科研成果 首页 > 科学研究 > 科研成果 > 正文
闫利教授课题组在人工智能领域顶尖期刊 IEEE Transactions on Pattern Analysis and Machine Intelligence(IEEE TPAMI)发表科研成果 时间:2022-12-12

近日,国际人工智能领域顶尖期刊IEEE Transactions on Pattern Analysis and Machine Intelligence(TPAMI,模式分析与机器智能IEEE汇刊)发表了闫利教授研究团队的最新研究成果: “A New Outlier Removal Strategy Based on Reliability of Correspondence Graph for Fast Point Cloud Registration”,闫利教授为该论文的第一作者,2020级博士生韦朋成和谢洪副教授为通讯作者,参与本研究的还有课题组博士生戴集成和硕士生吴豪。TPAMI是人工智能、模式识别、图像处理和计算机视觉领域公认最顶级国际期刊,影响因子高达24.314,是目前影响因子最高的CCF A类期刊。本项研究得到了国家重点研发计划(2020YFD1100200)以及湖北省重大科技项目(Grant No. 42171416)等资助。

论文简介:

三维激光扫描技术能够为实景测量与重建提供高精度、大范围的点云数据。然而单一来源的点云不够完整、不够精细,因此使用点云配准技术将点云统一到同一坐标系下成为点云处理中一项基本且关键的任务。在特征级点云配准方法中,通过特征匹配获取的同名点中往往包含极高的误匹配(粗差)率,目前的粗差剔除算法在效率、精确度和召回率上仍存在不足。

论文用一种简单直观的方法描述了点云配准问题中的6自由度缩减过程。并提出一种基于图可靠性的误匹配剔除方法。首先根据特征匹配获取的同名点集构建匹配图(Correspondence Graph),提出了匹配图同名节点可靠性的概念并用图的邻接矩阵来度量,根据节点可靠度对同名点排序选择可靠的同名点作为最优候选子集;同样的使用边-节点的亲和矩阵来度量在相同约束函数下匹配图同名边的可靠度,通过设计宽松约束函数来加速紧致约束函数计算同名边可靠度并获取全局最大内点集,其中通过紧致约束函数实现了逐点对齐的6自由度配准参数估计。

图1 基于逐点对齐的6自由度缩减原理

论文提出的方法实现了快速的误匹配剔除和准确的配准参数估计。大量模拟实验和具有挑战性的真实数据实验表明,该方法在同名点误匹配率高于99%的情况下仍能有效的实现点云配准,且效率优于目前最先进的方法。论文还与基于深度学习的方法进行了对比,结果表明所提出的方法实现了相当甚至更好的误匹配剔除和配准表现。此外,由于论文方法不需要额外的特定训练过程和昂贵的GPU内存,它可以在低成本的设备上高效鲁棒的运行。

图2 定量评价

图3 真实数据集配准结果


论文连接:https://ieeexplore.ieee.org/document/9969937

代码连接:https://github.com/WPC-WHU/GROR

闫利教授团队近年来始终专注于智能自主测绘领域的前沿基础理论研究和面向国家重大需求的应用研究,在移动自主测量机器人、自然资源精细化调查监测、空地多源融合重建与信息提取等方面承担国家重点研发课题、国家自然科学基金等国家与省部级项目20余项,研究成果已发表在IEEE TPAMI、ISPRS、IEEE TIE等国际顶级期刊以及测绘学报、武大学报、遥感学报等国内权威期刊。


文字、图片:课题组

审核:闫利