2021最新关于点云配准的全面综述

目录

基本情况

摘要

介绍

本文的贡献

点云配准的挑战

A 同源点云配准

B 跨源点云配准

点云配准方法的分类

A 基于优化的配准方法

B 特征学习的配准方法

C 基于端到端学习的方法

D 跨源点云配准方法

点云配准方法概述介绍

A 基于优化的配准方法

B 特征学习配准方法

C 基于端到端学习的配准

D 跨源点云配准

基于优化的方法与深度学习之间的联系

应用

A、 建筑信息模型（building information modeling，简称BIM）

B、 在矿区的开采空间

C、三维传感器在自主驾驶中

总结

基本情况

标题：A comprehensive survey on point cloud registration

作者：Xiaoshui Huang[1], Guofeng Mei[2], Jian Zhang[2], Rana Abbas[1]

编译：点云PCL

来源：arXiv 2021

摘要

点云配准是点云之间的变换估计问题，从优化的角度来看，它经历了很长的发展历史。最近，深度学习的成功极大地提高了配准的鲁棒性和效率。本综述试图对基于优化的学习方法与深度学习方法进行全面的回顾，并建立两者之间的联系，以提供进一步的研究启示。此外，随着三维传感器和三维重建技术的发展，一个新的研究方向也应运而生。本文回顾了跨源点云配准的发展，并建立了一个新的基准来评价现有的配准算法。此外，本调查总结了基准数据集，并讨论了跨不同领域的点云配准的应用。最后，本文提出了这一快速发展领域的潜在研究方向。

介绍

随着LiDAR、Kinect等高精度传感器的快速发展，点云已成为表征三维世界的主要数据格式。由于传感器只能在有限的视野范围内扫描获取数据，因此需要采用配准算法生成完整的三维场景。点云配准是一种估计两帧扫描点云之间变换矩阵的问题。根据变换矩阵，我们可以将同一个三维场景或物体的部分扫描点云合并成一个完整的三维点云。

点云配准的价值在于它在众多计算机视觉应用中的独特而关键的作用。

首先，三维重建。生成完整的三维场景是各种计算机视觉应用的基础和重要技术，包括自动驾驶中的高精度三维地图重建、机器人技术中的三维环境重建和实时监控地下采矿的三维重建。例如，点云配准可以为机器人应用中的路线规划和决策构建三维环境。另一个例子是在地下采矿空间进行大型三维场景重建，以准确监控采矿安全。

第二，三维定位。在三维环境中定位移动智能设备的位置对于机器人技术尤为重要。例如，无人驾驶汽车估计其在地图上的位置（例如