实用、快速且鲁棒的的点云配准方法用于三维场景拼接与物体定位
计算机视觉与模式识别
2021-11-09 v1
摘要
三维点云配准是遥感、摄影测量、机器人与几何计算机视觉中最基础的问题之一。由于三维特征匹配技术精度有限，对应点之间可能存在外点，有时甚至数量极多。鉴于现有鲁棒求解器可能面临高计算成本或鲁棒性受限的问题，我们提出一种新颖、快速且高度鲁棒的求解器，名为 VOCRA（VOting with Cost function and Rotating Averaging，基于代价函数投票与旋转平均），用于应对极端外点率的点云配准问题。我们的第一个贡献是采用 Tukey 双权鲁棒代价函数引入一种新的投票与对应点排序技术，证明即使在极端（99%）外点率下也能有效区分真内点与外点。我们的第二个贡献在于设计一种基于鲁棒旋转平均的时效性共识最大化范式，用于在对应点中寻找内点候选。最后，我们应用带 Tukey 双权的渐进非凸性（GNC-TB）利用所得内点候选估计正确变换，并据此找出完整内点集。我们进行了标准基准测试及面向两个真实数据问题的应用实验，表明我们的求解器 VOCRA 对超过 99% 的外点具有鲁棒性，且比最先进的同类方法更省时。
引用
@article{arxiv.2111.04228,
title = {Practical, Fast and Robust Point Cloud Registration for 3D Scene Stitching and Object Localization},
author = {Lei Sun},
journal= {arXiv preprint arXiv:2111.04228},
year = {2021}
}