基于变换分解的3D点集快速全局最优刚性配准
计算机视觉与模式识别
2019-01-08 v3
摘要
两个3D点集的刚性配准是计算机视觉中的一个基本问题。当前的趋势是使用BnB优化框架全局地求解该问题。然而，现有的全局方法速度较慢，主要有两个原因：BnB的计算复杂度相对于问题维度（3D刚性配准为六维）是指数级的，且BnB中使用的边界评估效率低下。在本文中，我们提出两种技术来解决这些问题。首先，我们引入平移不变向量的思想，使得我们能够将6D刚性变换的搜索分解为3D旋转的搜索随后进行3D平移的搜索，其中每一个都由单独的BnB算法求解。这种变换分解降低了BnB算法的问题维度并大幅提高了其效率。接着，我们提出一种名为3D积分体的新数据结构，以加速两个BnB算法中的边界评估。通过结合这两种技术，我们实现了一种用于3D点集刚性配准的高效算法。在合成数据与真实数据上的大量实验表明，所提算法比现有的最先进全局方法快三个数量级。
引用
@article{arxiv.1812.11307,
title = {Fast and Globally Optimal Rigid Registration of 3D Point Sets by Transformation Decomposition},
author = {Xuechen Li and Yinlong Liu and Yiru Wang and Chen Wang and Manning Wang and Zhijian Song},
journal= {arXiv preprint arXiv:1812.11307},
year = {2019}
}
备注
17pages, 16 figures and 6 tables