提出了一种基于语义目标匹配的三维跟踪注册方法。通过改进的单发多框检测(SSD)深度卷积神经网络对图像进行语义分割,获取场景中不同目标的像素级语义分割结果。在求取相机姿态的目标函数时,融合了图像的灰度约束与几何约束对相机的姿态进行估计。所提方法减小了特征点的缺乏或误匹配问题对三维跟踪注册算法性能的影响,且能够适应不同结构的场景。研究结果表明,该方法的误差不超过2.2 pixel,基本满足了实时性的要求。

基于点对应的相机姿态估计算法缺少科学的性能评价方法，增加了工程应用中算法选择的难度。针对该问题，提出了在特定代价函数下的相机姿态估计算法性能评价方法，主要包括3个性能评价参数：精度、效率和存在区域最优解成功率。其中，区域最优解不同于局部最优解，若给定区域为代价函数定义域，则区域最优解等价于全局最优解。着重阐述了存在区域最优解的判断方法，以角度残差为基础建立代价函数，利用姿态矩阵计算代价函数的Hessian矩阵下界，若Hessian矩阵下界半正定，则代价函数在以该姿态矩阵为中心、大小由像点噪声模型确定的邻域内为凸函数，即存在区域最优解。借助仿真实验平台，对9种经典相机姿态估计算法进行了性能评价。结果表明，RPnP+LHM算法的综合性能最优。