作者：仲夏夜之星
泉源 ：民众号|盘算机视觉工坊（系投稿）
论文问题 ：An Accurate and Robust Range Image Registration Algorithm for 3D Object Modeling
作者：Yulan Guo, Ferdous Sohel, Mohammed Bennamoun, Jianwei Wan, and Min Lu
译者：仲夏夜之星
论文下载地址：
在民众号「盘算机视觉工坊」后台回复「图像配准算法」，即可获得论文。
摘要：距离图像配准是三维物体建模和识此外基础研究课题。在本文中，提出了一种准确 、鲁棒的多视点距离图像配准算法。首先从一组距离图像中提取一组旋转投影统计(RoPS)特征举行 特征匹配。然后使用一种变换预计要领和一种变体对两幅距离图像举行 配准迭代最近点(ICP)算法的研究。基于成对配准算法，提出了一种基于形状增添 的多视图配准算法。种子形状与选定的规模图像举行 初始化，然后通过在自身和输入规模图像之间举行 成对的配准顺序更新。所有的输入规模图像在形状增添 历程中迭代挂号录，并举行 普遍 的实验来测试算法的性能。本文提出的两两配准算法对小的重叠区域、噪音和转变 的网格分辨率具有较高的准确性和鲁棒性，提出的多视图配准算法也很是准确。与现有算法的相比，批注 晰 该算法的优越性。
一 弁言三维(3D)模子 通常用于形貌 物体的形状，可以使用盘算机辅助设计(CAD)工具或三维扫描装备 建设模子 。3D扫描手艺 是处置赏罚 自由形式工具时的最佳选择。然而，获得的规模图像从单一的角度来看，不能体现物体的完整形状。因此，提出了一种三维物体建模手艺 需要对从差异视点获取的距离图像集举行 配准和积分。距离图像配准是任何三维物体建模系统的要害步骤。凭证 输入的距离图像的数目 配准算法可分为两两配准和多视图配准。这两种要领都涉及到粗配准和精配准两个步骤。粗配准的目的是预计两个距离图像之间的初始变换，然后进一步细化发生的初始转换使用细腻 的配准算法。粗配准可以手动或自动实现，人工算法需要人工干预(例如，校准扫描仪和转盘，或附加的标志)确定恣意 两个重叠规模图像之间的初始变换。由于工具必须放置在完全受控的情形 中以是 它们的应用会受到严酷 限制。相比之下，基于匹配的自动算法直接从数据中预计初始变换，更适用于现实天下 与手动场景。在此基础上，本文的研究重点是基于局部特征的全自动化距离图像配准。
二 相关事情
图1 三维物体建模框架
成对配准算法粗配准：全自动粗配准通常是通过局部特征的匹配来查找点的对应关系而完成的。精配准：对两幅距离图像之间的变换举行 预计，为了获得更准确 的预计接纳了两两配准算法。Besl和McKay[1]提出了一个ICP算法最小化两个距离图像之间最近点对的平均点对点距离。然而，原有的ICP算法要求距离图像有显着 的重叠，对异常值缺乏鲁棒性。多视点配准算法粗配准：多视图粗配准算法涉及两个使命 。第一个使命 是恢复输入规模图像之间的重叠信息，第二个使命 是在恣意 两个重叠的规模图像之间盘算刚性变换，首先将基于自旋图像的两两粗配准算法应用于所有对规模图像，结构了一种基于自旋图像的粗拙配准算法模子 图，然后在这个图中搜索天生 树，它是姿态一致的全局外貌一致的，最后使用 该天生 树对多视点规模图像举行 配准。精配准：基于多视图粗配准效果 的多视图精配准算法目的最小化所有重叠规模图像的配准误差。Benjemaa和Schmitt[2]扩展了Neugebauer[3]将Chen和Medioni的ICP算法从成对细腻 配准扩展到多视点好挂号。Williams和Bennamoun[4]提出了对Arun等人提出的扩展配准算法[5]，同时配准多个对应的点集。三．成对距离图像配准成对配准算法应该是自动和准确的。它还应该对小的重叠区域稳健，噪音，转变 的网格分辨率和其他贫困 。在本节中，将先容 一种基于RoPS的成对注册知足 这些条件的算法。该算法包罗四个部门：RoPS特征提取、特征匹配、鲁棒变换预计和细腻 配准。
RoPS特征提取给定规模图像或由今天生 的点云，必须将其转换为三角形网格，由于 后续的特征点检测和特征形貌 算法都是针对网格数据的。这可以通过Delaunay三角化实现。然后检测一组特征点，并使用之条件 出的RoPS特征形貌 符来体现这些点为了检测奇异 的、可重复的特征点，网格首先被简化为低分辨率网格中最靠近 的极点作为候选点。这些候选点然后被分辨率控制手艺 过滤去冗余点。界线 点也是删除这些候选点，以提高其稳固 性。
特征匹配和划分为网格的两组RoPS特征和。对于来自的特征，可以找出与其最近的特征来自：
这一对被以为 是对应特征，它们的关联点被以为 是一个点对应。对于给定的，中可能有多个最靠近 的特征。在这种情形 下，可以为特征天生 多个对应点，本文使用k-d树算法降低特征匹配的盘算重大 度。中的所有特征都与这些特征举行 匹配，在中，获得一组点对应，对于每个点对，刚性变换可以使用点来盘算位置和LRFs，也就是：
鲁棒变换预计让作为网格对和的点对应集，是基于点对应的预计变换。对于每个预计的转换，会找出点对应的预计变换与相似。详细 地说，首先转换每个旋转矩阵变换成三个欧拉角，然后用欧拉角之间的距离da清静 移之间的距离dt来丈量恣意 两个变换之间的差值向量。这个变换，它的角度距离da到小于a清静 移距离的阈值dt, 当k小于一个阈值时，选择该阈值形成一组一致的对应关系。
细腻 配准一旦确定了初始变换，就使用ICP算法的一种变体来举行 细腻 配准。从初始变换最先 ，ICP算法迭代细化通过在两个网格中重复天生 最近点对和最小化残差的刚性变换误差。这种变异与最初的差异ICP算法的几个方面。首先，接纳由粗到细的抽样要领来提高其盘算能力效率，而不是使用所有的点来搜索他们的最近点在，只取一部门第m次迭代时的点。由于基于随机子抽样和匀称 子抽样的ICP算法有一个很是相似的配准性能。
图2 形状生长历程的图解。(a)种子的形状。(b)输入网格，其中红色点体现将要被更新到种子形状的点。(c)更新后的形状。蓝色的点体现输入网格和更新后的形状之间的对应点(最好以颜色显示)。
参考文献[1] P. Besl and N. McKay, “A method for registration of 3-D shapes,” IEEE Transactions on Pattern Analysis and Machine Intelligence,vol. 14, no. 2, pp. 239–256, 1992.
[2] R. Benjemaa and F. Schmitt, “A solution for the registration of multiple 3D point sets using unit quaternions,” in European Conference on Computer Vision. Springer, 1998, pp. 34–50.
[3] P. J. Neugebauer, “Reconstruction of real-world objects via simultaneous registration and robust combination of multiple range images,” International Journal of Shape Modeling, vol. 3, no. 01n02, pp. 71–90, 1997.
[4] J. Williams and M. Bennamoun, “Simultaneous registration of multiple corresponding point sets,” Computer Vision and Image Understanding, vol. 81, no. 1, pp. 117–142, 2001.
[5] Y. Guo, M. Bennamoun, F. Sohel, M. Lu, and J. Wan, “3D object recognition in cluttered scenes with local surface features: A survey,”IEEE Transactions on Pattern Analysis and Machine Intelligence. In press, 2014.
本文仅做学术分享，若有 侵权，请联系删文。
下载1
在「盘算机视觉工坊」民众号后台回复：深度学习，即可下载深度学习算法、3D深度学习、深度学习框架、目的 检测、GAN等相关内容近30本pdf书籍。
下载2
在「盘算机视觉工坊」民众号后台回复：盘算机视觉，即可下载盘算机视觉相关17本pdf书籍，包罗盘算机视觉算法、Python视觉实战、Opencv3.0学习等。
下载3
在「盘算机视觉工坊」民众号后台回复：SLAM，即可下载独家SLAM相关视频课程，包罗视觉SLAM、激光SLAM精品课程。