用于高效鲁棒的多视点集配准的 K-means 聚类
计算机视觉与模式识别
2019-03-21 v4
摘要
通常，决定配准实用性的三个主要因素是：精度、鲁棒性和效率。在实时应用中，效率和鲁棒性更为重要。为了提升这两种能力，我们将多视点配准转化为聚类任务。所有聚类中心均从参与多视点配准的初始对齐点集中均匀采样，这使得聚类过程非常高效且有效。然后，将每个点分配到单一簇中，并相应地更新每个簇的聚类中心。随后，利用所有聚类中心构成的形状依次估计每个点集的刚体变换。为保证精度与稳定性，聚类与变换估计交替且迭代地应用于所有点集。我们在几个基准数据集上测试了所提出的方法，并与现有先进方法进行了比较。实验结果验证了该方法在多视点集配准中的高效性与鲁棒性。
引用
@article{arxiv.1710.05193,
title = {K-means clustering for efficient and robust registration of multi-view point sets},
author = {Zutao Jiang and Jihua Zhu and Georgios D. Evangelidis and Changqing Zhang and Shanmin Pang and Yaochen Li},
journal= {arXiv preprint arXiv:1710.05193},
year = {2019}
}