[论文阅读][Point-Plane ICP]Object Modeling by Registration of Multiple Range Images
Object Modeling by Registration of Multiple Range Images
文章目录
- Object Modeling by Registration of Multiple Range Images
- Abstract
- Introduction
- RangeImageRegistration
- Evaluation Function
- Line-Surface Intersetion
- Control Point Selection
- The Registration Algorithm
- 线性化方法
Abstract
这篇文章主要研究的是如何估计不同视角的点云之间的transfromation。
Introduction
本文方法的优势:无需point to point correspondence, 因为本文minimize the distance from points to planes
RangeImageRegistration
本文提出的方法,要求已有一个transformation的大概估计,这个要求是基于两点原因:
- 作者将配准分为两阶段,粗配准与精配准,本文是为精配准而设计的
- 作者对于该法可以收敛到一个global minimum并没有信心,因此建议要给一个好的初值
Evaluation Function
定义:
source: PPP
target : QQQ
(source 和target在文中既可以是点集,也可以是曲面)
control points: 即corresponding points
(感觉这个作者的(6)(7) 式已经很接近point2point icp了,但是他认为,尽管我们可以依据某些标准找到一些control points,但是这些control points 并不是真正的corresponding points, 如果使用点-点距离作为目标函数,不同点对之间所提供的约束会相互“打架”,所以收敛会很慢。而使用点-面距离的话,对于pip_ipi在迭代过程中的运动,只在点-面距离减少的方向上有约束,在其他两个自由度上还可以自由运动,可以对其他点提供的约束作出“让步”,因而收敛会比较快 )
本文提出的目标函数是点-面距离,点,是source中的一个点pip_ipi,面,是target中的“对应点”qjq_jqj处的切平面。“对应点”qjq_jqj是如何选取的呢?取的是surfacePsurface\ Psurface P 在pip_ipi处法向量所在直线与surfaceQsurface\ Qsurface Q距离最近的交点。(所以法向量估计的质量在point to plane ICP中是很重要的,法向量失之豪厘,对应点的选择将缪之千里)。即:
ek=∑i=1Nds2(Tkpi,Sjk),Sjk是qj处的切平面e_k=\sum_{i=1}^{N}d_s^2(T^kp_i,S_j^k),S_j^k是q_j处的切平面 ek=i=1∑Nds2(Tkpi,Sjk),Sjk是qj处的切平面
图示如下:
Line-Surface Intersetion
如上所述,需要求解pip_ipi在QQQ上的对应点qjq_jqj, 这就需要求解直线和曲面的交点。这节描述了一种类似于牛顿法的迭代求解方法,感兴趣的同学可以自己去看。
Control Point Selection
在PPP上选取pip_ipi的标准是什么? 本文的方法并不要求pip_ipi是某种特征点,因此作者认为,均匀采样即可,但是pip_ipi最好是在比较smooth的区域。
The Registration Algorithm
有了前面的准备工作,这一节详细描述了算法流程,这里不再赘述,和point to point ICP是类似的迭代过程,只不过优化的目标函数换成了上文所述的点-面距离。当然,这个目标函数比起点-点距离,优化方法要更加复杂(点-点距离存在封闭解),通常是一个非线性优化问题,可以使用LM等方法求解,但是,在初始位姿估计较好的情况下(即和最终的transformation相差的rotation很小),可以近似成一个线性优化问题。
线性化方法
如何将上文的非线性优化问题转化为一个线性优化问题?这篇文章没有讲,不过04年的另一篇文章有专门讨论这个问题:Linear Least-Squares Optimization for. Point-to-Plane ICP Surface Registration。 主要是利用θ≈0\theta\approx0θ≈0时,有sinθ≈θ,cosθ≈1sin\theta\approx\theta,cos\theta\approx1sinθ≈θ,cosθ≈1来线性化旋转矩阵,从而将问题转换成一个线性最小二乘问题,使用SVD求解即可。另外这篇文章提到了几个要注意的问题:
- 尽管线性化需要θ≈0\theta\approx0θ≈0的前提假设,但在实践中发现,θ\thetaθ较大时也可以较好地收敛(最大达到30度)。不过这也取决于surface的几何特性,以及source和target之间overlap的大小。
- 为了提升数值稳定性,distdistdist需要被rescale到和rotationanglerotation\ anglerotation angle一个数量级。一种简单的做法是,将source和target 移动并且rescale,使两者都处在中心位于原点的单位球或单位立方体的内部。(即点云归一化)
[论文阅读][Point-Plane ICP]Object Modeling by Registration of Multiple Range Images相关推荐
- 点云配准论文阅读笔记--Comparing ICP variants on real-world data sets
目录 写在前面 点云配准系列 摘要 1引言(Introduction) 2 相关研究(Related work) 3方法( Method) 3.1输入数据的敏感性 3.2评价指标 3.3协议 4 模块 ...
- 论文阅读笔记:Deep Object Co-segmentation via Spatial-Semantic Network Modulation(AAAI2020)
协同分割论文阅读:Deep Object Co-segmentation via Spatial-Semantic Network Modulation(AAAI2020) 论文原文 代码 提出 ...
- pcl 学习论文阅读(Towards 3D Object Maps for Autonomous Household Robots)
Towards 3D Object Maps for Autonomous Household Robots,2007 室内环境的3D地图构建 摘要 描述了室内环境下的绘图系统,如何获取室内目标模型 ...
- [论文阅读] Scene Context-Aware Salient Object Detection
论文地址:https://openaccess.thecvf.com/content/ICCV2021/html/Siris_Scene_Context-Aware_Salient_Object_De ...
- 2019论文阅读:SIMCO: SIMILARITY-BASED OBJECT COUNTING
发表于CVPR2019 文章目录 文章贡献 1.绪论 2.SIMCO的两个阶段 2.1 SIMCO detection InShape数据集 网络结构: 2.2 SIMCO clustering 3. ...
- 论文阅读:DETR:End-to-End Object Detection with Transformers
题目:End-to-End Object Detection with Transformers 来源:Facebook AI ECCV2020 论文链接:https://arxiv.org/abs/ ...
- 【论文阅读】TransReID: Transformer-based Object Re-Identification
论文代码链接 论文原文链接 摘要 目标重识别的关键就是提取鲁棒的特征! 之前方法的弊端:卷积神经网络(CNN)的方法一次只处理一个局部邻域,并且由于卷积和下采样算子(如池化和跨卷积)导致细节信息丢失. ...
- [论文阅读] Transformer Transforms Salient Object Detection and Camouflaged Object Detection
论文地址:https://arxiv.org/abs/2104.10127 代码:https://github.com/fupiao1998/TrasformerSOD 发表于:Arxiv 2021. ...
- 论文阅读:CVPR 2022 Object Localization under Single Coarse Point Supervision
任务:point-based object localization (POL) Motivation:具有相同语义信息的点具有不同的标签.而其他方法预先定义的关键点可能是不准确的.因此本文提出来基于 ...
最新文章
- java AC自动机
- 【Matlab】解个微分方程
- 改进的SVN的Commit权限控制
- Microsoft SQL Server 2005 查询分页
- 【TypeScript系列教程11】函数的使用
- 使用opensll的md5对于string进行加密
- 岳阳鸿蒙数学培优阶梯训练,鸿蒙应用-呼吸训练app部分练习展示(开始)
- Hadoop精华问答 | 非大数据的项目能否用Hadoop?
- allegro中焊盘的设置
- 自创算法——暴力自动机
- k8s核心技术-集群安全机制(概述)---K8S_Google工作笔记0038
- Centos如何通过yum安装php7
- 【Kafka】Cancelled fetchMetadata request with correlation id due to node -1 being disconnected
- [BZOJ3162]独钓寒江雪
- 优秀的程序员应该具备哪些素质
- GNSS常用术语(缩略语)总结------------持续更新
- web项目上云_联想Filez—携手浙江中烟,发力“云”端,打造“烟草上云”新势能...
- SAP High Avaliability offering
- 2022年11月多家权威机构____编程语言排行榜__薪酬状况
- 远程桌面 你的凭据不工作 系统管理员不允许使用保存的凭据登录远程计算机
热门文章
- ISAKMP:(1006):deleting node 1202729771 error TRUE reason Delete Larval
- zoj 1006 Do the Untwist 簡單字符串
- 我们真正需要的目标(原名:制定目标你会吗?)
- 在新浪微博上关于敏捷的一些讨论
- 现身说法“好奇心害死人啊”
- 【Python】密码生成器
- HTML网站右键禁用F12代码 屏蔽审查元素 防止修改页面代码
- C#LeetCode刷题-线段树
- 不需要登陆的灵感笔记私人版正式上线,迭代优化中。
- play 应用商店_如何在Play商店中发布应用程序