尺度不变的快速函数式配准
计算机视觉与模式识别
2022-09-27 v1 机器人学
摘要
函数式配准算法将点云表示为函数(如空间占据场),从而避免了常规最小二乘配准算法中不可靠的对应估计。然而,现有函数式配准算法计算代价高。此外,在基于 CAD 模型的目标定位等任务中,具备未知尺度下的配准能力是必要的,而现有函数式配准尚不支持此功能。本工作中,我们提出一种尺度不变、线性时间复杂度的函数式配准算法。我们通过使用正交基函数对函数间 L2 距离的高效近似实现线性时间复杂度。正交基函数的使用导出一种与最小二乘配准兼容的形式。受益于最小二乘形式,我们利用平移-旋转不变测量的理论解耦尺度估计,从而实现尺度不变配准。我们在标准 3D 配准基准上评估所提算法 FLS(函数式最小二乘),显示 FLS 比最先进的函数式配准算法快一个数量级且不牺牲精度与鲁棒性。在已知与未知尺度下,FLS 在精度与鲁棒性上也优于最先进的基于对应的最小二乘配准算法。最后,我们展示将 FLS 应用于配准密度变化与部分重叠的点云、同一类别内不同物体的点云,以及带有噪声 RGB-D 测量的真实世界物体点云。
引用
@article{arxiv.2209.12763,
title = {Scale-Invariant Fast Functional Registration},
author = {Muchen Sun and Allison Pinosky and Ian Abraham and Todd Murphey},
journal= {arXiv preprint arXiv:2209.12763},
year = {2022}
}
备注
17 pages