[論文レビュー] Bingham Procrustean Alignment for Object Detection in Clutter

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

Robotics and Sensor-Based Localization参考文献 10被引用数 5

ひとこと要約

本稿では、3次元点位置と方向特徴（法線、曲率）をBingham分布を用いてポーズ不確実性をモデル化することで、ごみだらけのRGB-Dシーンにおける3次元オブジェクト検出のための新しい確率的手法、Bingham Procrustean Alignment (BPA) を提案する。主な貢献は、固定された並進における最小二乗整合の最適回転がBingham分布に従うことを証明し、異なるノイズモデルを持つ複数のソースからの方向不確実性を整合的かつ原理的（principled）に統合できることを示したことである。

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.

研究の動機と目的

• 従来の整合手法がノイズや外れ値のため失敗する、ごみだらけのシーンにおける信頼性の高い3次元オブジェクト検出の課題に対処すること。
• ノイズ特性が異なる多様な特徴（法線、曲率、エッジ）からの位置および方向情報を統合する統一された確率的フレームワークを構築すること。
• 剛体整合における不確実性を、特に回転の事後分布をBingham分布としてモデル化することで、原理的かつベイズ的手法で推定すること。
• 標準の整合パイプラインで無視されがちな、方向情報を持つ特徴対応を活用することで、ごみだらけのシーンにおける検出のロバスト性を向上させること。
• 単一の点推定ではなく、複数の可能なポーズの分布を返すことで、曖昧なシーンにおける検出を可能にすること。

提案手法

• Bingham Procrustean Alignment (BPA) を提案する。これは、回転に対してBingham分布、並進に対してガウス型分布を用いて、オブジェクトポーズの事後分布をモデル化するベイズ的手法である。
• 3次元位置に等方的ガウスノイズがかかる場合、固定された並進 ${\bf t}^{*}$ に対する最適回転 ${\bf q}^{*}$ の条件付き分布 $p({\bf q}|{\bf t})$ がBingham分布に従うことを導出する。
• 最適な並進 ${\bf t}^{*}$ を重心整合としてHornの手法で計算し、その後、この並進条件下での回転のBingham分布を計算する。
• 複数の方向情報ソース（例：表面法線、主曲率）を、それらのBingham確率密度関数を乗算することで統合し、集中行列を加算してモードおよび集中パラメータを再推定する。
• 局所的な曲率共分散の固有値に基づく不確実性推定により、特徴の方向に対する不確実性を、モードが法線および主曲率ベクトルからなる回転行列のクaternionであるBingham分布で構築する。集中パラメータはノイズレベルに合わせて調整される。
• 表面特徴（法線、曲率方向）およびエッジ特徴（方向なし）の両方に対してBingham分布を適用することで、ノイズの多いシーンにおけるロバストな統合を可能にする。

実験結果

リサーチクエスチョン

• RQ1 古典的な最小二乗剛体整合問題を、回転の事後分布が原理的かつ確率的な形で得られるベイズ枠組みに再定式化できるか？
• RQ2 固定された並進における最小二乗整合の回転の事後分布が、標準的なガウスノイズ仮定のもとでBingham分布に従うか？
• RQ3 Bingham分布は、ノイズ特性が異なる複数の3次元特徴（例：平坦面 vs. 曲面）からの方向情報を効果的に統合できるか？
• RQ4 BPAは、位置および方向特徴の不確実性を考慮した整合を活用することで、ごみだらけのRGB-Dシーンにおけるオブジェクト検出性能を向上させられるか？
• RQ5 部分的可視性があるシーンで複数のオブジェクトポーズが妥当な場合、Bingham分布はそのポーズの曖昧性を効果的にモデル化できるか？

主な発見

• 位置測定値がi.i.d.ガウス分布に従う場合、最小二乗剛体整合問題における回転の事後分布 $p({\bf q}|{\bf t})$ は、実際にBingham分布に従うことが証明され、古典的手法に原理的かつベイズ的解釈を与える。
• 回転のBingham分布のモードは、Hornの手法で計算された最適回転 ${\bf q}^{*}$ と正確に一致し、標準の整合手法と整合性を保つ。
• BPAは、法線や曲率といった表面特徴、および方向情報を持たないエッジ特徴の両方の方向情報を、集中パラメータが測定の信頼性を反映するBingham分布でモデル化することで、統合を可能にする。
• 標準のICPや特徴マッチングパイプラインで無視されがちな、方向情報を持つ特徴対応を活用することで、ごみだらけのシーンにおけるより信頼性の高いオブジェクト検出が実現される。
• 部分的可視性があるシーンにおけるポーズの曖昧性を、Bingham分布が効果的にモデル化できることを、初期実験により示した。複数の妥当なオブジェクトポーズを表現する能力が確認された。
• 局所的曲率共分散の固有値に基づく特徴方向の不確実性推定法により、平坦面（曲率が定義されない）では主曲率方向に一様なBingham分布が得られ、誤った高信頼性を生じない。