稳健且全局最优的近实时曼哈顿坐标系估计
计算机视觉与模式识别
2018-04-16 v2 机器人学
摘要
大多数人造环境，如城市场景和室内场景，由一组平行且正交的平面结构组成。这些结构可由曼哈顿世界假设近似描述，该概念可表示为一个曼哈顿坐标系（MF）。给定一组输入，如表面法线或消失点，我们将 MF 估计问题建模为在旋转搜索空间上最大化内点数量的共识集最大化问题。传统上，该问题可通过分支定界框架求解，该框架在数学上保证全局最优性。然而，传统分支定界算法的计算时间远未达到实时。本文提出了一种在高效测量域——即扩展高斯图像（EGI）上进行 MF 估计的新型界限计算方法。通过松弛原始问题，我们能够以恒定复杂度计算界限，同时保持全局最优性。此外，我们定量和定性地展示了所提方法在各种合成数据和真实世界数据上的性能。我们还通过三个不同的应用展示了我们方法的通用性：扩展到多重 MF 估计、基于三维旋转的视频稳像以及消失点估计（线聚类）。
引用
@article{arxiv.1605.03730,
title = {Robust and Globally Optimal Manhattan Frame Estimation in Near Real Time},
author = {Kyungdon Joo and Tae-Hyun Oh and Junsik Kim and In So Kweon},
journal= {arXiv preprint arXiv:1605.03730},
year = {2018}
}
备注
To appear in TPAMI