[论文解读] Improved RANSAC performance using simple, iterative minimal-set solvers

Edward Rosten, Gerhard Reitmayr+1 more|arXiv (Cornell University)|Jul 8, 2010

Underwater Vehicles and Communication Systems参考文献 21被引用 13

一句话总结

本文提出在基于 RANSAC 的本质矩阵估计中，使用简单、迭代的非线性优化（如高斯-牛顿法）处理极小点集，而非复杂的多项式求解器。该方法在实际场景中实现了更高的速度和数值稳定性，尤其在前后左右运动中表现优于标准的 5 点算法，原因在于更快的假设生成速度和对局部极小值的鲁棒性。

ABSTRACT

RANSAC is a popular technique for estimating model parameters in the presence of outliers. The best speed is achieved when the minimum possible number of points is used to estimate hypotheses for the model. Many useful problems can be represented using polynomial constraints (for instance, the determinant of a fundamental matrix must be zero) and so have a number of solutions which are consistent with a minimal set. A considerable amount of effort has been expended on finding the constraints of such problems, and these often require the solution of systems of polynomial equations. We show that better performance can be achieved by using a simple optimization based approach on minimal sets. For a given minimal set, the optimization approach is not guaranteed to converge to the correct solution. However, when used within RANSAC the greater speed and numerical stability results in better performance overall, and much simpler algorithms. We also show that by selecting more than the minimal number of points and using robust optimization can yield better results for very noisy by reducing the number of trials required. The increased speed of our method demonstrated with experiments on essential matrix estimation.

研究动机与目标

• 解决 RANSAC 中极小点集问题的直接多项式求解器存在的计算低效和数值不稳定性问题。
• 克服求解高次多项式系统的挑战，这些系统容易出现病态条件和收敛失败。
• 通过用简单、快速且数值稳定的迭代优化替代复杂极小求解器，提升 RANSAC 性能。
• 探索使用超极小点集结合鲁棒优化，以降低高噪声场景下的异常值敏感性。
• 证明基于简单优化的假设生成方法在真实世界视频数据中可超越既有的直接求解器。

提出的方法

• 使用高斯-牛顿或列文伯格-马尔夸特非线性优化，最小化极小点集（例如 5 对对应点）的残差，以实现本质矩阵估计。
• 通过使用迭代、无约束的非线性求解器对极小点集进行优化，而非求解多项式系统，来生成 RANSAC 假设。
• 对超极小点集（多于最小点数）应用鲁棒优化（例如迭代重新加权最小二乘法），以提高对异常值的容忍度。
• 基于残差最小化选择假设，利用其速度和数值稳定性，而非每个假设的保证正确性。
• 将优化后的假设生成集成到完整的 RANSAC 流程中，并随后通过 M-估计法精炼最终模型。
• 使用具有不同异常值密度和运动类型的合成数据集和真实世界数据集，与标准 5 点算法及其他求解器进行性能对比。

实验结果

研究问题

• RQ1 在基于 RANSAC 的本质矩阵估计中，基于迭代的优化极小点集求解器是否能优于直接多项式求解器？
• RQ2 尽管存在收敛到局部极小值的潜在风险，使用如高斯-牛顿法等简单快速优化器是否能带来更好的整体 RANSAC 性能？
• RQ3 在具有不同运动类型的现实世界视频序列中，基于优化的求解器与 5 点算法的性能相比如何？
• RQ4 结合鲁棒优化的超极小点集是否能减少 RANSAC 试验次数，并在高异常值密度下提升性能？
• RQ5 合成数据结果在多大程度上能推广到真实世界数据，尤其是在前后左右运动等具有挑战性的运动模式下？

主要发现

• 高斯-牛顿优化器（算法 2）在真实世界左右运动序列中显著优于列文伯格-马尔夸特和 5 点算法，每秒生成更多有效假设。
• 在合成数据中，列文伯格-马尔夸特优化器（算法 1）在高异常值密度下表现最佳，而 5 点算法（算法 4）在低异常值密度下表现最优。
• 在高异常值密度下，对超极小点集应用鲁棒优化（算法 3）实现了最佳性能，显著减少了所需的 RANSAC 试验次数。
• 高斯-牛顿方法能够快速放弃病态条件的点集，从而提升假设生成吞吐量，显著提高整体 RANSAC 成功率。
• 在真实世界数据中，5 点算法因对极线不稳定性及局部极小值的敏感性，在左右运动中表现不佳，而基于优化的方法则保持鲁棒。
• 算法间的性能差距在真实数据中比在合成数据中更为显著，凸显了合成基准在评估 RANSAC 方法时的局限性。