通过启发式引导参数搜索的高效鲁棒点云配准

基于假定的3D对应集估计具有6自由度的刚体变换是点云配准中的关键步骤。现有的对应识别方法通常导致较大的外点率（>95%很常见），这凸显了鲁棒配准方法的重要性。许多研究人员转向基于参数搜索的策略（例如，分支定界）进行鲁棒配准。尽管相关方法显示出高鲁棒性，但其效率受限于高维搜索空间。本文提出了一种启发式引导的参数搜索策略，以在保持高鲁棒性的同时加速搜索。我们首先采样一些对应点（即启发式），然后只需要顺序搜索使每个样本成为内点的可行区域。我们的策略大大减少了搜索空间，并且只需少量内点样本即可保证精度，因此在效率和鲁棒性之间取得了优异的平衡。由于直接参数化6维非线性可行区域以进行高效搜索是困难的，我们构建了一个三阶段分解流水线来重新参数化可行区域，从而产生三个低维子问题，这些子问题可以通过我们的策略轻松解决。除了降低搜索维度，我们的分解还允许在所有三个阶段利用一维区间刺穿来加速搜索。此外，我们提出了一种有效的采样策略来保证采样有效性，以及一种兼容性验证设置来进一步加速搜索。在模拟和真实数据集上的大量实验表明，我们的方法在实现显著效率提升的同时，与最先进的方法具有相当的鲁棒性。