Realtime 3-D object detection and 6-DOF pose estimation in clutter background is crucial for intelligent manufacturing, for example, robot feeding and assembly, where robustness and efficiency are the two most desirable goals. Especially for various metal parts with a textless surface, it is hard for most state of the arts to extract robust feature from the clutter background with various occlusions. To overcome this, in this paper, we propose an online 3-D object detection and pose estimation method to overcome self-occlusion for textureless objects. For feature representation, we only adopt the raw 3-D point clouds with normal cues to define our local reference frame and we automatically learn the compact 3-D feature from the simple local normal statistics via autoencoder. For a similarity search, a new basis buffer k-d tree method is designed without suffering branch divergence; therefore, ours can maximize the GPU parallel processing capabilities especially in practice. We then generate the hypothesis candidates via the hough voting, filter the false hypotheses, and refine the pose estimation via the iterative closest point strategy. For the experiments, we build a new 3-D dataset including industrial objects with heavy self-occlusions and conduct various comparisons with the state of the arts to justify the effectiveness and efficiency of our method.

中文翻译：

---

针对智能制造的自闭塞加速3-D纹理减少对象识别

杂乱背景下的实时3-D对象检测和6-DOF姿态估计对于智能制造至关重要，例如机器人进给和装配，其中鲁棒性和效率是两个最理想的目标。特别是对于具有无文字表面的各种金属零件，大多数现有技术很难从杂乱的背景中提取具有各种遮挡的坚固特征。为了克服这个问题，在本文中，我们提出了一种在线3-D物体检测和姿态估计方法，以克服无纹理物体的自遮挡问题。对于特征表示，我们仅采用具有法线提示的原始3-D点云来定义我们的局部参考系，然后通过自动编码器从简单的局部法线统计信息中自动学习紧凑的3-D特征。对于相似性搜索，设计了一种新的基本缓冲区kd树方法，该方法不会遭受分支发散。因此，我们可以最大限度地提高GPU并行处理能力，尤其是在实践中。然后，我们通过hough投票生成假设候选者，过滤错误的假设，并通过迭代最近点策略改进姿态估计。对于实验，我们建立了一个新的3-D数据集，其中包括具有严重自闭塞的工业对象，并与现有技术进行了各种比较，以证明该方法的有效性和效率。并通过迭代最近点策略改进姿态估计。对于实验，我们建立了一个新的3-D数据集，其中包括具有严重自闭塞的工业对象，并与现有技术进行了各种比较，以证明该方法的有效性和效率。并通过迭代最近点策略改进姿态估计。对于实验，我们建立了一个新的3-D数据集，其中包括具有严重自闭塞的工业对象，并与现有技术进行了各种比较，以证明该方法的有效性和效率。