TriVoC：基于高效投票式一致性最大化的极端外点率鲁棒点云配准方法
计算机视觉与模式识别
2022-03-02 v1 机器人学
摘要
基于对应关系的点云配准是机器人感知与计算机视觉的基石，旨在从假定对应关系中估计使两点云对齐的最佳刚体变换。然而，由于三维关键点匹配方法的鲁棒性有限，对应关系中易存在大量外点，这使得鲁棒配准方法不可或缺。遗憾的是，现有鲁棒方法在面对高或极端外点率时各有局限（如计算成本高或鲁棒性有限），可能不适用于实际用途。本文提出一种新颖、快速、确定性且具保证的鲁棒求解器 TriVoC（Triple-layered Voting with Consensus maximization，三层投票与一致性最大化），用于鲁棒配准问题。我们将最小 3 点集的选取分解为 3 个连续层，并在每层基于成对等长约束设计高效的投票与对应排序框架。以此方式，3 点集可根据排序序列从约简后的对应集中独立选取，从而显著降低计算成本，同时只要满足概率终止条件，便强保证获得最大一致性集（作为最终内点集）。多种实验表明，我们的求解器 TriVoC 对高达 99% 的外点具有鲁棒性，精度高，即便在极端外点率下也时间高效，且对真实应用实用，性能优于其他 SOTA 竞争者。
引用
@article{arxiv.2111.00657,
title = {TriVoC: Efficient Voting-based Consensus Maximization for Robust Point Cloud Registration with Extreme Outlier Ratios},
author = {Lei Sun and Lu Deng},
journal= {arXiv preprint arXiv:2111.00657},
year = {2022}
}