面向三维植物点云的三维对应分组算法性能比较
计算机视觉与模式识别
2019-09-04 v1
摘要
植物表型组学可用于监测植物的健康与生长。立体重建、图像检索、目标跟踪和目标识别等计算机视觉应用在以成像为基础的植物表型分析中起着重要作用。本文对一些流行的三维对应分组算法进行了比较评估，其动机是它们在模型创建、植物识别和植物部位识别等任务中可能发挥的重要作用。本文的另一贡献是将二维最大似然匹配扩展为三维最大似然估计采样一致性（MLEASAC）。MLEASAC 高效且计算量小于三维随机采样一致性（RANSAC）。我们在植物三维点云以及两个针对形状检索与点云配准场景的标准基准上测试了这些算法。性能以精确率与召回率进行评估。
引用
@article{arxiv.1909.00866,
title = {Performance comparison of 3D correspondence grouping algorithm for 3D plant point clouds},
author = {Shiva Azimi and Tapan K. Gandhi},
journal= {arXiv preprint arXiv:1909.00866},
year = {2019}
}