×
胡、兰;洛朗·尼普

通过关节对称平面拟合实现全局最优点集配准。 （英语） Zbl 1515.68328号

数学杂志。成像视觉。 63，第6号，689-707（2021）.
小结：本工作提出了一种解决方案，用于注册同一对象的两个部分点集，且重叠非常有限。我们利用了这样一个事实，即在人造环境中发现的大多数物体都包含一个对称平面。通过反射每个集合相对于对称平面的点，我们可以大大增加集合之间的重叠，从而提高注册过程。然而，关于对称平面的先验知识通常是不可用的，或者至少很难找到，特别是对于有限的局部视图。找到这个平面可以从部分点集的预先对齐中受益匪浅。我们通过联合优化相对位姿和对称平面参数来解决这个鸡和蛋问题。我们通过使用分枝定界范式提出了一个全局最优解算器，从而证明了联合对称平面拟合在通用对象全局最优点集配准方面比现有技术有了很大改进。最后，我们将我们的方法有趣地应用于具有重复对象的场景的稠密三维重建。

MSC公司：

68T45型 机器视觉和场景理解
90C26型 非凸编程，全局优化
90 C90 数学规划的应用

关键词：

形状注册;对称面估计;全局优化

软件：

ShapeNet公司;融合++;教师++;Go-ICP公司
PDF格式BibTeX公司 XML格式引用
\textit{L.Hu}和\textit{L.Kneip}，J.数学。成像Vis。63，编号6，689--707（2021；Zbl 1515.68328）
全文： 内政部 arXiv公司
OA许可证

参考文献：

[1] Alexandrov，S.V.、Patten，T.、Vinze，M.：利用对称性改进距离数据中的目标检测和姿态估计。摘自：计算机视觉系统国际会议，第397-407页。柏林施普林格（2019）
[2] 阿伦，堪萨斯州；黄，TS；Blostein，SD，两个三维点集的最小二乘拟合，IEEE Trans。模式分析。机器。智力。，5698-700（1987年）·doi:10.1109/TPAMI.1987.4767965
[3] Avetisyan，A.、Dai，A.、Nießner，M.：三维扫描中的端到端cad模型检索和9d对齐。摘自：IEEE计算机视觉国际会议记录，第2551-2560页（2019年）
[4] Bergström，P。；Edlund，O.，使用迭代加权最小二乘法的点集稳健配准，计算。最佳方案。申请。，58, 3, 543-561 (2014) ·Zbl 1305.90381号 ·doi:10.1007/s10589-014-9643-2
[5] Besl，P.J.，McKay，N.D.：三维形状的配准方法。In：传感器融合IV：控制范式和数据结构。国际光学和光子学学会，第1611卷，第586-606页（1992年）
[6] Brégier，R.，Devernay，F.，Leyrit，L.，Crowley，J.L.：三维物体检测和姿势估计的对称性评估，在大量场景中的许多部分。摘自：IEEE计算机视觉研讨会国际会议记录，第2209-2218页（2017年）
[7] 巴斯托斯，阿尔·P；Chin，T-J，《通信点云登记的保证离群值去除》，IEEE Trans。模式分析。机器。智力。，40, 12, 2868-2882 (2017) ·doi:10.1109/TPAMI.2017.2773482
[8] 坎贝尔，D.，彼得森，L.：戈马：全球最佳高斯混合比对。摘自：IEEE计算机视觉和模式识别会议记录，第5685-5694页（2016）
[9] Chang，A.X.、Funkhouser，T.、Guibas，L.、Hanrahan，P.、Huang，Q.、Li，Z.、Savarese，S.、Savva，M.、Song，S.，Su，H.等人：Shapenet：一个信息丰富的三维模型库。arXiv预印arXiv:1512.03012（2015）
[10] 陈，C-S；洪，Y-P；Cheng，J-B，基于Ransac的darces:一种快速自动配准部分重叠范围图像的新方法，IEEE Trans。模式分析。机器。智力。，21, 11, 1229-1234 (1999) ·数字对象标识代码：10.1109/34.809117
[11] 陈，J。；吴，X。；王，MY；Li，X.，使用自主研发的手持式三维激光扫描仪和高效的ht-icp点云注册算法Opt进行三维形状建模。激光技术。，45114-423（2013）·doi:10.1016/j.optlastec.2012.06.015
[12] 陈，Y。；Medioni，G.，通过多幅距离图像的配准进行物体建模，Image Vis。计算。，10, 3, 145-155 (1992) ·doi:10.1016/0262-8856（92）90066-C
[13] Chetverikov，D。；斯特帕诺夫，D。；Krsek，P.，《三维点集的稳健欧氏对齐：修剪迭代最近点算法》，Image Vis。计算。，23, 3, 299-309 (2005) ·doi:10.1016/j.imavis.2004.05.007
[14] Cicconet，M.，Hildebrand，D.G.，Elliott，H.：通过曲线的配准和最佳对称成对分配来发现镜像对称性：算法和结果。摘自：IEEE计算机视觉国际会议记录，第1759-1763页（2017）
[15] Cohen，A.，Zach，C.，Sinha，S.N.，Pollefeys，M.：从运动中发现和利用结构中的三维对称性。2012年IEEE计算机视觉和模式识别会议，第1514-1521页。IEEE（2012）
[16] Enqvist，O.，Josephson，K.，Kahl，F.：来自两两约束的最佳对应。2009年IEEE第12届计算机视觉国际会议，第1295-1302页。IEEE（2009年）
[17] 马萨诸塞州费希勒；Bolles，RC，《随机样本共识：图像分析和自动制图应用的模型拟合范例》，Commun。ACM，24，6381-395（1981年）·数字对象标识代码：10.1145/358669.358692
[18] Gelfand，N.、Mitra，N.J.、Guibas，L.J.、Pottmann，H.：稳健的全球注册。在：几何处理专题讨论会，第2卷，第5页。奥地利维也纳（2005年）
[19] Granger，S.，Pennec，X.：多尺度em-icp：一种快速而稳健的曲面配准方法。摘自：欧洲计算机视觉会议，第418-432页。斯普林格（2002）·Zbl 1039.68642号
[20] 郭毅。；Bennamoun，M。；Sohel，F。；Lu，M。；Wan，J。；Kwok，NM，《三维局部特征描述符的综合性能评估》，国际计算机杂志。视觉。，116, 1, 66-89 (2016) ·doi:10.1007/s11263-015-0824-y
[21] 罗得岛州哈特利；Kahl，F.，通过旋转空间搜索进行全局优化，国际计算杂志。视觉。，82, 1, 64-79 (2009) ·Zbl 1477.68365号 ·doi:10.1007/s11263-008-0186-9
[22] 蒋伟（Jiang，W.）。；Xu，K。；Cheng，Z-Q；Zhang，H.，基于骨架的点云内禀对称性检测，图形。型号，75，4177-188（2013）·doi:10.1016/j.gmod.2013.03.001
[23] Liu，Y.，Hel-Or，H.，Kaplan，C.S.，Van Gool，L.等。计算机视觉和计算机图形中的计算对称性。已找到。趋势计算。图表。视觉。5(1-2), 1-195 (2010) ·Zbl 1206.68314号
[24] McCormac，J.、Clark，R.、Bloesch，M.、Davison，A.、Leutenger，S.：融合++：体积对象级满贯。摘自：2018年国际3D视觉会议（3DV），第32-41页。IEEE（2018）
[25] Mian，AS；本纳蒙，M。；Owens，R.，《杂乱场景中基于三维模型的对象识别和分割》，IEEE Trans。模式分析。机器。智力。，28, 10, 1584-1601 (2006) ·doi:10.1109/TPAMI.2006.213
[26] Milanese，M.：未知但有界不确定性存在下的估计和预测：一项调查。在：识别和控制的稳健性，第3-24页。斯普林格（1989）·Zbl 0728.93070号
[27] Mitra，N.J.、Pauly，M.、Wand，M.和Ceylan，D.：三维几何中的对称性：提取和应用。载：《计算机图形学论坛》，第32卷，第1-23页。威利在线图书馆（2013）
[28] Nagar，R.，Raman，S.：快速准确的固有对称性检测。摘自：《欧洲计算机视觉会议记录》，第417-434页（2018年）
[29] Newcombe，R.A.、Izadi，S.、Hilliges，O.、Molyneaux，D.、Kim，D.、Davison，A.J.、Kohli，P.、Shotton，J.、Hodges，S.和Fitzgibbon，A.：KinectFusion：实时密集曲面映射和跟踪。参加：混合与增强现实国际研讨会（2011年）
[30] Pulli，K.：大型数据集的多视图注册。摘自：第二届国际三维数字成像和建模会议（目录号：PR00062），第160-168页。IEEE（1999）
[31] Qi，C.R.，Liu，W.，Wu，C.，Su，H.，Guibas，L.J.：从rgb-d数据检测三维物体的树突点网。摘自：IEEE计算机视觉和模式识别会议记录，第918-927页（2018年）
[32] Rock，J.、Gupta，T.、Thorsen，J.和Gwak，J.，Shin，D.和Hoiem，D.：从一张深度图像完成三维物体形状。摘自：IEEE计算机视觉和模式识别会议记录，第2484-2493页（2015）
[33] Rusu，R.B.，Blodow，N.，Beetz，M.：三维注册的快速点特征直方图（fpfh）。2009年IEEE机器人与自动化国际会议，第3212-3217页。IEEE（2009年）
[34] Salas-Moreno，R.F.，Newcombe，R.A.，Strasdat，H.，Kelly，P.H.，Davison，A.J.：Slam++：对象级别的同步定位和映射。摘自：IEEE计算机视觉和模式识别会议记录，第1352-1359页（2013）
[35] Schieberer，D.、Schmidt，A.、Vahrenkamp，N.、Asfour，T.：基于对称和场景上下文的启发式三维物体形状完成。2016年IEEE/RSJ智能机器人和系统国际会议（IROS），第74-81页。IEEE（2016）
[36] Speciale，P.，Oswald，M.R.，Cohen，A.，Pollefeys，M.：凸变分三维重建的对称性先验。摘自：欧洲计算机视觉会议，第313-328页。斯普林格（2016）
[37] Tsin，Y.，Kanade，T.：基于相关性的稳健点集注册方法。摘自：欧洲计算机视觉会议，第558-569页。斯普林格（2004）·Zbl 1098.68878号
[38] Wu，Z.，Song，S.，Khosla，A.，Yu，F.，Zhang，L.，Tang，X.，Xiao，J.：三维形状：立体形状的深度表示。摘自：IEEE计算机视觉和模式识别会议记录，第1912-1920页（2015）
[39] Xu，K。；张，H。；Tagliasacchi，A。；刘，L。；李·G。；孟，M。；Xiong，Y.，三维形状的部分固有反射对称性，ACM Trans。图表。（托格），28，5138（2009年）
[40] Yang，H。；安东尼特，P。；Tzoumas，V。；Carlone，L.，《稳健空间感知的分级非凸性：从非最小解算器到全局异常值拒绝》，IEEE Robot。自动。莱特。，5, 2, 1127-1134 (2020) ·doi:10.1109/LRA.2020.2965893
[41] Yang，H.，Shi，J.，Carlone，L.：Teaser：快速可认证点云注册。arXiv预打印arXiv:2001.07715（2020）
[42] 杨，J。；李，H。；坎贝尔，D。；Jia，Y.，Go icp：三维icp点集配准的全局最优解决方案，IEEE Trans。模式分析。机器。智力。，38, 11, 2241-2254 (2015) ·doi:10.1109/TPAMI.2015.2513405
[43] Yang，J.，Li，H.，Jia，Y.：Go-icp：高效且全局最优地解决三维注册。摘自：IEEE计算机视觉国际会议记录，第1457-1464页（2013）
[44] Yang，S。；Scherer，S.，Cubeslam：单目三维物体撞击，IEEE Trans。机器人。，35, 4, 925-938 (2019) ·doi:10.1109/TRO.2019.2909168
[45] Yew，Z.J.，Lee，G.H.：Rpm-net：使用学习特征的稳健点匹配。摘自：IEEE/CVF计算机视觉和模式识别会议记录，第11824-11833页（2020年）
[46] Yoshiyasu，Y。；Yoshida，E。；Guibas，L.，形状对应的对称感知嵌入，计算。图表。，60, 9-22 (2016) ·doi:10.1016/j.cag.2016.07.002
[47] Zhang，Z.，用于自由曲线和曲面注册的迭代点匹配，国际计算杂志。视觉。，13, 2, 119-152 (1994) ·doi:10.1007/BF01427149
[48] Zhou，Q.-Y.，Park，J.，Koltun，V.：快速全球注册。摘自：欧洲计算机视觉会议，第766-782页。斯普林格（2016）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。