Point Cloud Registration is a fundamental problem in robotics and computer vision. Due to the limited accuracy in the matching process of 3D keypoints, the presence of outliers, probably in very large numbers, is common in many real-world applications. In this paper, we present ICOS (Inlier searching using COmpatible Structures), a novel, efficient and highly robust solution for the correspondence-based point cloud registration problem. Specifically, we (i) propose and construct a series of compatible structures for the registration problem where various invariants can be established, and (ii) design two time-efficient frameworks, one for known-scale registration and the other for unknown-scale registration, to filter out outliers and seek inliers from the invariant-constrained random sampling built upon the compatible structures. In this manner, even with extreme outlier ratios, inliers can be detected and collected for solving the optimal transformation, leading to our robust registration solver ICOS. Through plentiful experiments over standard real datasets, we demonstrate that: (i) our solver ICOS is fast, accurate, robust against as many as 99% outliers with nearly 100% recall ratio of inliers whether the scale is known or unknown, outperforming other state-of-the-art methods, (ii) ICOS is practical for use in real-world applications.


翻译:云点登记是机器人和计算机视觉中的一个基本问题。 由于3D关键点匹配过程的准确性有限, 外部点的存在( 数量可能非常大) 在许多真实世界应用中很常见。 在本文中, 我们展示了 ICOS( 使用可移动结构进行不易搜索), 这是一种新颖的、 高效的和高度强大的解决方案, 解决基于通信的点云登记问题。 具体地说, 我们( 一) 提议并构建一系列兼容的登记问题结构, 以便建立各种变量, 以及 (二) 设计两个具有时间效率的框架, 一个是已知规模的注册, 另一个是未知规模的注册, 用来过滤外部的外部点, 并在兼容的结构中从不易变异的随机取样中寻找。 这样, 即便使用极异性的比例, 也能够检测和收集出一个基于通信点的云点登记问题的最佳转换方法。 具体地说, 我们通过对标准真实数据集进行大量的实际实验, 我们证明:( 一) 我们的解决者 ICOS 是快速的, 准确的, 坚固的, 和坚固的, 相对于很多的ICOS 比例是已知的, 以100 的, 是已知的, 的, 以不为未知的, 的, 以其他的比 的比 的, 以其他的 的 的 的 的 的 以 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的

0
下载
关闭预览

相关内容

【2021新书】机器学习超参数优化,177页pdf
专知会员服务
159+阅读 · 2021年5月18日
MonoGRNet:单目3D目标检测的通用框架(TPAMI2021)
专知会员服务
17+阅读 · 2021年5月3日
专知会员服务
141+阅读 · 2021年3月17日
专知会员服务
50+阅读 · 2020年12月14日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
【泡泡汇总】CVPR2019 SLAM Paperlist
泡泡机器人SLAM
14+阅读 · 2019年6月12日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
TCN v2 + 3Dconv 运动信息
CreateAMind
4+阅读 · 2019年1月8日
【泡泡一分钟】点云到网格的回归算法实现
泡泡机器人SLAM
8+阅读 · 2018年11月23日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
Arxiv
0+阅读 · 2021年6月18日
VIP会员
Top
微信扫码咨询专知VIP会员