[논문 리뷰] Improved RANSAC performance using simple, iterative minimal-set solvers

Edward Rosten, Gerhard Reitmayr외 1명|arXiv (Cornell University)|2010. 07. 08.

Underwater Vehicles and Communication Systems참고 문헌 21인용 수 13

한 줄 요약

이 논문은 RANSAC 기반의 본질 행렬 추정에서 복잡한 다항식 해법 대신 간단하고 반복적인 비선형 최적화(예: 가우스-뉴턴)를 최소 집합에 적용하는 것을 제안한다. 이 방법은 더 빠른 가설 생성과 국소 최솟값에 대한 강건성 덕분에 실제 환경에서 표준 5점 알고리즘을 능가하는 빠른 속도와 수치적 안정성을 달성한다. 특히 좌우 이동 상황에서 두각한 성능 향상을 보인다.

ABSTRACT

RANSAC is a popular technique for estimating model parameters in the presence of outliers. The best speed is achieved when the minimum possible number of points is used to estimate hypotheses for the model. Many useful problems can be represented using polynomial constraints (for instance, the determinant of a fundamental matrix must be zero) and so have a number of solutions which are consistent with a minimal set. A considerable amount of effort has been expended on finding the constraints of such problems, and these often require the solution of systems of polynomial equations. We show that better performance can be achieved by using a simple optimization based approach on minimal sets. For a given minimal set, the optimization approach is not guaranteed to converge to the correct solution. However, when used within RANSAC the greater speed and numerical stability results in better performance overall, and much simpler algorithms. We also show that by selecting more than the minimal number of points and using robust optimization can yield better results for very noisy by reducing the number of trials required. The increased speed of our method demonstrated with experiments on essential matrix estimation.

연구 동기 및 목표

• RANSAC에서 최소 집합 문제를 위한 직접적인 다항식 해법의 계산 비효율성과 수치적 불안정성을 해결한다.
• 높은 차수의 다항식 시스템을 해결하는 데서 발생하는 악화된 조건수와 수렴 실패 문제를 극복한다.
• 복잡한 최소 해법 대신 단순하고 빠르며 수치적으로 안정적인 반복 최적화를 사용하여 RANSAC 성능을 향상시킨다.
• 강건한 최적화를 활용한 초최소 집합을 사용하여 고노이즈 환경에서의 이상치 감도를 감소시킨다.
• 보다 단순한 최적화 기반의 가설 생성 방식이 실세계 영상 데이터에서 기존의 직접 해법을 능가할 수 있음을 입증한다.

제안 방법

• 본질 행렬 추정을 위해 최소 집합(예: 5개의 대응점)의 잔차를 최소화하기 위해 가우스-뉴턴 또는 레벤버그-마르카르트 비선형 최적화를 사용한다.
• 다항식 시스템을 푸는 대신 반복적이고 제약이 없는 비선형 해법을 사용하여 최소 집합을 최적화함으로써 RANSAC 가설을 생성한다.
• 이상치에 대한 내성을 향상시키기 위해 초최소 집합(최소점 수를 초과하는 점들)에 강건한 최적화(예: 반복적으로 재가중된 최소 제곱법)를 적용한다.
• 잔차 최소화를 기반으로 가설을 선택함으로써, 각 가설의 보장된 정확성보다는 빠른 속도와 수치적 안정성에 초점을 맞춘다.
• 최적화된 가설 생성 방식을 전체 RANSAC 파이프라인에 통합한 후 M-추정법을 사용하여 최종 모델을 정밀화한다.
• 다양한 이상치 비율과 운동 유형을 가진 시뮬레이션 및 실세계 데이터셋을 사용하여 표준 5점 알고리즘 및 기타 해법과의 성능를 비교한다.

실험 결과

연구 질문

• RQ1 반복적이고 최적화 기반의 최소 집합 해법이 RANSAC 기반의 본질 행렬 추정에서 직접 다항식 해법을 능가할 수 있는가?
• RQ2 가우스-뉴턴과 같은 단순하고 빠른 최적화기 사용이 국소 최솟값으로 수렴할 가능성이 있음에도 불구하고 전체 RANSAC 성능을 향상시킬 수 있는가?
• RQ3 다양한 운동 유형을 가진 실세계 영상 시퀀스에서 최적화 기반 해법의 성능이 5점 알고리즘과 비교해 어떻게 되는가?
• RQ4 초최소 집합과 강건한 최적화를 조합하면 높은 이상치 비율 상황에서 RANSAC 시행 횟수를 줄이고 성능을 향상시킬 수 있는가?
• RQ5 시뮬레이션 데이터 결과가 실세계 데이터로 일반화되는 정도는 어느 정도이며, 특히 좌우 또는 전진-후진 운동과 같은 도전적인 운동 영역에서 어떻게 되는가?

주요 결과

• 가우스-뉴턴 최적화기(알고리즘 2)는 실세계 좌우 이동 시퀀스에서 레벤버그-마르카르트 및 5점 알고리즘을 크게 능가하여 1초당 더 많은 유효한 가설을 생성한다.
• 시뮬레이션 데이터에서는 레벤버그-마르카르트 최적화기(알고리즘 1)가 높은 이상치 비율에서 가장 우수한 성능를 보였고, 5점 알고리즘(알고리즘 4)은 낮은 이상치 비율에서 승리했다.
• 높은 이상치 비율 상황에서는 초최소 집합에 대한 강건한 최적화(알고리즘 3)가 가장 뛰어난 성능를 보였으며, 필요한 RANSAC 시행 횟수를 감소시켰다.
• 가우스-뉴턴 방법의 나쁜 조건을 가진 점 집합을 신속히 기각할 수 있는 능력 덕분에 더 높은 가설 처리 속도와 더 나은 전체 RANSAC 성공률을 달성했다.
• 실세계 데이터에서는 5점 알고리즘이 좌우 이동에서 에피포라 라인의 불안정성과 국소 최솟값으로 인해 어려움을 겪는 반면, 최적화 기반 방법은 강건하게 유지된다.
• 알고리즘 간 성능 격차는 실세계 데이터에서 시뮬레이션 데이터보다 더 두드러지며, 이는 실세계 기준으로 RANSAC 방법 평가에 있어 시뮬레이션 벤치마크의 한계를 드러낸다.