利用高斯混合树实现快速准确的点云配准
计算机视觉与模式识别
2018-07-10 v1
摘要
点云配准处于许多重要且具有挑战性的 3D 感知问题（包括自主导航、SLAM、物体/场景识别与增强现实）的核心。本文中，我们提出一种新的配准算法，通过其分层高斯混合模型（GMM）表示的使用，能够实现最先进的速度与精度。我们的方法通过在 GPU 上并行递归运行许多小尺度数据似然分割，构建点云数据的自顶向下多尺度表示。我们利用一种新颖的基于 PCA 的优化准则来利用所得表示，该准则自适应地找到最佳尺度以在点云数据的空间子集之间执行数据关联。与之前的迭代最近点（ICP）与基于 GMM 的技术相比，我们基于树的点的关联算法在对数时间内执行数据关联，同时动态调整细节层级以最佳匹配局部场景几何的复杂度与空间分布特征。此外，不同于其他将协方差限制为各向同性的 GMM 方法，我们新颖的基于 PCA 的优化准则即使在采用完全各向异性高斯协方差时也能良好近似真实 MLE 解。高效的数据关联、多尺度适应性以及鲁棒的 MLE 近似，产生了一种在从 LiDAR 到结构光捕获的多种 3D 数据集上比当前最先进方法快一个数量级且更准确的算法。
引用
@article{arxiv.1807.02587,
title = {Fast and Accurate Point Cloud Registration using Trees of Gaussian Mixtures},
author = {Ben Eckart and Kihwan Kim and Jan Kautz},
journal= {arXiv preprint arXiv:1807.02587},
year = {2018}
}
备注
ECCV 2018