SDRSAC（CVPR2019）论文阅读

最新推荐文章于 2023-07-13 21:38:56 发布

-MMY

最新推荐文章于 2023-07-13 21:38:56 发布

阅读量1k

点赞数 2

分类专栏：论文阅读

本文链接：https://blog.csdn.net/PredragonTC/article/details/102639826

版权

论文阅读专栏收录该内容

8 篇文章 2 订阅

订阅专栏

Main Idea

本文提出了一种不依靠descriptor计算出两个点云的相对，的方法。输入两片点云 S,D ，分别从两片点云 S,D 中随机抽取点数都为的两片小点云 P,Q 。运用纯数学的方法估计出correspondences，算出，。然后用ICP去refine这个，。经过多次随机抽取生成多个，，借鉴RANSAC，利用inlier ratio计算出终止条件，最终得出能够使最多的点匹配的那个，（全局重投影误差最小）

可能问题

根据本文原理，这个方法虽然时间上复杂度不会太高，但是对于real data中，overlap率比较小的场景可能不会太好。
由于使用重投影误差衡量R，t好坏，对于有大量地板墙壁等平面的场景，很容易产生很多错误的correspondences。地板墙壁产生的R,t可能会被地板墙壁这种大量的弱特征“赞同”，而淹没像椅子桌子这种少量强特征提出的“异议”。不过这也是很多registration method 的问题，包括哪些learning的方案。

具体方法

输入两片点云 P,Q ， $X \in {\left \{0, 1 \right \}}^{N\times N}$ 记录它们的correspondences，事先不知道。除了个3D坐标外没有任何其他信息。那么就先生成 $\frac{n(n-1)}{2}$ 条线段，用这些线段描述点云结构。因为“点云中的线段经过，刚体变换之后长度依然不变”，取中的一条线段 $(p_{a},p_{c})$ ,中一条线段 $(q_{b},q_{d})$ ，如果那么两条线段长度若相差很多，那么它们包含的4个点就肯定没有两对correspondences，最多一对。由于噪声，就算有两对匹配点构成的两条线段的长度也不会完全为0，那么我们就用计分机制，希望这个长度差越小越好，长度差越大，得分越低，长度差大于一定threshold就直接计0分。用 $A_{N^{2}\times N^{2}}$ 作为记录score的矩阵。即：其中为

然后用最优化的思想，希望找到一个 $X \in{\left \{0, 1 \right \}}^{N\times N}$ 使得这些correspondences得到的score越多越好。把展开成向量，

令把上述问题等价转换为：

其中（7b），（7c）,（7d）,（5e）可以保证（5b），但是由于Y的rank1约束，这个问题是非凸的，我们把（7b）稍微放松一些，得到：

只要求Y半正定，不要求rank1，那么这样的话， $\hat{X}$ 就不能保证是二元的了，甚至 $Y_{ab,cd}\neq X_{ab}\ast X_{cd}$ ，但是希望Y和原来的解越接近越好，所以多加几个约束

约束（9）是保证同一个点不能和多个点匹配

约束（10）是保证线段不匹配的那么它们包含的4个点就肯定没有两对correspondences（要么ab不配，要么cd不配）

PS:这个线段是有向的，就是说， $(p_{a},p_{c})$ 和 $(p_{c},p_{a})$ 是分开算的。 $(p_{a},p_{c})$ ， $(q_{b},q_{d})$ 考察 $\left \{ p_{a},q_{b} \right \}$ 和 $\left \{ p_{c},q_{d} \right \}$ 这两对是不是correspondences，而 $(p_{c},p_{a})$ ， $(q_{d},q_{b})$ 是考察 $\left \{ p_{c},q_{b} \right \}$ 和 $\left \{ p_{a},q_{d} \right \}$ 。因为中的每一个点都是和中独立的一行。

（9），（10）这两个约束是线性的（（9）也是线性？），所以原问题还是一个凸优化。最终的问题是：

整个问题求解后得到最优解 $\tilde{X}$ ，前面说了，用了semidefinite relaxation后，优化问题的解已经不能保证是0-1矩阵了，但是我们需要一个permutation matrix，也就是 $X \in {\left \{0, 1 \right \}}^{N\times N}$ ，所以再次构建一个优化问题（下图），找到与 $\tilde{X}$ 最接近的 $X \in {\left \{0, 1 \right \}}^{N\times N}$ ，这里的 $\left \langle . , . \right \rangle$ 是两个矩阵的inner product。一些简单的数学可以证明，该问题的最优解矩阵 $X^{\star}$ 的每一行，就是把 $\tilde{X}$ 的每一行最大值赋值1，其他为0，得到的0-1矩阵。然后以 $\tilde{X}$ 中的值为score，选出最大的m个保留为1，其他1都置0。因为为节约时间，只保留m个correspondences，又希望最大化 $\left \langle X , \tilde{X}\right \rangle$