[论文解读] A comprehensive review of 3D point cloud descriptors.

Xian-Feng Han, Jesse S. Jin+3 more|arXiv (Cornell University)|Feb 7, 2018

Robotics and Sensor-Based Localization参考文献 55被引用 47

一句话总结

本文对三维点云描述子进行了全面综述，将其分类为基于局部的、基于全局的和混合型方法。通过大量实验评估了最先进描述子在描述能力、鲁棒性和效率方面的性能，为三维计算机视觉应用提供了关键基准。

ABSTRACT

The introduction of inexpensive 3D data acquisition devices has promisingly facilitated the wide availability and popularity of 3D point cloud, which attracts more attention on the effective extraction of novel 3D point cloud descriptors for accurate and efficient of 3D computer vision tasks. However, how to de- velop discriminative and robust feature descriptors from various point clouds remains a challenging task. This paper comprehensively investigates the exist- ing approaches for extracting 3D point cloud descriptors which are categorized into three major classes: local-based descriptor, global-based descriptor and hybrid-based descriptor. Furthermore, experiments are carried out to present a thorough evaluation of performance of several state-of-the-art 3D point cloud descriptors used widely in practice in terms of descriptiveness, robustness and efficiency.

研究动机与目标

• 将现有的三维点云描述子方法系统性地划分为基于局部的、基于全局的和混合型三类。
• 从描述能力、鲁棒性和效率三个方面评估最先进描述子的性能。
• 提供对比分析，以支持在三维计算机视觉任务中合理选择描述子。

提出的方法

• 本文将三维点云描述子分为三类主要类别：基于局部的、基于全局的和混合型描述子。
• 回顾了各类别中的代表性方法，突出其设计原则和基本假设。
• 通过标准化指标（描述能力、鲁棒性和计算效率）开展实验，以评估描述子性能。
• 在多种点云数据集上，在不同条件（如噪声、下采样和视角变化）下评估性能表现。
• 评估框架包括在多个基准场景下对描述子性能的定量比较。

实验结果

研究问题

• RQ1 基于局部的、基于全局的和混合型三维点云描述子在设计与性能上有哪些差异？
• RQ2 在噪声和下采样等挑战性条件下，哪些描述子类型表现出更优的描述能力和鲁棒性？
• RQ3 在不同三维视觉任务中，描述子的效率与性能之间存在何种权衡？

主要发现

• 综述发现，混合型描述子通常能在描述能力和鲁棒性之间取得良好平衡。
• 基于局部的描述子通常更高效，但在复杂场景中可能缺乏区分能力。
• 基于全局的描述子在独特形状表征方面表现优异，但对噪声和遮挡较为敏感。
• 不同描述子的鲁棒性差异显著，部分描述子对噪声和下采样表现出高度鲁棒性。
• 效率差异显著，简单描述子虽计算更快，但会牺牲一定的区分能力。