【论文笔记】SegMatch: Segment Based Place Recognition in 3D Point Clouds

【论文笔记】SegMatch: Segment Based Place Recognition in 3D Point Clouds

3D 数据中的地点识别是一项具有挑战性的任务，通常通过调整基于图像的解决方案来实现。基于局部特征的方法具有模糊性和对环境变化的鲁棒性，而基于全局特征的方法则依赖于视点。我们提出了 SegMatch，一种基于 3D 片段匹配的可靠地点识别算法。段在局部和全局描述之间提供了很好的折衷，结合了它们的优势，同时减少了它们各自的缺点。 SegMatch 不依赖于“完美分割”的假设，也不依赖于环境中“对象”的存在，这允许在大规模、非结构化环境中可靠地执行。我们定量地证明了 SegMatch 可以在 KITTI 里程计数据集的最大序列上以 1Hz 的频率实现准确定位。我们还展示了该算法如何在在线操作期间实时可靠地检测和关闭循环。
　　我们通过匹配属于部分或全部对象，或属于较大结构（窗户、弧线、立面）的部分的段来识别地点。对于在城市场景中收集的数据，可以在图 1 中看到此类段的示例。我们的系统采用模块化设计。它首先从 3D 点云中提取和描述片段，将它们与来自已访问地点的片段进行匹配，并使用几何验证步骤来提出地点识别候选者。这种基于分段的技术的一个优点是它能够将点云相当大地压缩成一组用于地点识别的独特且有区别的元素。我们表明，这不仅减少了匹配所需的时间，而且还降低了获得错误匹配的可能性。
　　在分段描述方面，尽管存在许多 3D 点云描述符 [5-7]，但没有明确的证据表明它们之间的相对性能，例如泛化能力或对几何对称性的鲁棒性。因此，我们选择了一种机器学习方法来匹配在段上计算的各种标准描述符。尽管如此，由于所提出框架的模块化性质，可以通过替换我们管道中的相应组件来使用 3