快速且鲁棒的迭代最近点算法
计算机视觉与模式识别
2023-04-18 v3 图形学
机器人学
摘要
迭代最近点（ICP）算法及其变体是用于两点集间刚性配准的基础技术，在从机器人到三维重建的不同领域有广泛应用。ICP 的主要缺点是其收敛慢，以及对离群点、缺失数据和部分重叠的敏感性。近期工作如 Sparse ICP 通过稀疏优化实现鲁棒性，但以计算速度为代价。本文提出一种具有快速收敛的鲁棒配准新方法。首先，我们表明经典的点到点 ICP 可视为majorization-minimization（MM）算法，并提出一种 Anderson 加速方法来加快其收敛。此外，我们引入基于 Welsch 函数的鲁棒误差度量，并使用带 Anderson 加速的 MM 算法高效最小化。在具有噪声和部分重叠的挑战性数据集上，我们取得了与 Sparse ICP 相似或更好的精度，同时速度至少快一个数量级。最后，我们将鲁棒公式扩展到点对面 ICP，并使用类似的 Anderson 加速 MM 策略求解所得问题。我们的鲁棒 ICP 方法在基准数据集上提高了配准精度，同时在计算时间上具竞争力。
引用
@article{arxiv.2007.07627,
title = {Fast and Robust Iterative Closest Point},
author = {Juyong Zhang and Yuxin Yao and Bailin Deng},
journal= {arXiv preprint arXiv:2007.07627},
year = {2023}
}