ECCV2018--点云匹配_efficientglobalpointcloudregistrationby matchingro-CSDN博客

本文链接：https://blog.csdn.net/u014636245/article/details/82760998

Efficient Global Point Cloud Registration by Matching Rotation Invariant Features Through Translation Search

这篇文章通过解耦平移和选择问题，提出了快速的BnB算法实现全局优化。基于新的旋转不变特征(rotation invariant feature)，首先通过快速BnB算法建立全局的3D平移信息，随后利用这一信息计算旋转。
选择不变特征表达如下,对于任何的 $SO_3$ 旋转具有不变性：
$\begin{Bmatrix} ||Rx_{i1}|| \\ ||Rx_{i2}||\\||R(x_{i1}-x_{i2})|| \end{Bmatrix} = \begin{Bmatrix} ||x_{i1}|| \\ ||x_{i2}||\\||(x_{i1}-x_{i2})|| \end{Bmatrix}$
在这里插入图片描述

Learning and Matching Multi-View Descriptors for Registration of Point Clouds

这篇文章提出了一个多视角描述子，通过多视角图图片学习而来用于描述3D关键点。随后提出了一种稳定的匹配方式，通过图形模型的置信度传播实现有效推理，从而排除了局外点的匹配。文章提出了Fuseption-ResNet来实现多视角特征融合：
在这里插入图片描述
随后利用置信度传播来进行匹配，首先匹配的定义如下：
$max(rank(p_i,p_j),rank(p_j,p_i))$ $max(rank(q_i,q_j),rank(q_j,q_i))$
p和q为对应的点。
随后对信息进行置信度传播：
$m_{ij}^{t+1}=\frac{1}{Z}F_{ij}m_i\prod_{k \in \partial{i}/j}m^t_{ki}$
节点 $x_i$ 边缘分布为：
$b_i=\frac{1}{Z}\prod_{k\in \partial i}m_{ki}$
效果如下，在只有少部分重叠的情况下依然有很好的匹配效果：
在这里插入图片描述