The Perfect Match: 3D Point Cloud Matching with Smoothed Densities

最新推荐文章于 2024-04-18 10:08:31 发布

iCassiel

最新推荐文章于 2024-04-18 10:08:31 发布

阅读量1.4k

点赞数 3

分类专栏：论文

本文链接：https://blog.csdn.net/Ellamelody/article/details/98469476

版权

这篇博客介绍了3DSmoothNet算法在3D点云配准中的应用，通过提取球形支撑、估计局部参考框架、使用高斯平滑核进行体素化以及利用siamese网络进行配准。3DSmoothNet包含卷积层、批标准化和ReLU激活等组件，并利用置换矩阵和协方差矩阵计算LRF。整个流程旨在优化点云拼接的精度。

摘要由CSDN通过智能技术生成

完美配准：具有平滑密度的3D点云配准
论文提出3DSmoothNet对点云进行拼接

算法流程
输入参数
$(a)$ extract the spherical support $S$ of the interest point $p$
$(b)$ use $S$ to estimate a unique LRF
$(c)$ transform each data cube to its canonical representation
$(d)$ voxelize using Gaussian smoothing kernel
$(e)$ the normalized 3D SDV voxel grid is used as input to our siamese 3DSmoothNet architecture
(Note that $(d)$ and $(e)$ show 2D slices of 3D cubes.)
3DSmoothNet Network architecture
3DSmoothNet 由卷积层（绿色）、批标准化（橙色）、ReLU激活层（蓝色）以及 $l 2$ 范数层（品红）组成。两个分支共享参数（Siamese network）

siamese network

置换矩阵( $p e r m u t a t i o n$ $m a t r i x$ )：每一行每一列只有一个值为1，其余为0.
左行：左乘一个置换矩阵，交换的是该矩阵的行；
右列：右乘一个置换矩阵，交换的是该矩阵的列。

$L o c a l$ $r e f e r e n c e$ $f r a m e$ $(L R F)$
选取点云 $P$ 中一点 $p$ 的球域 $S\subset P$ ， $S=\lbrace p_i :||p_i-p||_2\leq r_{LRF}\rbrace$ ，
其中， $r_{LRF}$ 代表邻域的半径；在本文中，用 $t h e$ $i n t e r e s t$ $p o i n t$ $p$ 代替 $c e n t r o i d$ 降低计算的复杂度。
通过对邻域内所有点的协方差 $\Sigma_s^{~}$