18、基于尺度不变投票的3D点云识别与配准及多分类器提升算法

基于尺度不变投票的3D点云识别与配准及多分类器提升算法

1. 3D点云识别与配准

在3D点云的识别与配准领域，SRT距离被引入用于在直接相似变换空间$S^+(n)$中的姿态均值漂移。该距离具有左不变性，并且有唯一的封闭形式均值，具备尺度、旋转和平移兼容性等理想特性。

1.1 算法性能对比

• 多目标性能表现 ：在包含6个物体的点云中，不同均值漂移方法的表现如下：
  | 方法 | 正确识别数量 | 误报数量 |
  | ---- | ---- | ---- |
  | 外在均值漂移 | 3 | 2 |
  | 内在均值漂移 | 2 | 2 |
  | SRT均值漂移 | 3 | 0 |
• 精度 - 召回曲线 ：SRT均值漂移在正确配准和识别方面的精度 - 召回曲线表现优于外在和内在均值漂移以及霍夫投票。

1.2 算法优势

• 尺度不变性 ：外在均值漂移不仅具有尺度变化性，还会对输出尺度产生偏差，而SRT均值漂移具有尺度不变性。
• 计算效率 ：内在均值漂移计算速度较慢，SRT均值漂移在计算效率上更具优势。
• 7D姿态配准 ：首次证明了在$S^+(3)$的完整7D姿态空间上进行均值漂移不仅可行，还能提供包括旋转在内的准确7D配准，而基于霍夫的方法由于指数级的内存需求，在这方面不实用。

下面