基于点云方式的6D姿态识别

作者:Tom Hardy
Date:2020-2-26
来源:基于点云方式的6D姿态识别

前言

除了对应点方式,还可以将点云将与整个形状对齐,获得6D姿态。通常,首先进行粗配准以提供初始对准,然后进行密集配准方法,如迭代最近点(ICP),以获得最终的6D姿态。针对点云方式,挑选了一些相关的paper,在这里做下基本思想分享。

1、Go-ICP: A Globally Optimal Solution to 3D ICP Point-Set Registration

迭代最近点(ICP)算法是目前应用最广泛的点集配准方法之一。然而,基于局部迭代优化的ICP算法易受局部极小值的影响。它的性能严重依赖于初始化的质量,并且只保证局部最优性。本文提出了在ICP定义的L2误差度量下,两个三维点集欧氏(刚性)配准的第一个全局最优算法Go-ICP。Go-ICP方法基于搜索整个3D运动空间SE(3)的分枝定界(BnB)方案。利用SE(3)几何的特殊结构,推导了新的配准误差函数的上下界。在BnB方案中引入局部ICP,在保证全局最优的同时加快了新方法的速度。本文还讨论了扩展,解决了异常值健壮性问题。实验结果表明,该方法能够在不考虑初始值的情况下产生可靠的配准结果。Go-ICP可应用于需要最佳解决方案或无法始终获得良好初始化的情况。

基于点云方式的6D姿态识别_第1张图片
基于点云方式的6D姿态识别_第2张图片
基于点云方式的6D姿态识别_第3张图片

2、SUPER 4PCS Fast Global Pointcloud Registration via Smart Indexing

大规模场景中的数据采集通常需要通过多次扫描积累信息。一种常见的方法是使用迭代最近点(ICP)算法(或其变体)局部对齐扫描对,但需要静态场景和扫描对之间的小运动。这可防止在多个扫描会话和/或不同采集模式(如立体声、深度扫描)之间积累数据。或者,可以使用允许扫描处于任意初始姿势的全局注册算法。然而,最先进的全局配准算法4PCS在数据点的数量上具有二次时间复杂度,这大大限制了它在获取大型环境方面的适用性。本文提出了Super 4PCS全局点云配准,它可以在线性时间(数据点的数目)中运行,并且在基于扫描对的(未知)重叠对齐问题的复杂性上输出敏感。算法简单,内存利用率高,速度快。本文证明,Super 4PCS比其他方法有显著的加速效果,并允许在以前不可能的尺度上非结构化高效地获取场景。

基于点云方式的6D姿态识别_第4张图片
基于点云方式的6D姿态识别_第5张图片

3、3DRegNet: A Deep Neural Network for 3D Point Registration

本文提出了一种三维扫描配准的深度学习算法3DRegNet。近年来随着廉价的3D商品传感器的出现,开发一种基于学习的3D配准算法将是非常有益的。本文在给定一组三维点对应关系的情况下,利用深度残差层和卷积层建立深度网络3DRegNet,主要完成两项任务:
(1)将点对应关系分类为正确/错误的点对应关系
(2)可以回归将扫描对齐到公共参考帧的运动参数
与经典方法相比,3DRegNet有几个优点。首先,由于3DRegNet的工作原理是点对应,而不是原始扫描,因此明显快于许多传统方法。其次,论文证明该算法可以扩展到多视图场景,即同时处理两次以上扫描的注册。与使用四元数表示旋转的四变量位姿回归网络不同,本文使用李代数仅使用三个变量表示旋转。在两个具有挑战性的数据集(ICL-NUIM和SUN3D)上进行的大量实验表明3DRegNet性能优于其他方法,并取得了最新的结果。

基于点云方式的6D姿态识别_第6张图片
基于点云方式的6D姿态识别_第7张图片

4、3DMatch: Learning Local Geometric Descriptors from RGB-D Reconstructions(斯坦福大学,代码开源)

由于三维扫描数据的噪声、低分辨率和不完整性,在真实深度图像上进行局部几何特征匹配是一项具有挑战性的任务。这些困难限制了目前最先进的方法的性能,这些方法通常基于几何特性上的直方图。本文提出了一个数据驱动的模型3DMatch,该模型学习局部体块描述符以建立部分3D数据之间的对应关系。为了积累模型的训练数据,提出了一种自监督的特征学习方法,利用现有的RGB-D重建中发现的数百万个对应标签。实验表明,该描述子不仅能够匹配新场景中的局部几何特征进行重建,而且可以推广到不同的任务和空间尺度(如Amazon Picking Challenge的实例级对象模型对齐和网格曲面对应)。结果表明,3DMatch始终优于其他最先进的方法,具有显著的优势。

基于点云方式的6D姿态识别_第8张图片
基于点云方式的6D姿态识别_第9张图片
基于点云方式的6D姿态识别_第10张图片
基于点云方式的6D姿态识别_第11张图片

你可能感兴趣的:(3D视觉,PCL点云处理)