基于最大相关熵准则的鲁棒运动平均多点云配准方法
计算机视觉与模式识别
2022-08-25 v1
摘要
作为一种求解多视配准问题的高效算法，运动平均（MA）算法已被广泛研究，并出现了许多基于MA的算法。它们旨在从相对运动中恢复全局运动，并利用信息冗余来平均累积误差。然而，这些方法的一个特点是使用高斯-牛顿法求解最小二乘问题以获得全局运动的增量，这可能导致效率低下且对离群点鲁棒性差。本文提出一种基于拉普拉斯核最大相关熵准则（LMCC）的鲁棒运动平均框架用于多视配准。利用李代数运动框架和相关熵度量，我们提出了一个新的代价函数，该函数考虑了相对运动提供的所有约束。获取用于校正全局运动的增量，可进一步表述为一个旨在最大化代价函数的优化问题。借助二次化技术，该优化问题可通过分解为两个子问题来求解，即根据当前残差计算每个相对运动的权重，以及求解下一步迭代增量的二阶锥规划问题（SOCP）。我们还提出了一种确定核宽的新策略，确保我们的方法在存在大量离群点时能高效利用相对运动提供的信息冗余。最后，我们将所提方法与其他基于MA的多视配准方法进行比较以验证其性能。在合成数据与真实数据上的实验测试表明，我们的方法在效率、精度和鲁棒性方面均取得了优越性能。
引用
@article{arxiv.2208.11327,
title = {Robust Motion Averaging for Multi-view Registration of Point Sets Based Maximum Correntropy Criterion},
author = {Yugeng Huang and Haitao Liu and Tian Huang},
journal= {arXiv preprint arXiv:2208.11327},
year = {2022}
}