期望最大化视角下的多视角点集配准
计算机视觉与模式识别
2021-05-18 v2
摘要
多视角点集配准是 3D 模型重建的先决条件。为解决该问题，以往方法要么仅部分利用可用信息，要么盲目使用不必要的信息来对齐各点集，可能导致不理想结果或引入额外计算复杂度。为此，本文将多视角配准问题视为极大似然估计问题，并提出了一种期望最大化（Expectation-Maximization, EM）视角下的新颖多视角配准方法。我们方法的基本思想是：不同数据点由相同数量的高斯混合模型（Gaussian mixture models, GMMs）生成。对于某点集中的一个数据点，可从其已良好对齐的其他点集中搜索其最近邻。于是，可假设该数据点由特殊 GMM 生成，该 GMM 由每个附着一个高斯分布的最近邻组成。基于此假设，定义包含所有刚体变换的似然函数是合理的，而这些刚体变换正是多视角配准所需估计的。随后，利用 EM 算法最大化似然函数以估计所有刚体变换。最后，所提方法在多个基准数据集上测试，并与若干前沿（state-of-the-art）算法比较。实验结果证明了其在多视角点集配准上的精度、鲁棒性与效率方面的优越性能。
引用
@article{arxiv.2002.07464,
title = {Registration of multi-view point sets under the perspective of expectation-maximization},
author = {Jihua Zhu and Jing Zhang and Huimin Lu and Zhongyu Li},
journal= {arXiv preprint arXiv:2002.07464},
year = {2021}
}