SDRSAC：基于半定规划的无需对应点的鲁棒点云配准随机方法
计算机视觉与模式识别
2019-04-16 v2
摘要
本文提出了一种用于无需对应点的鲁棒点云配准的新型随机算法。大多数现有的配准方法需要一组通过提取不变描述子获得的假定对应点。然而，此类描述子在含噪与受污染环境下可能变得不可靠。在这些环境下，直接处理输入点集的方法更可取。但如果没有对应点，传统的随机技术需要非常大量的采样才能得出令人满意的求解。本文中，我们提出一种新方法来解决该问题。具体而言，我们的工作使得随机方法能够用于点云配准而无需假定对应点。通过将点点云对齐视为图匹配的一个特殊实例并采用高效的半定松弛（semi-definite relaxation），我们提出了一种新颖的采样机制，其中被采样子集的规模可以大于最小规模。我们的紧松弛方案能够快快速剔除采样集中的离群点，从而产生高质量的假设。我们进行了大量实验以证明我们的方法优于其他最先进（state-of-the-art）的方法。重要的是，我们提出的方法作为一个通用框架，可扩展至具有已知对应点的问题。
引用
@article{arxiv.1904.03483,
title = {SDRSAC: Semidefinite-Based Randomized Approach for Robust Point Cloud Registration without Correspondences},
author = {Huu Le and Thanh-Toan Do and Tuan Hoang and Ngai-Man Cheung},
journal= {arXiv preprint arXiv:1904.03483},
year = {2019}
}
备注
Accepted to CVPR 2019 (Oral)