- A New Outlier Removal Strategy Based on Reliability of Correspondence Graph for Fast Point Cloud Registration
- 论文通过引入对应图的可靠性的概念减少outlier ratio,从而提高点云匹配的精确度
- 对点云集做降采样处理
- 使用ISS算法获得对应的关键点
- 从而得到关键点的源点云集和目标点云集,分别为$Q = {q_i}^n_1$,
$P = {p_j}^m_1 $ - 使用FPFH描述关键点和它neighbors之间的关系
- 基于关键点的FPFH向量和K-D tree 建立点云集的对应关系$H= {(p_i,q_i)}^N_1$
- 由上述生成的对应点云集:$H= {(p_i,q_i)},i[1,N]$,分别生成两个无向完全图$G^p(V^p,E^p)$和$G^p(V^q,E^q)$,[注]$G(V,E), 其中G表示图,V表示节点,E表示边$
- 连接两个无向图的对应节点$(V^{p_i},V^{q_i}),(V^{p_j},V^{q_j})$,两个无向图所对应的边$(E^{p_{ij}},E^{q_{ij}})$
- 对比对应边的欧式距离,理论来说$||E^{p_{ij}}-E^{q_{ij}}||=0$,但考虑到误差,将$||E^{p_{ij}}-E^{q_{ij}}||<\sigma$的两个边称为对应边
- 引入邻接矩阵A(a),$a_{ii}=0$;
$if(||E^{p_{ij}}-E^{q_{ij}}||<\sigma){a_{ij}=1}else{a_{ij}=0}$ - 由4,生成的是对称矩阵可以作为对应图的邻接矩阵,它的节点的度可以反映对应图的可靠性;度越大,欧式距离约束的越好;$节点i的度表示为:D(V_i)=\sum_{j=1}^{N}a_{ij},a_{ij}\in A$
- 将度的大小按照降序排序,选取前K个对应点作为可靠的(reliable)对应点生成对应点云集:$H_r= {(p_i,q_i)}^K_1$
- 理论上三对对应点,可以求解出R,t(实际需要更多)
- 第一对点可以估计平移(translation),自由度由6降低到3
- 平移后的第二对点是通过对应点分别的第一点到第二点的向量a,b,叉乘(cross-product)得到垂直两者的向量作为旋转轴;$旋转角度:θ_{ab} = arccos (a·b/|a||b|)$;这一步记为:$R_1$,自由度由3降低到1
- 与3)相似,也是通过旋转轴和旋转角度,可以a做旋转轴,至于旋转角度,因为还有K-2个点还未对应,所以作者归一化Z轴,以Z轴作为旋转轴,(K-1)个点就可以有Z-1个$\theta 角$,选取一个拟合度最高的角度,以达到(k-2)个点对齐的更好;
-
- 作者参考的论文:[paper]:(https://doi.org/10.1016/j.isprsjprs.2018.11.016)
<<<<<<< HEAD
- 未看 =======
- 暂时未看 ......
c90472731d5553d43afb1706a2eccf0099e8b947