标题:A comprehensive survey on point cloud registration
作者:Xiaoshui Huang[1], Guofeng Mei[2], Jian Zhang[2], Rana Abbas[1]
编译:点云PCL
来源:arXiv 2021
摘要
点云配准是点云之间的变换估计问题,从优化的角度来看,它经历了很长的发展历史。最近,深度学习的成功极大地提高了配准的鲁棒性和效率。本综述试图对基于优化的学习方法与深度学习方法进行全面的回顾,并建立两者之间的联系,以提供进一步的研究启示。此外,随着三维传感器和三维重建技术的发展,一个新的研究方向也应运而生。本文回顾了跨源点云配准的发展,并建立了一个新的基准来评价现有的配准算法。此外,本调查总结了基准数据集,并讨论了跨不同领域的点云配准的应用。最后,本文提出了这一快速发展领域的潜在研究方向。
介绍
本文的贡献
我们的贡献。本文的主要贡献如下:
综述。本文对同源点云配准进行了最全面的概述,包括传统的优化方法和现代深度学习方法(1992-2021)。我们总结了这些挑战,分析了每一类配准方法的优点和局限性。此外,本文还总结了传统优化方法与现代深度学习方法的联系。
不同源点云配准。本文首次对跨源点云配准进行了文献综述。这项调查为不同3D传感器(如Kinect和Lidar)的数据融合研究提供了见解。图1显示了点云配准的分类。
新的比较。我们建立了一个新的跨源点云基准。然后,在新的跨源点云基准上对现有的最新配准算法的性能进行了评估和比较。这项调查可以为选择和开发新的跨源点云应用配准方法提供指导。
应用和未来方向。总结了点云配准的潜在应用,探讨了实际应用中的研究方向。此外,本文还提出了点云配准领域未来可能的研究方向和有待解决的问题。
点云配准的挑战
A
同源点云配准
噪声和离群值。在不同的采集时间,环境和传感器噪声是不同的,采集到的点云在同一三维位置附近会包含噪声和异常值。 部分重叠。由于视点和采集时间的不同,采集到的点云只是部分重叠。
B
跨源点云配准
噪声和异常值。由于不同采集时间的采集环境、传感器噪声和传感器成像机制不同,采集到的点云在同一个三维位置附近会包含噪声和离群点。 部分重叠。由于视点和采集时间的不同,采集到的点云只是部分重叠。 密度差。由于不同的成像机制和不同的分辨率,捕获的点云通常包含不同的密度。 尺度变化。由于不同的成像机制可能具有不同的物理度量,因此捕获的点云可能包含尺度差异。
点云配准方法的分类
A
基于优化的配准方法
B
特征学习的配准方法
C
基于端到端学习的方法
D
跨源点云配准方法
点云配准方法概述介绍
A
基于优化的配准方法
B
特征学习配准方法
C
基于端到端学习的配准
D
跨源点云配准
基于优化的方法与深度学习之间的联系
评估
应用
开放性问题和未来方向
鲁棒准确的配准,点云是三维环境的记录。然而,由于噪声和异常值的变化,实际数据非常复杂。这些变化可能来自不同采集时间的传感器或环境变化。 效率,配准效率是另一个有待研究的问题,也是今后的研究方向。最近的点云通常包含数百万个点,传统的优化方法如ICP将非常缓慢。然而,目前许多先进的方法都要求ICP进行细化以获得较高的精度。 部分重叠部分重叠表示只有部分点云描述相同的三维环境,而其他部分则不同。部分重叠率可能非常小,例如小于20%。这种重叠率将是非常具有挑战性的,因为重叠率的搜索是一个组合问题,即使是我们的人类需要很多时间来手动对齐两个部分重叠的点云以找到公共区域。 深度学习与配准数学理论的融合,已有的许多实验[35]、[6]、[41]表明,直接应用配准数学理论会耗费大量的计算时间,而直接应用深度学习并不能保证精度。直接结合深度学习和ICP仍然需要消耗很多的计算时间。
总结
参考文献
重磅!3DCVer-学术论文写作投稿 交流群已成立
扫码添加小助手微信,可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群,旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。
同时也可申请加入我们的细分方向交流群,目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。
一定要备注:研究方向+学校/公司+昵称,例如:”3D视觉 + 上海交大 + 静静“。请按照格式备注,可快速被通过且邀请进群。原创投稿也请联系。
▲长按加微信群或投稿 ▲长按关注公众号
▲长按关注公众号