[论文解读] A Fast Method For Computing Principal Curvatures From Range Images

Andrew Spek, Wai Ho Li+1 more|arXiv (Cornell University)|Jul 3, 2017

Robotics and Sensor-Based Localization参考文献 6被引用 3

一句话总结

本文提出了一种基于GPU加速的实时方法，通过迭代拟合抛物面二次曲面片来从噪声范围图像中计算精确的度量主曲率。与传统方法通过双重微分放大噪声不同，该方法直接对局部点云拟合二次曲面，从而在低功耗RGB-D数据（如微软Kinect）上实现更优的曲率估计，具备帧率性能并提高了对噪声的鲁棒性。

ABSTRACT

Estimation of surface curvature from range data is important for a range of tasks in computer vision and robotics, object segmentation, object recognition and robotic grasping estimation. This work presents a fast method of robustly computing accurate metric principal curvature values from noisy point clouds which was implemented on GPU. In contrast to existing readily available solutions which first differentiate the surface to estimate surface normals and then differentiate these to obtain curvature, amplifying noise, our method iteratively fits parabolic quadric surface patches to the data. Additionally previous methods with a similar formulation use less robust techniques less applicable to a high noise sensor. We demonstrate that our method is fast and provides better curvature estimates than existing techniques. In particular we compare our method to several alternatives to demonstrate the improvement.

研究动机与目标

• 解决从低功耗RGB-D传感器（如微软Kinect）生成的现实世界噪声范围数据中准确估计主曲率的挑战。
• 克服依赖表面法向微分的传统双重微分方法固有的噪声放大问题。
• 开发一种适用于机器人学和计算机视觉应用中需要视角不变几何特征的实时曲率估计系统。
• 提高在多个视角下基于曲率的物体对应关系估计的准确性与一致性。
• 提供一种稳健的、开源的GPU实现，用于在密集点云上进行高性能曲率计算。

提出的方法

• 通过最小二乘优化，迭代地将抛物面二次曲面拟合到局部3D点云块，直接估计主曲率。
• 通过将曲率估计建模为直接几何拟合问题，避免了表面法向微分，从而减少噪声放大。
• 在GPU上实现该算法，以实现在密集RGB-D数据上的帧率实时处理。
• 局部曲面拟合使用37×37的块大小，并通过稀疏采样保持性能。
• 曲率估计基于从拟合二次曲面导出的Hessian矩阵的特征值，提供度量主曲率值。
• 使用真实世界和合成数据集，将该方法与PCL的PCA曲率估计及其他基线技术进行比较。

实验结果

研究问题

• RQ1 直接二次曲面拟合方法是否能在从噪声范围数据中估计主曲率方面优于传统双重微分方法？
• RQ2 与PCL的PCA曲率估计相比，该方法在真实世界RGB-D扫描中的准确性和鲁棒性表现如何？
• RQ3 该方法在不同视角下在多大程度上保持一致的曲率估计，从而实现可靠的对应关系估计？
• RQ4 该方法是否能在消费级传感器的密集噪声范围图像上实现GPU上的实时性能？
• RQ5 该方法是否提高了曲率在物体分割和识别任务中的判别能力？

主要发现

• 所提方法在从低成本RGB-D传感器获取的噪声数据上，相比PCL的PCA曲率估计方法，实现了显著更准确的度量曲率估计。
• 与基于PCA的微分方法相比，该方法产生的表面法向估计更平滑、更可靠，减少了噪声引起的伪影。
• 该系统在GPU上以帧率运行，支持动态应用（如机器人抓取和场景理解）的实时曲率估计。
• 使用该方法进行基于曲率的对应关系估计在多个视角下表现出高度一致性，混淆矩阵显示了强物体特异性匹配。
• 相比之下，PCL方法表现出较差的对应关系一致性，常因对噪声敏感而将点错误匹配到背景或错误物体。
• 该方法在高曲率物体（如压力球）及曲率相似的物体（如chocA和羽毛球）上表现更优，尽管这些物体仍具挑战性，因其曲率特征相似。