[논문 리뷰] Robust Shape Registration using Fuzzy Correspondences

Abhishek Kolagunda, Scott Sorensen외 3명|arXiv (Cornell University)|2017. 02. 18.

Robotics and Sensor-Based Localization참고 문헌 4인용 수 4

한 줄 요약

이 논문은 노이즈, 희소성, 비균일 밀도, 큰 스케일/회전 변화가 있는 상황에서도 정확한 3D 포인트 클라우드 정렬을 가능하게 하는 퍼지 대응을 사용한 강건한 형태 정렬 방법을 제안한다. 연속적인 에너지 함수를 통해 변환과 대응을 동시에 최적화하며, 보정 물체가 없는 라이다-카메라 보정을 포함한 3D 및 2D-3D 정렬 작업에서 최신 기법들을 능가한다.

ABSTRACT

Shape registration is the process of aligning one 3D model to another. Most previous methods to align shapes with no known correspondences attempt to solve for both the transformation and correspondences iteratively. We present a shape registration approach that solves for the transformation using fuzzy correspondences to maximize the overlap between the given shape and the target shape. A coarse to fine approach with Levenberg-Marquardt method is used for optimization. Real and synthetic experiments show our approach is robust and outperforms other state of the art methods when point clouds are noisy, sparse, and have non-uniform density. Experiments show our method is more robust to initialization and can handle larger scale changes and rotation than other methods. We also show that the approach can be used for 2D-3D alignment via ray-point alignment.

연구 동기 및 목표

• 포인트 클라우드가 노이즈가 많거나 희소하며 비균일하게 분포되어 있거나 스케일과 방향이 크게 다를 경우 3D 형태 정렬의 과제를 해결하기 위해.
• 근접도와 커버리지 기반의 연속적이고 퍼지된 할당으로 대응을 모델링함으로써 명시적 대응에 의존하지 않도록 하기 위해.
• 원천 및 타겟 형태 간의 근접도와 커버리지를 동시에 최대화하는 통합 최적화 프레임워크를 개발하기 위해.
• 실제 응용 분야인 라이다-카메라 보정을 위한 2D-3D 정렬에 이 방법을 확장하기 위해.
• 큰 변환과 누락된 데이터가 있는 상황에서도 초기화에 민감하지 않은 강건한 정렬을 가능하게 하기 위해.

제안 방법

• 방법은 원천 점들에서 타겟으로의 평균 거리(근접도)와 타겟 점들에서 원천으로의 평균 거리(커버리지)를 결합한 에너지 함수를 최소화하는 방식으로 정의되며, α와 β=1−α로 가중치가 부여된다.
• 퍼지 대응은 점 x가 집합 Y의 어떤 점과도 ε 이내에 있을 경우 1을 부여하는 델타 함수 δ(x,Y)를 사용하여 모델링되며, 이는 연속적이고 미분 가능한 최적화를 가능하게 한다.
• 레벤버그-마르카르트 알고리즘을 사용하여 강체 및 유사변환을 효율적으로 구하기 위해 코arse-to-fine 최적화 전략을 적용한다.
• 2D-3D 정렬을 위해, 카메라 이미지의 윤곽선을 카메라 중심에서 나가는 레이로 간주하고 3D 라이다 점과 매칭함으로써 레이-포인트 정렬을 수행한다.
• 지역 최소값을 줄이기 위해 완전 자동(윤곽선 기반) 및 반자동(GUI를 통한 사용자 그리기 영역) 대응 생성 방식을 모두 지원한다.
• 방법은 스케일과 회전에 대해 불변이며, 원소 수와 밀도가 크게 다를 경우에도 강건성을 유지한다.

실험 결과

연구 질문

• RQ1 노이즈, 희소성, 비균일 샘플링된 포인트 클라우드에서 명시적 대응이 없는 정렬 방법이 강건한 정렬을 달성할 수 있는가?
• RQ2 제안된 퍼지 대응 모델은 ICP와 CPD에 비해 초기화에 대한 강건성과 큰 변환에 대해 어떻게 향상되는가?
• RQ3 보정 물체가 필요 없이 라이다-카메라 보정을 위한 2D-3D 정렬에 대해 이 방법이 어느 정도의 성능을 발휘할 수 있는가?
• RQ4 근접도와 커버리지 메트릭의 조합이 외곽선과 누락된 데이터가 있는 상황에서 정렬 정확도를 어떻게 향상시키는가?
• RQ5 이 방법은 실제 라이다 스캔과 시뮬레이션 벤치마크를 포함한 다양한 데이터셋에서 높은 성능을 유지할 수 있는가?

주요 결과

• 3D 모델링을 위한 범위 영상의 대응 및 정렬 데이터셋에서 최신 기법들을 능가하며, 노이즈와 비균일 밀도 조건에서도 뛰어난 성능을 보였다.
• 저해상도, 노이즈가 많고 비균일한 라이다 스캔이 포함된 포드 캠퍼스 데이터셋에서, 센서의 오차 범위 내에서 정렬을 달성하여 실제 노이즈에 대한 강건성을 입증했다.
• 라이다-카메라 보정을 위한 2D-3D 레이-포인트 정렬에서, 재투영된 3D 점의 90% 이상이 3 픽셀 이내의 픽셀 오차를 보였으며, 외곽선 오류는 이미지 평면 외부에 있는 점들 때문이었다.
• ICP와 CPD에 비해 초기화에 더 강건하며, 더 큰 스케일 변화와 회전을 처리할 수 있었다.
• 반자동 GUI 기반 대응 생성은 텍스처가 부족하거나 노이즈가 많은 환경에서 지역 최소값을 크게 줄이고 수렴 성능을 향상시켰다.
• 물리적 보정 물체 없이도 색상, 열화상, 깊이 모odalities 간의 보정을 가능하게 하였다.