干扰、多个目标互相遮挡以及相机成像条件不一（低光照、曝光过度以及镜面反射等）。

就目前大部分研究者的工作来看，姿态估计方法主要分为三个类别：基于关键点和模版匹配的方法、基于RGB-D的方法和基于CNN的方法。基于关键点的方法主要在局部特征上建立2D-3D 对应关系[2]，然后采用PnP 算法计算6D 姿态估计参数。尽管精度很高，但不足以解决无纹理的目标姿态估计问题[3]。基于RGB-D的姿态估计方法随着商用深度相机的出现也有了很大的发展。Hinterstoisser 等人[4]提出了3D 点云的表面模版匹配，之后还提出了点对特征及其几种变体[5]，以提高对复杂背景和噪声的鲁棒性。然而，这些基于RGB-D的姿态估计方法在计算上是昂贵的。

近年来，基于CNN 的姿态估计方法能得到具有高度代表性的目标检测模型。基于CNN姿态估计的方法一般有两个策略，分别是回归和映射。第一种策略利用CNN 直接产生连续的姿态参数或离散的视点。比如，deep-6Dpose[3]用来检测和分割输入图像中的目标，同时用目标的卷积特征回归6D姿态参数。SSD-6D[6]在单个阶段利用SSD 结构预测目标的2D 边界框和方向，然后根据2D 边界框的大小估计目标的深度，将输出信息从2D提升到6D。……