[论文解读] Using Normalized Cross Correlation in Least Squares Optimizations.

Oliver J. Woodford|arXiv (Cornell University)|Oct 10, 2018

Advanced Vision and Imaging参考文献 23被引用 5

一句话总结

本文将归一化互相关（NCC）新颖地整合到光度最小二乘优化中，实现了鲁棒、高效且精确的图像配准。该方法在现有方法中表现出更优的收敛性与计算时间，其新型稀疏公式增强了对局部强度变化和部分遮挡的鲁棒性。

ABSTRACT

Direct methods for vision have widely used photometric least squares minimizations since the seminal 1981 work of Lucas & Kanade, and have leveraged normalized cross correlation since at least 1972. However, no work to our knowledge has successfully combined photometric least squares minimizations and normalized cross correlation: despite obvious complementary benefits of efficiency and accuracy on the one hand, and robustness to lighting changes on the other. This work shows that combining the two methods is not only possible, but also straightforward and efficient. The resulting minimization is shown to be superior to competing approaches, both in terms of convergence rate and computation time. Furthermore, a new, robust, sparse formulation is introduced to mitigate local intensity variations and partial occlusions.

研究动机与目标

• 解决将归一化互相关（NCC）与光度最小二乘最小化相结合的长期空白问题。
• 提升图像配准任务中对光照变化和局部强度变化的鲁棒性。
• 开发一种高效优化框架，保持高精度与快速收敛。
• 提出一种稀疏公式，增强对部分遮挡和强度变化的鲁棒性。

提出的方法

• 将归一化互相关（NCC）直接整合到最小二乘优化框架中。
• 推导出联合NCC-最小二乘最小化问题的闭式解。
• 采用稀疏公式以降低对局部强度变化和部分遮挡的敏感性。
• 使用迭代精化以提升收敛速度与稳定性。
• 采用加权最小二乘方法，其中权重由NCC值导出。
• 使用带解析导数的基于梯度的方法优化配准代价函数。

实验结果

研究问题

• RQ1 归一化互相关能否在直接视觉方法中有效结合最小二乘优化？
• RQ2 与现有方法相比，该联合方法是否能提升收敛速度与计算时间？
• RQ3 该整合是否能增强对光照变化和局部强度变化的鲁棒性？
• RQ4 在部分遮挡和非均匀光照条件下，所提出的稀疏公式表现如何？

主要发现

• 所提方法相比竞争方法实现了更快的收敛速度与更低的计算时间。
• 将NCC整合到最小二乘优化中既直接又高效。
• 稀疏公式显著提升了对局部强度变化和部分遮挡的鲁棒性。
• 该方法在具有挑战性的光照条件下仍保持高精度。
• 联合优化框架在配准任务中优于传统最小二乘法和独立的NCC方法。
• 解析推导使得优化过程稳定且高效，无需迭代重加权或复杂近似。