[논문 리뷰] Bingham Procrustean Alignment for Object Detection in Clutter

Jared Glover, Sanja Popovic|arXiv (Cornell University)|2013. 04. 27.

Robotics and Sensor-Based Localization참고 문헌 10인용 수 5

한 줄 요약

이 논문은 Bingham Procrustean Alignment (BPA)를 소개하며, 3D 포인트 위치와 방향 특징(정규 벡터, 곡률)을 Bingham 분포를 사용하여 자세 불확실성을 모델링함으로써 혼잡한 RGB-D 장면에서 3D 객체 검출을 위한 새로운 확률적 방법을 제안한다. 주요 기여는 고정된 이동값에 대해 최적의 회전이 최소 제곱법 정렬에서 Bingham 분포를 따른다는 것을 증명한 것으로, 이는 다양한 노이즈 모델을 가진 다양한 원천에서 온 방향 불확실성을 원칙적으로 융합할 수 있게 한다.

ABSTRACT

A new system for object detection in cluttered RGB-D images is presented. Our main contribution is a new method called Bingham Procrustean Alignment (BPA) to align models with the scene. BPA uses point correspondences between oriented features to derive a probability distribution over possible model poses. The orientation component of this distribution, conditioned on the position, is shown to be a Bingham distribution. This result also applies to the classic problem of least-squares alignment of point sets, when point features are orientation-less, and gives a principled, probabilistic way to measure pose uncertainty in the rigid alignment problem. Our detection system leverages BPA to achieve more reliable object detections in clutter.

연구 동기 및 목표

• 기존 정렬 방법이 노이즈와 이방성으로 인해 실패하는 혼잡한 장면에서 신뢰할 수 있는 3D 객체 검출 문제를 해결하기 위해.
• 다양한 특징(정규 벡터, 곡률, 에지)의 위치 및 방향 정보를 다양한 노이즈 특성을 가진 모델에 통합하는 통합된 확률적 프레임워크를 개발하기 위해.
• 강체 정렬에서의 불확실성 추정을 원칙적으로, 베이지안 방법으로 수행하기 위해, 특히 자세의 사후 분포를 Bingham 분포로 모델링하기 위해.
• 표준 정렬 파이프라인에서 종종 忽시되는 방향 정보를 갖는 특징 대응 관계를 활용하여 혼잡한 환경에서의 검출 강건성을 향상시키기 위해.
• 단일 점 추정이 아닌 가능한 자세에 대한 분포를 반환함으로써, 모호한 장면에서의 검출을 가능하게 하기 위해.

제안 방법

• Bingham Procrustean Alignment (BPA)를 제안하며, 이는 자세의 사후 분포를 회전에 대해 Bingham 분포로, 이동에 대해 가우시안 유사 분포로 모델링하는 베이지안 정렬 방법이다.
• 등방성 가우시안 노이즈가 3D 위치에 가해질 경우, 고정된 이동값 ${\bf t}^{*}$에 대해 최적의 회전 ${\bf q}^{*}$에 대한 조건부 분포 $p({\bf q}|{\bf t})$가 Bingham 분포가 됨을 도출한다.
• 최적의 이동값 ${\bf t}^{*}$를 중심 정렬 방식인 Horn의 방법으로 계산한 후, 이 이동값에 조건부한 Bingham 분포를 회전에 대해 계산한다.
• 다양한 방향 소스(예: 표면 정규 벡터, 주요 곡률)를 곱하여 융합하며, 이는 농도 행렬을 더하고 모드 및 농도 파rameter를 재추정하는 것과 동일하다.
• 특징 방향의 불확실성을 추정하기 위해, 정규 벡터와 주요 곡률 벡터로 구성된 회전 행렬의 퀼레르니언을 모드로 삼고, 노이즈 수준에 맞추어 농도 파rameter를 조정한 Bingham 분포를 구성한다.
• 표면 특징(정규 및 곡률 방향)과 에지 특징(방향 없음)에 모두 Bingham 분포를 적용하여, 혼잡한 장면에서의 강건한 융합을 가능하게 한다.

실험 결과

연구 질문

• RQ1 고전적인 최소 제곱 강체 정렬 문제는 확률적 사후 분포를 갖는 베이지안 프레임워크로 재정의될 수 있는가? 특히 자세의 사후 분포가 Bingham 분포가 되는가?
• RQ2 고정된 이동값을 가진 최소 제곱 정렬에서, 표준 가우시안 노이즈 가정 하에 자세의 사후 분포가 Bingham 분포를 따르는가?
• RQ3 Bingham 분포는 다양한 노이즈 모델을 가진 3D 특징들(예: 평평한 표면 vs. 곡률이 큰 표면)의 방향 정보를 효과적으로 융합하는 데 사용될 수 있는가?
• RQ4 BPA는 위치 및 방향 특징을 불확실성 인식 정렬을 통해 활용함으로써, 혼잡한 RGB-D 장면에서의 객체 검출 성능을 향상시킬 수 있는가?
• RQ5 부분적으로 가시성이 떨어지는 장면에서 다수의 가능한 자세가 존재할 경우, Bingham 분포는 자세의 불확실성을 효과적으로 모델링할 수 있는가?

주요 결과

• 위치 측정치가 i.i.d. 가우시안일 경우, 최소 제곱 강체 정렬 문제에서 자세의 사후 분포 $p({\bf q}|{\bf t})$는 정확히 Bingham 분포임을 증명하였으며, 이는 고전적 방법에 대한 원칙적인 베이지안 해석을 제공한다.
• Bingham 분포의 모드는 Horn의 방법으로 계산된 최적의 자세 ${\bf q}^{*}$와 정확히 일치하며, 이는 표준 정렬 기법과의 일관성을 보장한다.
• BPA는 표면 특징(정규 벡터, 곡률)과 에지 특징을 모두 고려하여, 측정 신뢰도를 반영한 농도 파rameter를 갖는 Bingham 분포로 불확실성을 모델링함으로써 방향 정보 융합을 가능하게 한다.
• 표준 ICP 또는 특징 매칭 파이프라인에서 종종 간과되는 방향 정보를 갖는 특징 대응 관계를 활용함으로써, 혼잡한 환경에서 더 강건한 객체 검출을 달성한다.
• 부분적으로 관찰된 장면에서 자세의 불확실성을 효과적으로 모델링할 수 있으며, 초기 실험 결과에서 다수의 가능성이 있는 자세에 대한 불확실성을 표현하는 데 Bingham 분포의 유용성이 입증되었다.
• 지역 곡률 공분산의 고유값 기반으로 특징 방향의 불확실성 추정 방법은, 곡률이 정의되지 않는 평평한 표면에서는 주요 곡률 방향에 대해 균일한 Bingham 분포를 생성함으로써, 잘못된 신뢰도를 방지한다.