本文介绍除了对应点方式，还可以将点云将与整个形状对齐，获得6D姿态。
作者： Tom Hardy
首发：3D视觉工坊微信公众号
前言
除了对应点方式，还可以将点云将与整个形状对齐，获得6D姿态。通常，首先进行粗配准以提供初始对准，然后进行密集配准方法，如迭代最近点（ICP），以获得最终的6D姿态。针对点云方式，挑选了一些相关的paper，在这里做下基本思想分享。
1、Go-ICP: A Globally Optimal Solution to 3D ICP Point-Set Registration
迭代最近点（ICP）算法是目前应用最广泛的点集配准方法之一。然而，基于局部迭代优化的ICP算法易受局部极小值的影响。它的性能严重依赖于初始化的质量，并且只保证局部最优性。本文提出了在ICP定义的L2误差度量下，两个三维点集欧氏（刚性）配准的第一个全局最优算法Go-ICP。
Go-ICP方法基于搜索整个3D运动空间SE（3）的分枝定界（BnB）方案。利用SE（3）几何的特殊结构，推导了新的配准误差函数的上下界。在BnB方案中引入局部ICP，在保证全局最优的同时加快了新方法的速度。本文还讨论了扩展，解决了异常值健壮性问题。实验结果表明，该方法能够在不考虑初始值的情况下产生可靠的配准结果。Go-ICP可应用于需要最佳解决方案或无法始终获得良好初始化的情况。
2、SUPER 4PCS Fast Global Pointcloud Registration via Smart Indexing
大规模场景中的数据采集通常需要通过多次扫描积累信息。一种常见的方法是使用迭代最近点（ICP）算法（或其变体）局部对齐扫描对，但需要静态场景和扫描对之间的小运动。这可防止在多个扫描会话和/或不同采集模式（如立体声、深度扫描）之间积累数据。或者，可以使用允许扫描处于任意初始姿势的全局注册算法。然而，最先进的全局配准算法4PCS在数据点的数量上具有二次时间复杂度，这大大限制了它在获取大型环境方面的适用性。
本文提出了Super 4PCS全局点云配准，它可以在线性时间（数据点的数目）中运行，并且在基于扫描对的（未知）重叠对齐问题的复杂性上输出敏感。算法简单，内存利用率高，速度快。本文证明，Super 4PCS比其他方法有显著的加速效果，并允许在以前不可能的尺度上非结构化高效地获取场景。
3、3DRegNet: A Deep Neural Network for 3D Point Registration
本文提出了一种三维扫描配准的深度学习算法3DRegNet。近年来随着廉价的3D商品传感器的出现，开发一种基于学习的3D配准算法将是非常有益的。本文在给定一组三维点对应关系的情况下，利用深度残差层和卷积层建立深度网络3DRegNet，主要完成两项任务：
（1）将点对应关系分类为正确/错误的点对应关系
（2）可以回归将扫描对齐到公共参考帧的运动参数
与经典方法相比，3DRegNet有几个优点。首先，由于3DRegNet的工作原理是点对应，而不是原始扫描，因此明显快于许多传统方法。其次，论文证明该算法可以扩展到多视图场景，即同时处理两次以上扫描的注册。与使用四元数表示旋转的四变量位姿回归网络不同，本文使用李代数仅使用三个变量表示旋转。在两个具有挑战性的数据集（ICL-NUIM和SUN3D）上进行的大量实验表明3DRegNet性能优于其他方法，并取得了最新的结果。
4、3DMatch: Learning Local Geometric Descriptors from RGB-D Reconstructions（斯坦福大学，代码开源）
由于三维扫描数据的噪声、低分辨率和不完整性，在真实深度图像上进行局部几何特征匹配是一项具有挑战性的任务。这些困难限制了目前最先进的方法的性能，这些方法通常基于几何特性上的直方图。本文提出了一个数据驱动的模型3DMatch，该模型学习局部体块描述符以建立部分3D数据之间的对应关系。为了积累模型的训练数据，提出了一种自监督的特征学习方法，利用现有的RGB-D重建中发现的数百万个对应标签。实验表明，该描述子不仅能够匹配新场景中的局部几何特征进行重建，而且可以推广到不同的任务和空间尺度（如Amazon Picking Challenge的实例级对象模型对齐和网格曲面对应）。结果表明，3DMatch始终优于其他最先进的方法，具有显著的优势。
上述内容，如有侵犯版权，请联系作者，会自行删文。
推荐阅读：
重点介绍：1、3D视觉算法；2、vslam算法;3、图像处理；4、深度学习;5、自动驾驶;6、技术干货。 博主及合伙人分别来国内自知名大厂、海康研究院，深研3D视觉、深度学习、图像处理、自动驾驶、目标检测、VSLAM算法等领域。欢迎关注3D视觉工坊
欢迎关注微信公众号
