CVPR2020:FiltReg一种新的刚体模型的参数化概率配准方法

概率点集配准方法因其对噪声，离群值和遮挡的鲁棒性而受到越来越多的关注。但是，这些方法往往比流行的迭代最近点（ICP）算法要慢得多，后者严重限制了它们的可用性。本文中提供了一种新颖的概率配准方法，该方法可以实现最先进的鲁棒性，并且比现代ICP实施方案具有更快的计算性能。这是使用有效的概率公式实现的。点集配准被转换为最大似然估计，并使用EM算法求解。通过简单的扩充，EM中的E步可以表述为过滤问题，从而能够利用低效的高斯滤波方法。另外定制四面体滤波器[1]可以提高效率，同时又可以为本文的任务保留足够的精度。此外本文还提出了一种简单有效的扭曲参数化方法，推广到了铰接和可变形物体的配准上。对于关节对象，本文方法的复杂性几乎与自由度（DOF）无关。结果表明，所提出的方法在各种配准任务上始终优于许多竞争基准。

[1]A. Adams, J. Baek, and M. A. Davis. Fast high-dimensional
filtering using the permutohedral lattice. In Computer
Graphics Forum, volume 29, pages 753–762. Wiley Online
Library, 2010. 1, 4

1.引言

点集配准是通过估计两个点云的相对转换来对齐它们的任务。这个问题是许多实际视觉系统的基本组成部分，例如SLAM，物体姿态估计，密集3d重建以及对关节和可变形物体的交互式跟踪。

ICP 算法是用于此任务的最广泛使用的方法。 ICP可以建立最近邻对应关系，并最大程度地减少点对距离。借助KD-tree等空间索引，ICP可以提供相对较快的性能。 下面两篇文献提供了全面的回顾和比较。

F. Pomerleau, F. Colas, R. Siegwart, et al. A review of point
cloud registration algorithms for mobile robotics. Founda-
tions and Trends R in Robotics, 4(1):1–104, 2015. 1
F. Pomerleau, F. Colas, R. Siegwart, and S. Magnenat. Com-
paring ICP Variants on Real-World Data Sets. Autonomous
Robots, 34(3):133–148, Feb. 2013. 1

尽管ICP算法很受欢迎，但它容易受到噪声，离群值和遮挡的影响。因此，已经对使用概率模型进行点集配准进行了大量研究，这在原则上可以提供更好的离群值拒绝。此外，如果给每个点高斯方差，点云可以解释为高斯混合模型（GMM）。大多数统计配准方法都建立在GMM之上，并凭经验提供改进的鲁棒性。但这些方法往往比ICP慢得多，几乎无法扩展到大点云，严重限制了它们的实际可用性。

点集配准
S. Gold, A. Rangarajan, C.-P. Lu, S. Pappu, and E. Mjol-
sness. New algorithms for 2d and 3d point matching:
Pose estimation and correspondence. Pattern recognition,
31(8):1019–1031, 1998. 1
S. Granger and X. Pennec. Multi-scale em-icp: A fast and
robust approach for surface registration. In European Con-
ference on Computer Vision, pages 418–432. Springer, 2002.
1, 2, 7
A. Myronenko and X. Song. Point set registration: Coherent
point drift. IEEE Transactions on Pattern Analysis and Ma-
chine Intelligence, 32(12):2262–2275, Dec 2010. 1, 2, 3, 6,
7

本文提出了一种新颖的概率配准算法，该算法实现了最先进的鲁棒性，并且比现代ICP实现方案的运算性能大大提高。基于这一点提出了一个计算效率高的概率模型，并将配准转换为最大似然估计，这可以使用EM算法来解决。通过简单的扩充，将E步公式化为一个过滤问题，并利用有效的高斯滤波器来解决它。还提出了一种定制的四面体过滤器，该过滤器具有更高的效率，同时又能为本文的任务保留足够的精度。本文的方法与基于GMM的最新方法一样稳健。在速度方面，采用CPU的方法比现代ICP实施快3-7倍，比典型的基于GMM的鲁棒方法快几个数量级。所提出的方法可以实现GPU并行化，并且比CPU实现速度快7倍。

高斯滤波器
A. Adams, J. Baek, and M. A. Davis. Fast high-dimensional
filtering using the permutohedral lattice. In Computer
Graphics Forum, volume 29, pages 753–762. Wiley Online
Library, 2010. 1, 4
A. Adams, N. Gelfand, J. Dolson, and M. Levoy. Gaussian
kd-trees for fast high-dimensional filtering. In ACM Trans-
actions on Graphics (ToG), volume 28, page 21. ACM, 2009.
1, 4
J. Chen, S. Paris, and F. Durand. Real-time edge-aware im-
age processing with the bilateral grid. In ACM Transactions
on Graphics (TOG), volume 26, page 103. ACM, 2007. 1, 4

另外还提出了一种简单有效的扭曲参数化方法，将本文的方法扩展到了铰接和节点图的可变形对象。本文的方法易于实现，并且在直接参数化方面可以大大提高速度。对于铰接的物体，本文方法的复杂性几乎与自由度无关，这使得它甚至对于高自由度系统也非常有效。结合这些组成部分，提出了一种强大，高效和在各种配准任务上优于许多竞争基准的通用配准方法。

2.配准概率模型

2.1 概率公式

本小节介绍了概率模型点集配准。用X，Y表示两点集合$x_1，x_2，..x_M$和$y_1，y_2，...，y_N$是X和Y中的点。将模型X定义为由运动参数θ控制的点集。另一个点集Y定义为在配准过程中固定的观察结果。

基于联合分布$p(X,Y,\theta )$。假设给定模型几何X，则观测值Y在取决于θ，联合分布$p(X,Y,\theta )$可以是分解为

其中${\phi }_{geometric}(X，Y)$是编码几何关系的势函数(potential function),势函数${\phi }_{kinematic}(X，\theta )$对运动模型进行编码。 ${\phi }_{kinematic}(X，\theta )$还可以编码硬约束，例如$X=X(\theta )$和/或软运动正则器，例如平滑项和非渗透项。

平滑项
A. Myronenko and X. Song. Point set registration: Coherent
point drift. IEEE Transactions on Pattern Analysis and Ma-
chine Intelligence, 32(12):2262–2275, Dec 2010. 1, 2, 3, 6,
7
R. A. Newcombe, D. Fox, and S. M. Seitz. Dynamicfusion:
Reconstruction and tracking of non-rigid scenes in real-time.
In Proceedings of the IEEE conference on computer vision
and pattern recognition, pages 343–352, 2015. 2, 8
非渗透项
J. Schulman, A. Lee, J. Ho, and P. Abbeel. Tracking de-
formable objects with point clouds. In Robotics and Automa-
tion (ICRA), 2013 IEEE International Conference on, pages
1130–1137. IEEE, 2013. 2, 3

进一步假设运动学模型${\phi }_{kinematic}(X，\theta )$已经捕获了模型点内的依赖性X。因此，以运动参数θ为条件，这些点在X中彼此独立。分布可以是进一步考虑为

!在这里插入图片描述
图 1 提出的概率模型的说明。 顶部：在较高的层次上，提出的公式假设观测值Y引入了概率分布，而CPD 假定模型X引入了由运动参数θ控制的分布。 下图：本文配准和CPD配准的因子图表示。

模型的因子图表示如图1所示。通过这些因子分解方案，可以将条件分布写为

遵循几项现有的工作，让每个模型点的几何分布为GMM，

其中$p(x_i|y)=N(x_i;y_i,{\sum }_{xyz})$是高斯分布的概率密度函数（PDF）,$y_i$是高斯质心，并且${\sum }_{xyz}=diag({\sigma }_x^2,{\sigma }_y^2,{\sigma }_z^2)$是对角协方差矩阵。

添加了一个额外的均匀分布$p(x_i|y_{N+1})=1/M$以解决噪声和异常值。 对所有GMM分量使用相等的隶属概率$P(y_i)=1/N$，并引入参数$0\le w\le 1$来表示离群值比率。

通过最大化以下对数似然来估计运动参数θ和模型点X，

在这里将局限于运动学模型X = X（θ）。 使用EM算法来解决此优化问题。 EM程序是

E步：对于每个$x_i$，计算

M步:最小化以下目标函数

其中 M x 0 M^0_x