标题:AdaLAM: Revisiting Handcrafted Outlier Detection
作者: L. Cavalli , V. Larsson, M.R. Oswald , T.Sattler , M. Pollefeys
机构: ETH Zurich & Chalmers University of Technology
来源:CVPR 2020,在公众号「3D视觉工坊」,后台回复「AdaLAM」,即可直接下载论文。
今天介绍的AdaLAM的全称是Adaptive Locally Affine Matching(自适应局部仿射匹配),提出了一种高效快速外点滤除算法。
原有技术问题
在图像匹配任务中初始匹配中外点较多,目前难以高效快速地滤除外点。
新技术创新点
基于目前已有的外点滤除算法(spatial matching),提出了现有的鲁棒快速的图像一致性空域验证算法;本框架基于一种几何假设(局部仿射),场景实用性较强;经实验验证,该算法目前达到了SOTA(很自信啊)。
新技术主要框架以及关键技术点
总共分四步:
接下来重点介绍后3点。
将ratio-test得到的最优次优比作为左图上匹配点的匹配置信度,选择那些在半径 内匹配置信度最大的点作为种子点。由于每个匹配点都是独立的,此时可用GPU对该过程进行并行加速。
接下来要寻找一些可以支持种子匹配的匹配对。
令 ,其中 分别表示两张图上的第 个种子匹配对,它们之间符合「相似变换」(即旋转+缩放,其中旋转 , 缩放为 )。那么对于任意匹配 ,其中 表示描述子,如果上述匹配满足如下约束关系,就能够被纳入到「支持种子点的匹配集合」 中,该约束关系为:
上式中 表示两个匹配点之间的角度与尺度差异; 与 分别表示图像 与 的种子点扩散半径; 表示邻域圈圈的覆盖程度的正则项。
上面的第一个式子表示:初始匹配中与种子点相对位置差不多且在半径在 的匹配会加入到 ;第二个式子告诉我们:上面加入的这些匹配对需要满足角度以及尺度一致性才能够被加入,否则免谈。上面的两个条件需要同时满足才能得到 。
我们假设匹配对之间符合「局部仿射变换」,即上述的每个 都满足该假设,那么接下来可利用该假设去滤除一些错误的匹配对:使用RANSAC的思想找到最小解集去拟合仿射矩阵,然后滤除置信度低的匹配对。
由于仅「使用2对匹配点就可以得到仿射矩阵」,那么即使对每个圈圈求仿射也并不耗时。对于第 次迭代,我们可以得到匹配关系 ,对于集合 ,我们可以从中随机选择一对匹配 ,进而得到二者之间的仿射矩阵 ,然后我们就可以得到「匹配关系对两个匹配对产生的残差」,如下式:
然后作者参考文献[3],设计了置信度 (不展开讲),当置信度大于某个阈值,表示该模型对该匹配关系拟合的较好,视该匹配被视为内点;否则为外点。
注意每次迭代需要更新上述残差/置信度以及内点,后一次利用前一次得到的内点去拟合新的仿射矩阵,然后做校验,直至达到最大迭代次数,最后输出内点。
实验
看到没,竟然超过了效果极好的「GMS」。
实时性:在RTX2080Ti平台下处理4000~8000个点耗时15~25ms。
借鉴意义
本文提出了一种高效快速的外点滤除算法,可加入到任何特征匹配算法中,预期能够提高位姿解算的精度。但上述实验结果中对GPU的要求较高,目前不清楚在低配版GPU或者在CPU平台下的表现。
附录
1. Paper: arxiv.org/pdf/2006.04250
2. Code: github.com/cavalli1234/AdaLAM
3. A probabilistic criterion to detect rigid point matches between two images and estimate the fundamental matrix. IJCV 2004.
本文仅做学术分享,如有侵权,请联系删文。