点云迭代最近邻点配准法_点云匹配算法 论文分享 Fast Global Registration

点云匹配主要有两种方法， 第一种是基于特征点的匹配算法， 第二种是最近点匹配算法(ICP).

Fast Global Registration 2016

为什么突然想介绍这篇工作，因为最用huber loss加到ICP里面，发现效果提升是真的非常明显， 而这篇工作也是利用loss 函数将非凸的问题进行凸化， 以提高匹配效果. 我比较好奇该论文用的loss 函数

论文的输入是目标点云

和待匹配点云

，correspondence 集合

， 这些correspondence是通过对3D点提特征，然后利用特征描述子查找得到的. 优化函数是

(2)

这里的

就是我们今天要重点介绍的. 论文采用的是Geman-McClure estimator

,

下图是我画的图， 有没有有点像huber loss？

Geman-McClure estimator

Huber loss 定义

Huber Loss

GM-estimator 和 huber loss 在一定程度上都可以将函数光滑化，但是GM-estimator的下降更快, 所以它对噪点的限制作用更大[1]. 强烈推荐大家去看[1]这个论文，做鲁棒性处理非常好.

根据Black-Rangarajan duality定理，将问题(2)转化为

(3)

其中

,

是

的集合.

相当于一个weight. 只要

给的足够大，就能将非凸问题转化为凸问题.

用坐标下降法计算过程应该是：

1. 初始化
   =1, 代入（3），计算
   .
2. 给定
   ，对
   求导， 得到
   , 代入（3）， 问题变成
   , 计算
3. .....

如果我们这样来看的话， 就很像reweight的方法， 即用迭代的方法去解问题(2).

[1]. Yang, Heng, et al. "Graduated non-convexity for robust spatial perception: From non-minimal solvers to global outlier rejection." IEEE Robotics and Automation Letters 5.2 (2020): 1127-1134.