物體辨識是電腦視覺領域中重要的任務之一，且現有方法大多以物體的紋理特徵資訊進行特徵描述及辨識處理。然而，在許多實際應用中，需辨識的物體並沒有充足的紋理資訊來描述，進而提升了物體辨識問題的難度，此稱為無紋理物體辨識。也因此，如何解決無紋理辨識問題是影像物體辨識在實際應用中一項重要的課題。本論文以現有的Line2D演算法為基礎，提出一個無紋理物體的辨識方法，其利用邊緣模板匹配的方式去偵測與辨識多種不同的無紋理物體。首先，對感興趣物體建立一參考模板影像，並針對此模板影像透過旋轉以及縮放的仿射轉換(affine transform)運算，產生各種姿態的參考模板影像，並建立此感興趣物體的模板影像資料庫。在偵測與辨識物體時，可利用建立好的模板影像資料庫，透過模板匹配方式對輸入影像進行匹配的動作，最後找出感興趣物體在輸入影像中的位置與角度姿態。實驗結果顯示，本論文提出之無紋理辨識方法不但可以有效辨識出不同種類的無紋理物體於輸入影像中的位置與角度資訊，並且能夠利用相似度資訊辨識物體之上下層關係。另外，所提出之辨識系統亦可達到即時處理的效能，在處理640x480影像解析度的條件下可達到每秒約23張以上的處理速度。此系統未來能夠與機械手臂作結合，套用於箱內隨機堆疊物夾取之應用上。

Object recognition is one of the important tasks in the field of computer vision, and most of the conventional methods use texture information of objects to produce feature descriptors for object recognition process. However, in many practical applications, the object to be recognized may not have enough texture information for extracting feature descriptors, greatly increasing the difficulty of the object recognition task. This problem generally is referred to as textureless object recognition. Therefore, how to solve the problem of textureless object recognition is an important issue in practical applications. In this thesis, a textureless object recognition method is proposed based on the existing Line2D algorithm. The proposed method employs an edge-based template matching method to detect and identify a wide variety of textureless objects. Given a reference template image of an object-of-interest (OOI), a template image database containing various postures of the OOI was firstly created by applying affine transformation with different rotating and scaling settings to the reference template image. Next, the edge-based template matching process is performed to detect and recognize the OOI by searching matches between the template image database and the input image. Finally, the position and angle posture of the OOI can be determined by the best match having the highest similarity measure. Experimental results show that the proposed method not only can efficiently recognize the type, position, and angle information of various textureless objects in the image, but also can identify up-down relationship between the recognized objects. In addition, the proposed method achieves real-time performance at least 23 frames per second (fps) in processing 640x480 images. In future work, the proposed object recognition algorithm will be integrated into a robot manipulator system to accomplish random bin-picking function for manipulating textureless objects.

目錄
中文摘要	I
Abstract	II
目錄	III
圖目錄	VI
表目錄	X
第一章 序論	1
1.1  研究背景	1
1.2  研究動機與目的	2
1.3  論文架構	3
第二章 相關研究	5
2.1  使用RGBD攝影機之演算法	5
2.1.1  3DSC(3D Shape Context)演算法	5
2.1.2  Linemod演算法	6
2.2  使用RGB攝影機之演算法	7
2.2.1  模板匹配	7
2.2.2  BOLD特徵演算法	9
2.3  使用3D雷射偵測物體之演算法	10
2.4  文獻總結	11
第三章 物體偵測與辨識演算法	13
3.1	特徵點的建立	14
3.1.1  Sobel邊緣偵測演算法	14
3.1.2  區域特徵點之建立	15
3.2	邊緣模板匹配	17
3.2.1  擴散方向(Spreading the Orientations)	17
3.2.2  計算對應圖(Precomputing Response Maps)	18
3.2.3  相似度測量(Similarity Measure)	22
第四章 無紋理物體偵測實現方法	25
4.1  建立物體資料庫	26
4.2   物體偵測與辨識	28
第五章 實驗結果與分析	33
5.1  軟硬體介紹	33
5.2  影像資料庫	34
5.3  辨識結果	35
5.4 實驗分析	42
5.5 實驗比較	43
5.5.1  SURF演算法之比較	43
5.5.2  ORB演算法之比較	46
5.5.3  BOLD演算法之比較	49
5.5.4  同場景之各個演算法之比較	50
第六章 結論與未來展望	52
參考文獻	53

圖目錄
圖2.1、Linemod演算法流程圖	6
圖2.2、模板匹配示意圖	8
圖2.3、線段關係示意圖	9
圖2.4、工作環境示意圖	11
圖3.1、演算法流程圖	14
圖3.2、量化示意圖	16
圖3.3、色彩梯度方向圖(color gradient)	16
圖3.4、擴散特徵影像(spreading feature image)	18
圖3.5、二進制編碼影像(binary-coded image)	18
圖3.6、gq方向為→之對應圖	19
圖3.7、gq方向為↑之對應圖	20
圖3.8、gq方向為→之建表圖	21
圖3.9、gq方向↑之建表圖	21
圖3.10、相似度計算流程圖	23
圖4.1、實現方法之流程圖	25
圖4.2、仿射變換示意圖	27
圖4.3、未過濾之螺絲結果圖	29
圖4.4、未過濾之剪刀結果圖	29
圖4.5、未過濾之螺帽結果圖	29
圖4.6、未過濾之鑰匙結果圖	30
圖4.7、螺絲結果圖	31
圖4.8、剪刀結果圖	31
圖4.9、螺帽結果圖	31
圖4.10、鑰匙結果圖	32
圖5. 1、Webcam攝影機	33
圖5.2、SURF演算法對有紋理物體之匹配結果	44
圖5.3、SURF演算法對螺絲物件之匹配結果	44
圖5.4、SURF演算法對剪刀物件之匹配結果	45
圖5.5、SURF演算法對螺帽物件之匹配結果	45
圖5.6、SURF演算法對鑰匙物件之匹配結果	46
圖5.7、ORB演算法對有紋理物體之匹配結果	46
圖5.8、ORB演算法對螺絲物件之匹配結果	47
圖5.9、ORB演算法對剪刀物件之匹配結果	47
圖5.10、ORB演算法對螺帽物件之匹配結果	48
圖5.11、ORB演算法對鑰匙物件之匹配結果	48
圖5.12、BOLD演算法之無紋理物件辨識實驗結果	49
圖5.13、BOLD演算法之多物體辨識結果	49
圖5.14、各方法之比較實驗結果：(a) SURF演算法之辨識結果、(b) ORB演算法之辨識結果、(c) BOLD演算法之辨識結果、(d)所提出方法之辨識結果。	51

表目錄
表 4.1、四種參考物體之特徵點	26
表5. 1、電腦規格表	34
表5. 2、使用軟體版本	34
表5. 3、實驗用之參考影像資料庫	34
表 5.4、參考影像之角度定義及模板數量	35
表 5.5、參考影像A之辨識結果	36
表 5.6、參考影像A、C之辨識結果	37
表 5.7、參考影像B、D之辨識結果	37
表 5.8、參考影像A、C、D之辨識結果	38
表 5.9、參考影像B、D在複雜環境中之辨識結果	38
表 5.10、參考影像A在堆疊狀態之辨識結果	40
表 5.11、參考影像C在堆疊狀態之辨識結果	40
表 5.12、參考影像D在堆疊狀態之辨識結果	41
表 5.13、參考影像B、D在堆疊狀態之辨識結果	41
表5.14、物體辨識時間表	42

[1]	D. G. Lowe, “Distinctive image features from scale-invariant keypoints, ” 	International Journal of Computer Vision, Vol. 60, No. 2, pp. 91-110, 2004.
[2]	H. Bay, T. Tuytelaars, and L. V. Gool, “SURF：Speeded Up Robust Features, ”  	European Conference on Computer Vision, Vol. 1, pp. 404-417, 2006.
[3]	S. Hinterstoisser, C. Cagniart, S. Ilic, P. Sturm, N. Navab, P. Fua, and V. Lepetit, 	“Gradient response maps for real-time detection of textureless objects, ”IEEE 	Transactions on Pattern Analysis and Machine Intelligence, Vol. 34, No. 5, pp. 	876-888, 2012.
[4]	S. Hinterstoisser, V. Lepetit, S. llic, P. Fua, “Dominant orientation templates for 	real-time detection of texture-less objects, ” Computer Vision and Pattern 	Recognition, pp. 2257-2264, 2010.
[5]	S. Hinterstoisser, S.	 Holzer, C.Cagniart, “Multimodal templates for real-time 	detection of texture-less objects in heavily cluttered scenes, ”IEEE International 	Conference on Computer Vision, pp. 858-865, 2011.
[6]	M. Ulrich, C. Wiedemann, and C. Steger, “Combining Scale-Space and 	Similarity-Based aspect graphs for fast 3D object recognition, ” IEEE 	Transactions on Pattern Analysis and Machine Intelligence, Vol. 34, No. 10, pp. 	1902-1914, 2012.
[7]	E. Rublee, V. Rabaud, K. Konolige, G. Bradski, “ORB: An efficient alternative to 	SIFT or SURF, ”IEEE International Conference on Computer Vision, Vol. 13, pp. 	2564-2571, Nov. 2011.
[8]	Rostern, Edward, Poter, R. Drummond, Tom, “Faster and Better: A Machine 	Learning Approach to Corner Detection, ”IEEE Transactions on Pattern Analysis 	and Machine Intelligence, Vol. 32, pp. 105-119, 2010.
[9]	M. Calonder, V. Lepetit, C. Strecha, and P. Fua, “Brief: Binary robust 	independent 	elementary features, ”European Conference on Computer Vision, 	Vol .6314, part IV, pp. 778-792, 2010.
[10]	D. Ziou and S. Tabbone, ”Edge detection techniques an overview, ”	International Journal of Pattern Recognition and Image Analysis, Vol. 8, No. 4, 	pp. 537–559, 1998.
[11]	C. Steger, “Occlusion, clutter, and illumination invariant object recognition, ” 	International Archives of the Photogrammetry, Remote Sensing, Vol. 34, part 3A, 	pp. 345–350, 2002.
[12]	F. Tombari, A. Franchi, L. Di, “BOLD features to detect texture-less 	objects, ” 	International Conference on Computer Vision, pp. 1265–1272, 2013.
[13]	Rafael Grompone von Gioi, Je´ re´mie Jakubowicz, Jean-Michel Morel, and 	Gregory Randall, “LSD A fast line segment detector with a false detection 	control, ”IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 	32, No. 4, pp. 722-732, 2010.
[14]	Wei-Yao Chiu, “Dual laser 3D scanner for random bin picking system, ” 	International Conference on Advanced Robotics and Intelligent Systems, pp. 1-3, 	May. 2015.