DANIEL：一种针对高外点率点云配准的快速鲁棒一致集最大化方法
计算机视觉与模式识别
2021-10-13 v2 机器人学
摘要
基于对应的点云配准是几何计算机视觉、机器人感知、摄影测量与遥感中的基石，其旨在从 3D 关键点间建立的对应中估计两点云间的最佳刚体变换。然而，由于鲁棒性与精度有限，当前 3D 关键点匹配技术极易产生外点，甚至可能数量极大，使得点云配准的鲁棒估计十分重要。遗憾的是，现有鲁棒方法在遭遇高（甚至极高）外点率时可能面临高计算成本或鲁棒性不足，难以满足实际使用的理想要求。本文提出一种新颖的时效 RANSAC 型一致集最大化求解器，名为 DANIEL（基于分层逐元素兼容性的双层采样一致集最大化），用于鲁棒配准。DANIEL 设计有双层随机采样，以最低计算成本寻找内点子集。具体而言，我们：（i）应用刚性约束在第一层单点采样中剪除原始外点；（ii）引入一系列分层逐元素兼容性测试，以在二层双点采样中快速进行最小模型间兼容性检查，从而实现更高效的一致集最大化；（iii）采用概率终止条件以确保及时返回最终内点集。基于多个真实数据集的丰富实验，我们表明 DANIEL 对超过 99% 的外点具有鲁棒性，且显著快于现有最先进鲁棒求解器（如 RANSAC、FGR、GORE）。
引用
@article{arxiv.2110.05075,
title = {DANIEL: A Fast and Robust Consensus Maximization Method for Point Cloud Registration with High Outlier Ratios},
author = {Lei Sun},
journal= {arXiv preprint arXiv:2110.05075},
year = {2021}
}