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?
Huber loss 定义
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:
- 初始化
=1, 代入(3),计算.
- 给定
,对求导, 得到, 代入(3), 问题变成, 计算
- .....
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.