Fast Global Registration

最新推荐文章于 2025-01-26 09:44:21 发布

我很懒但我很软乎

最新推荐文章于 2025-01-26 09:44:21 发布

阅读量5.8k

点赞数 7

分类专栏：算法文章标签： fast global registration

算法专栏收录该内容

34 篇文章

订阅专栏

本博客来自于论文《fast global registration》，该论文介绍了一种快速全局配准部分重叠3D表面的算法，作者称其算法在速度和配准的准确性ICP等局部细化算法更快，且算法不涉及迭代采样，模型拟合或局部细化。

几何配准的典型流程包括全局对齐和局部细化，其中全局对齐即对两个表面的刚体运动进行初始估计，局部细化则不断优化这个初始估计以得到更好的配准效果。

大多数的全局对齐方法对候选点对进行操作，诸如有些模型采用位姿聚类或者是RANSAC作为迭代拟合模型，每次迭代对一组候选对应进行采样，根据这些对应关系产生对齐结果，并对结果进行评估，若找到效果好的对齐则可以进行下一步的迭代局部细化。然而，在这篇论文中，作者并没有进行迭代采样，模型拟合或局部细化，并且由于该算法不用重新计算对应关系，因此也要比ICP等局部细化算法更快。下面来具体分析一下这个算法的内容。

一、Pairwise Global Registration

（一）目标

目标是找到将点集P与点集Q对齐的刚体变换矩阵T。

取对应关系 $K=\left \{ \left ( p, q\right ) \right \}$ 代表点集Q和Q之间的对应关系。为了完成优化变换矩阵T，我们定义公式（1）。在这里的 $\rho\left ( \cdot \right )$ 是一个估算器，即 $\rho \left ( x \right )=\frac{u\cdot x^{2}}{u+x^{2}}$ ，用来完成验证和修剪。由于公式（1）较难优化，因此作者假设关系L，并假定优化目标公式为。其中，点对关系

目标是最小化公式 $E\left ( T,L \right )$ ，因此在此处求偏导得到，解得结果：。将其带入我们假定的目标公式 $E\left ( T,L \right )$ ，即可得到公式 $E\left ( T\right )$ 。

（二）优化

显然刚刚提出的求解变换矩阵T的公式 $E\left ( T,L \right )$ 不是最优的（至于为啥不是最优的我也木有看懂。。。），于是，作者在这里将变换矩阵中的旋转变量w和变换向量t定义为六个参数的向量：。于是，变换矩阵就可以线性表示为：。这里的 $T^{k}$ 是最后一次迭代的变换估计，使用高斯牛顿法求解 $\xi$ 。其中 $r$ 是残差向量， $J_{r}$ 是雅可比矩阵。通过使用将ξ应用于Tk来更新T，然后将其映射回SE（3）组。

（三）对应关系

为了生成对应关系集合 $K=\left \{ \left ( p, q\right ) \right \}$ ，作者使用了快速点特征直方图（FPFH）方法。

这里先补充一些特征聚类相关的知识点：点特征直方图以及快速点特征直方图。

对于p点的FPFH特征 $F\left ( P \right )=\left \{ F(p):p\in P \right \}$ ，类似的可以定义 $F\left ( Q \right )=\left \{ F(q):q\in Q\right \}$ 。对于每一个 $p\in P$ ，我们寻找F(Q)中距离F(p)最近邻的点，同样，对于每一个 $q\in Q$ ，我们寻找F(P)中距离F(q)最近邻的点。设 $K1$ 是这些对应关系的集合，在应用到算法里之前，作者用了两种测试来降低 $K1$ 中的异常值数目：

Reciprocity test：对于 $K1$ 中的点对（p,q），当且仅当F(p)是F(q)在F(P)中的最近邻，且F(q)是F(p)在F(Q)中的最近邻，才能被保留在结果点对 $K11$ 中。
Tuple test：从 $K11$ 中随机选取三个点对(p1; q1)、(p2; q2)、(p3; q3)，检查(p1; p2; p3) 与(q1; q2; q3)是否符合公式，其中τ = 0.9。通过验证的关系对被保存在结果点对 $K111$ 中。

二、多向配准

在这里首先贴一下这个算法伪码：

1、目标

对于两个点集 $(P_{i},Q_{i}),i< j$ ，定义点集关系 $K_{ij}$ ，则得到公式：。与上面类似，定义点集对应关系 $L=\left \{ l_{p,q} \right \}$ ，则同前面介绍的一样，公式化简如下：

2、优化

作者在这里使用交替优化来完成。假定L的公式为：。定义 $T_{i}^{k}$ 为第 i 次变换估计， $T_{i}$ 则被定义为，即可以求。正如前面那样，我们使用高斯牛顿法求解 $\xi$ 。在这里，对应关系永远不会更新。每次迭代只执行两个步骤：为每个点对应计算一个线性过程变量、构建并求解具有变量的线性系统。