基于学生 t 混合模型的有效多点云配准方法
计算机视觉与模式识别
2020-12-15 v1
摘要
近来，期望最大化（EM）算法作为一种有效手段被引入以解决多视点配准问题。以往多数方法假设每个数据点取自高斯混合模型（GMM），难以处理重尾噪声或离群点。据此，本文提出一种基于学生 t 混合模型（StMM）的有效配准方法。更具体地，我们假设每个数据点取自唯一的 StMM，其中它在其他点集中的最近邻（NNs）被视为具有相等协方差、隶属概率与固定自由度的 t 分布质心。基于此假设，多视点配准问题被表述为包含全部刚性变换的似然函数最大化。随后，利用 EM 算法优化刚性变换以及用于多视点配准的唯一 t 分布协方差。由于仅需优化少量模型参数，所提方法更可能获得期望的配准结果。此外，所有 t 分布质心可通过 NN 搜索方法获得，实现多视点配准非常高效。而且，t 分布考虑了重尾噪声，使所提方法天生对噪声与离群点具有鲁棒性。在基准数据集上的实验结果展现了其相对于最先进方法在鲁棒性与精度上的优越性能。
引用
@article{arxiv.2012.07002,
title = {Effective multi-view registration of point sets based on student's t mixture model},
author = {Yanlin Ma and Jihua Zhu and Zhongyu Li and Zhiqiang Tian and Yaochen Li},
journal= {arXiv preprint arXiv:2012.07002},
year = {2020}
}
备注
11pages, 6 figures