一：pipeLIne
（1）：基于模型的pose估计综述：
对于一个3D模型，可以投影到平面，得到不同的位姿，而pose识别是利用所见的2.5D图像，来估计模型，并同时识别出位姿。
3D模型投影时注意的几点：
1. 投影模型在投影前必须进行点云补全，设定一个阈值T，利用贪婪算法进行模型补全，以免透视穿透现象；
2. 投影模型必须从原始位姿进行数值变换进行投影，不能进行迭代计算，以避免累积误差；
3. 投影模型必须投影到离散平面，即进行XYZ值整数化；
（2）：超像素特征的提取：
对于每一个投影，都可以设定一个像素数阈值Tn，进行超像素分割，得到一系列的点集；
对每一个点进行提取类似于 SIFT特征描述的 超像素特征，得到特征向量；
旋转不变性： 这个不需要，位姿估计若产生旋转，则位姿也发生变化；
（3）：特征匹配的过程：
对于每一个分割，进行特征初步筛选，选取场景内候选目标；
对每一个目标进行超像素分割，选取特征；
进行KD树匹配；
二：特征选取：
选取细节：
深度图 灰度化 ：
对于RGB变化剧烈的 物体表面，提取结合的特征是比较适合的，但必定会掩饰一些位姿信息；适用于表面变化不大而纹理变化剧烈的问题；
对于表面形状变化剧烈的物体，提取表面特征是比较合适的，直觉上可以达到ESF特征同等的效果；
基于SIFT特征描述的介绍，超像素的每一块提取类似于SIFT特征点描述子的特征；以保持不变性；
特征综合：
对每一个分割，生成一个超像素级别的矩阵；
对矩阵的每一个元素，生成一个像素级别的特征；
利用矩阵距离进行相似度匹配；
转入图匹配的过程；