三维对应分组算法性能比较

本文通过对比常用的三维对应分组算法在模型创建、植物识别和植物部分识别等方面的重要作用，对其性能进行了评价，植物表型资讯介绍如下：

植物物候学可以用来监测植物的生长发育和健康状况。立体重建、图像检索、对象跟踪和对象识别等计算机视觉应用在基于图像的植物表型分析中发挥着重要作用。本文通过对比常用的三维对应分组算法在模型创建、植物识别和植物部分识别等方面的重要作用，对其性能进行了评价。另外，本文将2D最大似然匹配扩展到3D最大似然估计样本共识（MLEASAC）。结果发现，与3D随机样本共识（RANSAC）相比，MLESAC高效且计算强度较小。最后，在植物3D点云上对这些算法进行了测试，给出了形状检索和点云配准两种标准基准，并根据精确度和召回率来评估其性能。

3D对应分组算法的性能比较

每个数据集的样本模型（右）和场景（左）的可视化（快照）

根据U3M数据集的精确度和召回率，评估了CG算法的性能

可视化三个数据集的评估CG算法

来源：

Azimi S and Gandhi T K.. PERFORMANCE COMPARISON OF 3D CORRESPONDENCE GROUPING ALGORITHM FOR 3D PLANT POINT CLOUDS. arXiv:1909.00866.