40 lines
1.5 KiB
Markdown
40 lines
1.5 KiB
Markdown
# scan context
|
||
|
||
# Scan Context: Egocentric Spatial Descriptor for Place Recognition within 3D Point Cloud Map
|
||
|
||
**2018 IROS Giseop Kim and Ayoung Kim**
|
||
|
||
## Background
|
||
|
||
- 回环检测（场景识别）=场景描述+搜索
|
||
- 3D点云缺乏色彩信息，纹理信息等，无法提取出传统的图像所特有的特征（ORB，SIFT等）
|
||
- 如果不对点云数据进行预处理的话，就只能进行几何匹配，消耗较高
|
||
|
||
## challenge
|
||
|
||
- 降维的形式，尽可能多的保留深度信息
|
||
- 描述符的编码
|
||
- 相似度打分
|
||
|
||
## Framework
|
||
|
||
|
||
|
||
## scan-context
|
||
|
||
|
||
将点云分为环形的一块一块，每一块的数值就是这一块点云海拔最高值。这样就实现了降维。
|
||
|
||
|
||
## Similarity Score between Scan Contexts
|
||
|
||
由于雷达视角的不同，即当雷达在同一地点纯转动了一定角度之后，列向量向量值不变，但是会出现偏移；行向量的行为是向量中元素的顺序会发生改变，但是行向量不会发生偏移。采用列向比较。
|
||
|
||
|
||
## Two-phase Search Algorithm
|
||
|
||
- 利用ring key 构造KD—Tree后最近邻检索
|
||
|
||
- 相似度评分
|
||
|
||
- 找到闭环对应帧后使用ICP |