点云配准笔记

效果图：

这篇文章提出了第一个快速且可证明的算法，用于存在大量外点对应的情况下两组3D点的配准。

可证明的算法尝试求解一个困难优化问题(比如带外点的鲁棒估计)，提供相对容易的检测条件验证返回的解是否最优(比如，如果算法在外点存在情况下产生最精确的估计)或者界限解的次优性或精确性。

为了达到这个目的，我们首先使用截断最小二乘(TLS)代价函数将配准问题重新建模，使得估计对大量假对应点不敏感。

然后，我们提供一个通用的图理论框架将尺度、旋转和平移估计解耦，这样就可以级联地求解三个变换。

尽管每一个子问题仍然是非凸和组合的，但我们证明了：

(i) 通过一个adaptive voting机制可以在多项式时间内求解TLS尺度和分量形式平移估计。

(ii) TLS旋转估计可以被松弛为一个半定规划问题(SDP)，同时这个松弛是紧的，甚至是在极端外点率的情况下都可以被松弛。

(iii) 图理论框架通过寻找最大派系允许外点的显著修剪。

我们称结果算法为TEASER(截断最小二乘估计和半定松弛)。虽然求解大规模的SDP松弛通常是比较慢的，但我们开发了第二个快速的且可证明的算法，叫做TEASR++

文章来源: blog.csdn.net，作者：网奇，版权归原作者所有，如需转载，请联系作者。

原文链接：blog.csdn.net/jacke121/article/details/118534252