登山第十二梯：多视图点云配准——面面俱到

文章：Registration of multi-view point sets under the perspective of expectation-maximization

代码：跳转中...

日期：2020年

1）摘要

        多视点集的配准是 3D 模型重建的前提条件。为了解决这个问题，以前的大多数方法要么部分探索可用信息，要么盲目地利用不必要的信息来对齐每个点集，这可能会导致不希望的结果或引入额外的计算复杂性。为此，该文章将多视图配准问题视为最大似然估计问题，并提出了一种在期望最大化 （EM） 角度下的新型多视图配准方法。该方法的基本思想是，不同数据点由相同数量的高斯混合模型 （GMM） 生成。对于一个点集中的每个数据点，可以从其他对齐良好的点集中搜索其最近的邻域点。然后，可以假设这个数据点是由特殊的 GMM 生成的，它由遵循一个高斯分布的每个最近邻组成。基于此假设，能够将多视图匹配包括的所有刚性变换定义为似然函数是合理的。随后，利用 EM 算法最大化似然函数，以估计所有刚性变换。最后，在几个基准数据集上对所提出的方法进行了测试，并与一些最先进的算法进行了比较。实验结果表明，它在多视点集配准的准确性、鲁棒性和效率方面具有超强的性能。

2）创新点

①该方法假设从相同数量的 GMM 中生成不同的数据点，这些 GMM 对所有高斯分量使用相等的协方差和相等的权重。给定一个数据点，每个其他点集中都存在一个 NN，可以将其视为相应 GMM 的一个质心来生成数据点本身。由于可以有效地搜索每个 GMM 的所有质心并以相等的协方差分配，因此该方法只需要估计所有刚性变换以及一个 GMM 的协方差。

3）算法结构

        所提出的方法假设不同的匹配良好的数据点是从不同的 GMM 生成的，所有这些数据点都由 （M − 1） 相等的分量组成。对于一个点集中的每个数据点，例如 v4，l ∈ V，一旦从点集中心坐标系旋转并平移到模型中心坐标系，就会在彼此匹配良好的点集中有一个最近的邻域点。这些最近邻表示用于生成数据点本身的特殊 GMM 的所有质心。即点集中每个数据点由其他数据中最近点构建的GMM确定。

A. PROBLEM FORMULATION

        文中对所有GMM分量使用相等的协方差和相等隶属度概率，在这个假设基础上，可以将数据点 vi，l 的联合概率表述如下：

其中 M’ = （M − 1），Ri ∈ R3×3 和 ti ∈ R3 分别表示第 i 个刚体变换的旋转矩阵和平移向量。为简单起见，为施加在数据点 vi，l 上的刚性变换 {Ri ， ti} 定义函数 φ（vi，l） = Ri*vi，l + ti。

        为了考虑噪声和异常值，必须在概率函数中添加额外的均匀分布：

其中 w 是表示异常值比率的参数，U（M） = 1/M 表示由多视图配准中涉及的点集数量参数化的均匀分布。如上述方程所示，概率函数包含多视图配准的所有刚性变换。因此，它需要估计这些模型参数，这可以通过最大化相应的似然函数来实现。

B. 基于EM框架的多视图匹配方法

        由于可以通过最大化似然函数来实现模型参数的估计，文中使用的是 EM 算法。因此，有必要定义一组隐藏变量，其中表示观测值 vi，l 来自高斯分布。给定所有点集V，模型参数可以通过最大期望整个数据对数似然函数来估计，如下所示：

        由于对所有 GMM 分量使用相等的成员概率，因此 P（Z; Θ） 表示常数项最后，ε（Θ|V， Z） 可以重新表述为：

        为简单起见，可以合理地假设所有数据点都是独立的并且分布相同。因此，上述方程可以直接改写为：

其中和 |Σ|表示矩阵 Σ 的行列式。为简单起见，将每个高斯分布限制为各向同性协方差，即，其中 I3 表示 3 × 3 单位矩阵。因此，上述方程可以重新表述为：

其中 d 表示点尺寸，例如 d = 3 表示范围点。

由于这些参数属于特殊正交 SO（3），因此应特别注意它们的估计。最后，多视图配准可以表述为约束优化问题：

        这个优化问题可以通过 EM 算法来解决，并通过在 E-step 中建立点对应来增强该算法。

B1. E-step

        在此步骤中，需要计算从相应 GMM 的每个分量生成的一个数据点 vi，l 的后验概率。在计算之前，它需要指定每个 GMM 的质心。

B1-1 E-Corresponding-step

        给定从上一次迭代中获得的参数集，很容易将所有点集转换为相同的坐标系。那么，对于第 i 个点集中的一个数据点 vi，l，需要在每个相对的点集中找到它对应的点：

        上述式子表示 NN 搜索问题，可以通过基于 k-d 树的方法有效解决。对于一个点集中的每个数据点，将从其他点集中搜索个对应的点，并将其视为 GMM 的质心以生成数据点本身。

B1-2 E-Probability-step

        给定质心和协方差 Σ，很容易计算由高斯分布生成的数据点 vi，l 的后验概率如下：

其中表示异常值项，符号 βi，l，j 表示高斯分布的概率密度，定义为：

        因此，表示 vi，l 为外点的后验概率。

B2. M-step

        给定 αi，l，j 和 c（j， l） 的当前值，此步骤需要通过最大化函数 f（Θ） 来估计所有变换。尽管需要对多个点集进行 M 刚性变换的估计，但可以针对每个点集独立进行估计。更具体地说，我们可以通过将其他刚性变换和标准差σ设置为其当前值来替代估计一个刚性变换。因此，第 i 个点集的刚性变换可以从 constrained 问题中估计出来：

        上述方程表示加权最小二乘法 （LS） 问题。由于参数 Ri 是一个特殊矩阵，因此可以使用基于奇异值分解 （SVD） 的方法来解决这个加权 LS 问题。

        为了便于分析，函数 J（Ri ， ti） 定义为：

将 J（Ri ti） 与相应的 ti 进行导数，很容易得到以下结果：

设 ∂J/∂ti = 0，平移向量估计为：

因此，函数 J（Ri ， ti） 可简化为：

其中：

        因此，旋转矩阵 Ri 是通过最小化函数 J（Ri） 来估计的，函数扩展如下：

        然后，利用奇异值分解方法进行旋转矩阵求解：

（1） 计算矩阵 H 及其奇异值分解 （SVD） 结果：

（2）估计旋转矩阵：

        基于获取的旋转矩阵，很容易得到平移向量 ti 的估计。在估计第 i 个刚性变换后，需要估计下一个刚性变换，直到 EMPMR 获得所需的多视图配准结果。最后，当所有刚性变换都已更新时，它需要更新 GMM 的协方差矩阵 Σ。取 f（Θ） 与 σ2 的导数，并将其设置为 0，Σ 可以更新为：

其中，

当协方差满足所设置的收敛条件时，则当前的变换矩阵则为多试图匹配结果。其算法伪代码可描述如下：

4）实验

上表为实验测试数据集。

上图为截面形式的多视图对准结果。（a） 对齐的 3D 模型。（b） 初步结果。（c） K-means 方法的结果。（d） MATrICP 方法的结果。（e） JRMPC 方法的结果。（f） EMPMR结果。

上表为受低高斯噪声 （SNR=50dB） 干扰的 6 个数据集的比较结果（平均值±标准），其中粗体数字表示最佳性能。

上表为受高斯噪声 （SNR=25dB） 干扰的 6 个数据集的比较结果（平均值±标准），其中粗体数字表示最佳性能。

六个数据集的平均运行时间比较。（a） 在 SNR=50dB 噪声下的结果，其中 [14.8358， 3.0061， 2.4601， 3.669， 3.7294， 11.9983] 分钟对应于每个数据集的 100% 运行时间。（b） 在 SNR=25dB 噪声下的结果，其中 [11.4680， 3.0056， 2.4868， 3.7176， 3.7298， 11.4713] 分钟对应于每个数据集的 100% 运行时间。

不同 w. （a） 旋转误差 EMPMR 的多视图配准误差。（b） 平移误差

        上图显示了 6 个数据集上具有不同 α 值的实验结果。可以观察到：1） w ∈ [0.0005， 0.05] 的设置更有可能获得多视图配准的准确结果。2） 只要在合适的范围内（即 0.0005 到 0.05）选择 w，EMPRM 的性能就会有很小的变化。总而言之，只要从合适的范围内选择 EMPRM 对其参数 w 相对不敏感。这使得 ap 变得容易

5）结论

        在期望最大化视角下，该文章提出了一种有效的多视图点集配准方法。在此方法中，假定每个数据点都是从一个 GMM 生成的，该 GMM 由其他相反点集中的所有 NN 指定。通过这种方式，所提出的方法可以在平等的基础上对待所有点集：不同的点是相同数量的 GMM 的实现，并且多视图配准被转换为最大似然估计问题。为了实现多视图配准，推导了基于 EM 的算法，以最大化似然函数并估计所有点集的刚性变换。实验结果表明，它在准确性、稳健性和效率方面优于最先进的方法。此外，这种方法可以应用于 3D 场景重建。