19、论文解读:Intensity Scan Context: Coding Intensity and Geometry Relations for Loop Closure Detection
Intensity Scan Context: Coding Intensity and Geometry Relations for Loop Closure Detection
文章链接:ISC-LOAM
文章代码:代码
编译&运行:建议参考:ubuntu16.04运行ISC-LOAM
我在编译运行遇到的问题以及解决办法:
1 、 编译无法通过:需要将cmakelist中设置C++11的那句改成set(CMAKE_CXX_FLAGS “-std=c++14”)
2、 libtbb.so.2: 无法添加符号:DSO missing from command line类问题的彻底解决
3、当出现版本不兼容的时候去ceres中的cmakelist中改eigen版本即可。
本文在SC描述子的基础上提出了一种新的基于距离和密度的全局描述子。通过二层搜索提升了搜索速度。
III. METHODOLOGY
A. Intensity Calibration and Pre-processing (强度校准和预处理)
之所以能够使用强度值作为回环检测是因为不同的物体反射的强度是完全不一样的,而同一物体的反射强度是一样的,这和物体表面材质有关,因而不同的场景构建的强度图也是不一样的,因此,点云强度信息可以用于回环检测。汽车、路牌、建筑物的反射强度如下图所示:
强度值受目标表面特征、采集形式、仪器精度等等因素影响,使用以下公式校准距离对强度的影响:
此外,为了方便将采集到的强度值(是一个8字节的整数)转换为0-1的范围中。
为了处理掉过于丰富的点云信息(比如噪声点)采取设置一个最大的有效范围作为第一步的过滤,还过滤掉了地面这类不重要的因素。
B.Intensity Scan Context
在笛卡尔坐标中的每一帧存N个点,每个点存x、y、z、η(强度信息)。转换成极坐标系下为:
然后每帧像SC那样分割为Ns × Nr个栅格,每个栅格中存放最大的强度值,没有就存0.
kitti数据集实例:
C.Place Re-identifification
通过辨识目标来和之前的访问过的存入数据库的数据匹配。为了降低和之前访问存入的数据库信息匹配的计算复杂度。提出了一种两阶段分层强度扫描上下文检索策略,利用快速二进制操作来加快位置加速识别的过程。
1)Fast Geometry Re-identifification: 如果有强度信息才进行几何匹配:
其中|x| 是x中元素的总数,XOR(x, y) 指矩阵x和y之间的元素排他OR运算。激光扫描的旋转变成了强度扫描上下文中的列位移,因此视角的变化可以解释为Ω的列偏移,最后的计分:
2)Intensity Structure Matching:
第二阶段主要通过列式比较来识别两种强度扫描上下文Ωq和Ωc之间的强度相似性。设viq和vic是Ωq和Ωc的第i列,则可以通过以下的余弦距离公式得到分数:
考虑到平移,最终的公式应该是:
D.Consistency Verifification (一致性验证)
1)Temporal consistency check: 由于传感器的反馈在时间上是连续的,因此出现单回路闭合通常意味着相邻激光雷达扫描的高度相似性:
N是包含的用于时间一致性验证的帧数,这样即使是反方向的情况下也可以识别。
2) Geometrical consistency: ICP
19、论文解读:Intensity Scan Context: Coding Intensity and Geometry Relations for Loop Closure Detection相关推荐
- 【读论文】Loop Closure Detection for Visual SLAM Systems Using Convolutional Neural Network
[读论文]Loop Closure Detection for Visual SLAM Systems Using Convolutional Neural Network 发表于2017年,作者是南 ...
- 每日论文打卡十 LCDNet: Deep Loop Closure Detection for LiDAR SLAM based on Unbalanced Optimal Transport
论文题目 LCDNet: Deep Loop Closure Detection for LiDAR SLAM based on Unbalanced Optimal Transport arxiv ...
- 【论文解读 CIKM 2018 | GEM】Heterogeneous Graph Neural Networks for Malicious Account Detection
论文链接:Heterogeneous Graph Neural Networks for Malicious Account Detection 来源:CIKM 2018(CCF-B 数据库,数据挖掘 ...
- 【论文解读 ICDM 2019 | MVNN】Exploiting Multi-domain Visual Information for Fake News Detection
论文题目:Exploiting Multi-domain Visual Information for Fake News Detection 论文来源:ICDM 2019 论文链接:https:// ...
- 论文解读:CFC-NET
论文解读:CFC-NET CFC-NET: A CRITICAL FEATURE CAPTURING NETWORK FOR ARBITRARY-ORIENTED OBJECT DETECTION I ...
- Compression-Expansion Coding Improvements in MLC/TLC NVM论文解读
文章目录 写在前面 背景知识 已有方案和架构思考 CompEX编码方案 核心思想 CompEx编码对压缩技术的选择 expand coding(扩展编码) 编码的数学定义 编码的实例 数据的压缩 核心 ...
- [Scene Graph] Neural Motifs: Scene Graph Parsing with Global Context 论文解读
[Scene Graph] Neural Motifs: Scene Graph Parsing with Global Context (CVPR 2018) 论文解读 简介 这篇文章工作的创新之处 ...
- KDD 18 AAAI 19 | 异构信息网络表示学习论文解读
作者丨崔克楠 学校丨上海交通大学博士生 研究方向丨异构信息网络.推荐系统 本文要介绍的两篇论文在 metric learning 和 translation embedding 的角度对异构信息网络中 ...
- AprilTag: A robust and flexible visual fiducial system论文解读
AprilTags论文解读 一.Apriltag是改进的ARToolkit. ARTag . 1.1 ARToolkit的劣势: A major disadvantage of this approa ...
- bsp模型适用于图计算_【论文解读】目标检测之RFBnet模型
原创声明:本文为 SIGAI 原创文章,仅供个人学习使用,未经允许,不能用于商业目的. 其它机器学习.深度学习算法的全面系统讲解可以阅读<机器学习-原理.算法与应用>,清华大学出版社,雷明 ...
最新文章
- html实现带有数字的列表,纯CSS实现雨滴形状的数字序号列表
- iOS架构-cocoapods打包静态库(依赖私有库、开源库、私有库又包含静态库)(14)
- Java设计模式百例(番外) - Java的clone
- Window下yolov3的配置教程
- 解决ncnn配置中缺少“vulkan”文件
- 设计模式之适配器模式(Adapter Pattern)
- GridView - Batch Editing - How to cancel editing or disable the editor conditionally
- 【elasticsearch】ClusterBlockException[blocked by: [FORBIDDEN/12/index read-only / allow delete (api)]
- c语言开发独立游戏,游戏项目一:c语言实现三子棋
- Java的split()用法
- 熟悉常规B/S、C/S系统开发实现原理
- PS抠图小技巧-【色彩范围】
- 蓬莱小课:HR问“你的职业规划是什么”,这样回答90%不出错
- Promise学习-手写一个promise
- SQL Pivot 行转列
- R语言之主成分回归与偏最小二乘xt8.3xt8.4
- 踩坑:M1芯片Mac Book使用IDEA旗舰版卡顿问题
- 防止别人登录mysql_命令行登录防止MySQL密码泄露的几个小妙招。
- Java多线程创建方式初探
- 基于用户画像的电影推荐系统论文