SegMatch: Segment based place recognition in 3D point clouds

R. Dube, D. Dugas, E. Stumm, et al. SegMatch: Segment based place recognition in 3D point clouds. IEEE International Conference on Robotics and Automation, 5266-5272, 2017.

摘要

Dube等人首次提出基于分割的3D点云场景识别方法。与局部（基于关键点）和全局（基于全局描述子）的场景识别方法不同，基于分割的场景识别方法既考虑了局部特征，又包含了“类别“这种高维特征，并且不依赖于物体级别的完美分割方法，是一种折中的场景识别方案。具体地，首先将当前帧点云通过特定的聚类方法分割成若干块点云簇。接着，SegMatch从每一块点云簇中提取一个特征向量。特征向量提取混合了特征值和直方图两种方法，鲁棒性更强。接着匹配当前帧的点云簇集合和地图中的点云簇集合。具体做法是，提取当前帧点云簇在地图邻域范围内的点云簇集合，然后通过随机森林预测两两点云簇的相似度，最终得到一系列候选点云簇关联对。最终，利用RANSAC方法进行集合验证测试，寻找最少数量的几何一致性较强的点云簇关联对集合，并利用点云簇中心的相对位置关系估计相对位姿变换，从而完成场景识别任务。

1. 介绍

场景识别代表准确SLAM的关键任务之一。由于在没有全局位姿信息的前提下，执行状态估计时漂移不可避免，可靠的回环检测对于许多机器人平台来说是一项关键的能力。许多使用图片执行场景识别的成功策略在文献中被提出。但是，基于图片的场景识别可能变得不可靠当大光照变化或者大的视角变化发生时。基于激光雷达的定位，另一方面，不受外部光照的影响，并且由于它以非常好的分辨率捕捉了几何信息，不受视角变化影响。本文因此考虑3D激光扫描仪，由于其具有提供室外环境鲁棒定位的潜力。

当前3D激光数据中的场景识别策略主要基于关键点检测和匹配。在图片的场景识别执行过程中，Lowry等人[2]之初使用分割活着物体层次的描述子能够同时提供局部和全局特征方法的好处。物体或分割地图也在尺度和拓扑方面提供几个好处。与其他地图相比，这些地图能够更好地表示什么时候静态物体变成动态，并且更接近人类感知环境的方式。

虽然在物体级别工作是非常理想的，它也有两方面的假设。首先，我们能够得到完美的物体分割技术，其次，在环境中有实际的“物体”，在[4]的定义下。这些假设在一般情况下并不满足，由于不完美的分割，以及在常见的现实世界情形中没有可区分的物体。该工作因此介绍了SegMatch，一种基于分割的方法利用可描述的形状而不是基于关键点的特征，且不需要基于物体方法的较强假设。换句话说，我们通过匹配属于部分或者全部物体的分割或者更大结构的部分（窗户，弧，外墙）来识别地点。这种分割的例子可以在图1中看到，其数据在市区中收集。

图1. 提供