GOGMA: 全局最优高斯混合对齐
计算机视觉与模式识别
2016-03-02 v1 机器人学
摘要
高斯混合对齐是一类常用于鲁棒解决点集配准问题的方法。然而，由于它们使用局部优化，易受局部极小值影响，且只能保证局部最优。因此，它们的精度强烈依赖于初始化的质量。本文提出了在混合模型之间的L2距离下，3D刚性高斯混合对齐问题的首个全局最优解。该算法名为GOGMA，采用分支定界方法搜索3D刚性运动空间SE(3)，无论初始化如何都能保证全局最优性。利用SE(3)的几何性质为目标函数找到了新颖的上下界，并将局部优化集成到该方案中以加速收敛而不破坏最优性保证。评估实验在经验上支持了最优性证明，并表明该方法在两个具有挑战性的数据集上比现有的全局最优配准解表现得更鲁棒。
引用
@article{arxiv.1603.00150,
title = {GOGMA: Globally-Optimal Gaussian Mixture Alignment},
author = {Dylan Campbell and Lars Petersson},
journal= {arXiv preprint arXiv:1603.00150},
year = {2016}
}
备注
Manuscript in press 2016 IEEE Conference on Computer Vision and Pattern Recognition