【论文笔记】SegMatch: Segment Based Place Recognition in 3D Point Clouds

【论文笔记】SegMatch: Segment Based Place Recognition in 3D Point Clouds

3D 数据中的位置识别是一项极具挑战性的任务，在计算机视觉领域通常通过调整基于图像的方法来实现这一目标。其中基于局部特征的方法显示出模糊性和适应环境变化的能力；而基于全局特征的方法则显示出受视点影响的特点。为此我们提出了一种名为SegMatch的新算法——一种基于段的匹配方法——用于解决这一问题。该算法通过在局部与全局描述之间取得平衡并综合考虑各自的优势从而降低了各自的缺点。值得注意的是我们的方法并未假设场景必须完美分割也无需预先存在的物体这一前提条件因此能够在大规模非结构化环境中稳定运行。具体而言我们对KITTI里程计数据集的最大连续序列进行了定量分析表明我们的算法可以在1Hz频率下实现精确定位这一性能表现超越现有技术并显著提升了定位精度与鲁棒性水平的基础上还实现了在线操作期间实时可靠的循环检测与闭合策略的有效结合以提升系统的整体性能表现。

Segmatch算法

在本节中，我们将详细阐述我们在3D点云中进行地点识别的方法。该系统架构如图2所示, 由四个主要组件构成: 点云分割、特征提取、段匹配和几何验证。基于模块化的设计理念, 我们将整个系统划分为独立的功能块进行优化与实现。针对每个功能块, 我们提供了一个典型实施方案, 并在此基础上进行了多方面的测试与验证, 最终实现了良好的识别效果和较高的准确率。

分割

SegMatch的第一构建模块将三维空间中的点云分割为多个独立元素以实现匹配过程。对于在全局坐标系中提供的输入点云P，在当前机器人位置为中心的圆柱邻域（半径为R）内提取局部区域内的点云数据，并通过体素化网格对生成的源云进行滤波处理以去除体素中无法证明存在障碍物的噪声干扰数据。经过滤波后的源云被进一步分割为多个离散的点簇集合Ci（引用文献[22]中的"Cluster-All"算法）。在完成此划分前需先去除地平面干扰项：通过基于垂直方向上的均值与方差对相邻体素进行聚类处理来实现这一目标（引用文献[22]）。随后使用欧几里得空间中的聚类算法对这些分离出的地平面外区域进行连续段落化处理：对于每个独立的点簇Ci，在其中计算其质心ci作为该集合所有样本坐标的平均值向量表示

特征提取

在完成点云数据的分割后，在每个分割段落中我们都会提取相应的特征信息。这些特征提取步骤旨在通过压缩原始数据来生成适合识别和分类的段签名。由于3D数据缺乏明确的标准描述符，在这种情况下我们采用了多种不同的描述符进行计算。对于一个给定的簇Ci来说，在这里我们首先计算出对应的描述符fi = fi1 fi2 ... fim。尽管如此，该特征向量主要包含有限数量的关键指标。具体而言，在f1这一指标中我们通过计算所有线段点云之间的距离来生成一个1×7长度的特征向量。而在f2这一指标中，则是基于一种形状直方图集合来进行分析：该特征由10个独立于彼此的不同形状函数组成（如D2、D3、A3等），其中D2是基于随机选择点对的距离分布统计而得,D3则基于随机选择点三元组所围区域的信息统计,A3则是用来表征从这些三元组获得的角度变化情况等详细信息）。

段匹配

为了实现源云与目标云段之间的匹配识别功能, 我们采用了随机森林算法来进行分类判断. 在这一过程中, 由于通常难以选择合适的距离度量和阈值, 尤其是在涉及多种特征类型时, 我们选择了该方法以提高分类效率. 具体来说, 分类器将通过以下步骤完成任务: 首先利用训练数据集中的引导子集以及随机选取的部分特征信息建立决策树模型; 然后将这些决策树集成在一起形成随机森林分类器, 并根据测试样本预测结果来确定最终类别标签. 这种基于集成学习的方法能够有效提升分类性能的同时, 也能较好地抑制噪声干扰的影响. 在实际应用中, 为了提高算法的时间效率, 我们采用了k-d树搜索策略来进行候选匹配项的快速检索. 最后, 通过计算特征向量之间的绝对差值Δf1 = fi1 − fj1 并结合随机森林预测结果w来确定最终配对列表.

几何验证

通过随机样本一致性机制（引用文献[25]）将候选匹配数据输入至几何验证测试框架中。随后采用分段质心坐标进行变换评估。最后，在满足最小分割标准的前提下接收具有几何一致性的连续段簇，并由此生成6自由度（6DOF）变换矩阵及地点识别候选者对应的匹配片段列表。