[论文解读] 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 5

一句话总结

本文提出了一种新颖的基于概率的3D物体检测方法——辛加尼普罗克鲁斯特对齐（Bingham Procrustean Alignment, BPA），用于在杂乱的RGB-D场景中进行3D物体检测。该方法通过使用辛加尼分布对姿态不确定性进行建模，融合了3D点位置和方向特征（法向量、曲率）信息。其核心贡献在于证明了在固定平移时，最小二乘对齐下的最优旋转服从辛加尼分布，从而实现了对具有不同噪声模型的多个来源的方向不确定性进行合理融合。

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.

研究动机与目标

• 解决在传统对齐方法因噪声和异常值而失效的杂乱场景中可靠进行3D物体检测的挑战。
• 开发一个统一的概率框架，融合来自不同特征（法向量、曲率、边缘）的位置与方向信息，这些特征具有不同的噪声特性。
• 提供一种原则性的贝叶斯方法，用于估计刚性对齐中的不确定性，特别是将旋转的后验分布建模为辛加尼分布。
• 通过利用通常在标准对齐流程中被忽略的方向特征对应关系，提升在杂乱环境中的检测鲁棒性。
• 通过返回可能姿态的分布而非单一点估计，实现在模糊场景中的检测能力。

提出的方法

• 提出辛加尼普罗克鲁斯特对齐（BPA），一种贝叶斯对齐方法，使用辛加尼分布对旋转的后验分布进行建模，使用类似高斯的分布对平移进行建模。
• 推导出：在3D位置服从各向同性高斯噪声的假设下，给定固定平移 ${\bf t}^{*}$ 时，最优旋转 ${\bf q}^{*}$ 的条件分布 $p({\bf q}|{\bf t})$ 为辛加尼分布。
• 使用Horn的方法计算最优平移 ${\bf t}^{*}$（即质心对齐），然后基于该平移计算旋转的辛加尼分布。
• 通过相乘各方向源（如表面法向量、主曲率）的辛加尼概率密度函数，实现多源方向信息的融合，这对应于将它们的集中矩阵相加，并重新估计模态和集中参数。
• 通过构建一个辛加尼分布来估计特征方向的不确定性，其中模态为由法向量与主曲率向量构成的旋转矩阵所对应的四元数，集中参数根据噪声水平进行调节。
• 将辛加尼分布应用于表面特征（具有法向量与曲率方向）和边缘特征（无方向性）的不确定性建模，从而在杂乱场景中实现鲁棒的特征融合。

实验结果

研究问题

• RQ1 经典的最小二乘刚性对齐问题能否在贝叶斯框架下重新表述，从而得到旋转后验分布的合理、概率化解释？
• RQ2 在固定平移的最小二乘对齐中，若假设标准高斯噪声，旋转的后验分布是否服从辛加尼分布？
• RQ3 辛加尼分布能否有效融合来自具有异质噪声模型（如平面与曲面）的多个3D特征的方向信息？
• RQ4 BPA能否通过利用具有不确定性感知对齐的位置与方向特征，提升在杂乱RGB-D场景中的物体检测性能？
• RQ5 辛加尼分布能否有效建模因部分可见性而导致多个物体姿态均可能的场景中的姿态模糊性？

主要发现

• 当位置测量服从独立同分布的高斯分布时，最小二乘刚性对齐问题中旋转的后验分布 $p({\bf q}|{\bf t})$ 可被严格证明为辛加尼分布，为经典方法提供了原则性的贝叶斯解释。
• 旋转辛加尼分布的模态与Horn方法计算出的最优旋转 ${\bf q}^{*}$ 完全一致，确保了与标准对齐技术的一致性。
• BPA能够通过基于测量可靠性反映的集中参数，对表面特征（法向量、曲率）和边缘特征的不确定性进行建模，从而实现方向信息的有效融合。
• 该方法通过利用通常在标准ICP或特征匹配流程中被低估的方向特征对应关系，提升了在杂乱场景中物体检测的可靠性。
• 辛加尼分布能有效建模因部分遮挡导致的场景姿态模糊性，早期实验表明其在表示多个可能物体姿态的不确定性方面具有实用性。
• 基于局部曲率协方差特征值的特征方向不确定性估计方法，确保了在曲率定义不明确的平坦表面中，主曲率方向的辛加尼分布为均匀分布，从而避免了虚假的置信度。