2D矩形匹配（深度学习）¶
2D矩形匹配（深度学习）可以计算纹理复杂、紧密贴合、单一品类的立方体的位置和抓取点。 其输入为：原始彩色图，原始深度图，实例分割得到的掩膜，最高层掩膜，原始点云和实际物体尺寸。 深度学习的先验信息可以提供物体的大体位置，然后通过精确的边缘匹配，获得较为准确的物体位置和抓取点。 主要流程可分为检测掩膜对应图像中的直线、生成矩形边缘模板、2D匹配和计算滤除重叠后的多边形的尺寸和位姿四部分， 如图1 所示。通过 输入分配器 可以将一个输入量分配给之后多个步骤， 实例分割得到的掩膜经过 图像形态学变换，使掩膜图像轮廓适当膨胀，利于后续基于掩膜的直线检测和生成矩形模板。
图1 2D矩形匹配（深度学习）步骤组合¶
检测掩膜对应图像中的直线¶
检测掩膜对应图像中的直线的组成如图2 所示。
图2 检测掩膜对应图像中的直线步骤组合¶
各个步骤的作用如下：
提取掩膜中对应的图像 计算最高层掩膜和原始彩色图的重叠部分，得到最高层物体的掩膜，输出对应的列表。
获取第一张图像 从图像列表中获取第一张掩膜图像对应的结果图像。
检测线段 输入掩膜图像对应的彩色图和实例分割得到的掩膜，计算分割出的物体中的直线。
生成矩形边缘模板¶
生成矩形边缘模板的组成如图3 所示。
图3 生成矩形边缘模板步骤组合¶
各个步骤的作用如下：
提取掩膜中对应的图像 计算最高层掩膜和实例分割得到的掩膜的重叠部分，得到实例分割后物体的掩膜。
提取掩膜中对应的点云 输入实例分割后物体的掩膜和原始点云，得到实例分割后物体的点云。
将实际尺寸转换为像素尺寸 输入实例分割后物体的点云和物体的实际尺寸，将其物理尺寸用图像处理所需的单位（像素）来表示。
生成指定大小的矩形边缘模板 输入物体以像素为单位的尺寸，生成物体表面（矩形）边缘模板。
2D匹配¶
将检测到的直线和生成的矩形边缘模板和进行匹配，输出较为完整的直线段组成的多边形和多边形匹配损失。
