提出一种名为PointNetLK的点云配准方法，利用PointNet网络和Lucas-Kanade算法思想，将点云转换为特征向量，通过迭代求解刚性变换，实现高效精确的配准效果。
CMU ，富士通 ，Argo AI
代码地址 ： 地址
reference： 链接
本文针对点云配准的问题，提出PointNetLK.
核心思想: 把点云＄P_T＄和 P S P_S PS通过PointNet网络映射到和 ϕ ( P T ) 和 ϕ ( P S ) \phi(P_T)和\phi(P_S) ϕ(PT)和ϕ(PS)，目标是找出一个刚性变换G使得 ϕ ( P T ) = ϕ ( G ⋅ P S ) \phi (P_{T})=\phi (G\cdot P_{S}) ϕ(PT)=ϕ(G⋅PS)。
其使用Point Net无序的点云进行“成像”，也就是将配准算法的输入从点云变成了PointNet处理后的K维特征向量。这样点云规模对算法的计算量不会产生影响。
借鉴LK的思想，LK目标是跟踪detector的平移，这里是跟踪整个点云的旋转。
LK是有两个2D图片 I 1 , I 2 I_{1},I_{2} I1,I2, 由提取出来的 I 1 I_1 I1中的detector，在 I 2 I_2 I2中根据灰度找到 I 1 I_1 I1的detector，算出两者位移。
LK是基于光度不变假设，即 I 2 ( x + Δ x ) = I 1 ( x ) I_{2}(\boldsymbol{x}+\Delta \boldsymbol{x})=I_{1}(\boldsymbol{x}) I2(x+Δx)=I1(x)，解出 Δ x \Delta \boldsymbol{x} Δx。在点云配准问题中是相似的，已知 ϕ ( P T ) = ϕ ( G ⋅ P S ) \phi (P_{T})=\phi (G\cdot P_{S}) ϕ(PT)=ϕ(G⋅PS),解出 G G G。这里是迭代求解之后，解出的
最低0.47元/天 解锁文章
扫一扫
1万+
到【灌水乐园】发言
