文章：SSC: Semantic Scan Context for Large-Scale Place Recognition

作者：Lin Li1 , Xin Kong1 , Xiangrui Zhao1 , Tianxin Huang1 and Yong Liu1

編譯：點云PCL

本文僅做學術分享，如有侵權，請聯系刪除。歡迎各位加入免費知識星球，獲取PDF論文，歡迎轉發朋友圈。內容如有錯誤歡迎評論留言，未經允許請勿轉載！

公眾號致力于分享點云處理，SLAM，三維視覺，高精地圖相關的文章與技術，歡迎各位加入我們，一起每交流一起進步,有興趣的可聯系微信：920177957。本文來自點云PCL博主的分享，未經作者允許請勿轉載，歡迎各位同學積極分享和交流。

摘要

位置識別使SLAM系統具有糾正累積錯誤的能力，與包含豐富紋理特征的圖像不同，點云幾乎是純幾何信息，這使得基于點云的位置識別具有挑戰性。現有的作品通常將坐標、法線、反射強度等低層特征編碼為局部或全局的描述子來表示場景，此外，在匹配描述子時，往往忽略了點云之間的轉換，與現有的大多數方法不同，本文探索了使用高級特征（即語義信息）來提高描述子的表示能力，另外，在匹配描述子時，我們嘗試校正點云之間的平移以提高精度，具體地說，本文提出了一個新的全局描述子，點云語義上下文信息，它可以更有效地挖掘語義信息來表示場景，本文還提出了一種兩步全局語義ICP算法來獲得三維姿態（x，y，yaw），用于點云的對齊以提高匹配性能，我們在KITTI數據集上的實驗表明，我們的方法比現有的方法有很大的優勢。

代碼開源：https://github.com/lilin-hitcrt/SSC.

圖1：使用點云語義上下文的位置識別的示例，這是KITTI數據集08的局部建圖實例，其中第720幀和1500幀形成回環，圖的下半部分是兩幀對應的點云語義上下文，由于它們的方向是相反的，因此描述子是完全不同的。

介紹

本文提出了一種新的全局描述子-點云語義掃描上下文（SSC），它利用語義信息來增強描述子的表達能力，我們還提出了一種兩步全局語義ICP算法，該算法可以在不考慮姿態初始化的情況下產生魯棒的結果，從而獲得點云的三維姿態（x，y，yaw），然后利用姿態來對齊點云，以減少旋轉和平移對描述子相似性的影響。此外，它還可以為六自由度icp算法提供良好的初始值，進一步優化全局姿態，圖1展示了我們的結果。主要貢獻總結如下：

?提出了一種新的基于激光雷達的位置識別全局描述子，利用語義信息對三維場景進行有效編碼。

?提出了一種不需要任何初始值的兩步全局語義ICP來獲取點云的三維姿態（x，y，yaw）。

?將點云與獲得的三維姿態對齊，以消除旋轉和平移誤差對描述子相似性的影響，這將作為較好的初始位姿進一步優化SLAM系統。

?在KITTI數據集上的詳盡實驗表明，我們的方法實現了最先進的位置識別和姿態估計性能。

主要內容

在本節中，將介紹我們的基于點云語義上下文信息的方法，與其他基于掃描上下文的方法使用不完全語義信息和忽略點云之間的小平移不同，我們探索了充分利用點云之間的語義信息，強調點云對之間的小平移對識別的準確性有重要影響。

圖2 方法流程，它主要由兩部分組成：兩步全局語義ICP和點云語義上下文信息

A.全局語義信息ICP

眾所周知，基于局部迭代優化的通用ICP算法易受局部極小值的影響，對于位置識別，通常無法得到一個有效的初始值，這導致了常規ICP算法的失效，為了解決這個問題，我們提出了由快速偏航角計算和快速語義ICP組成的兩步全局語義ICP算法，由于使用了語義信息，我們的算法不需要任何初始值就可以得到滿意的結果。

所謂的快速計算偏航角方法就是基于點云語義上下文信息的方法，其描述子的列表示偏航角，激光雷達在水平面上的純旋轉將導致其描述子的列移動，點云上下文和強度掃描上下文同時得到相似度和偏航角，具體地說，它們使用所有可能的列位移描述子計算相似度（或距離），并找到最大相似度（或最小距離），然而，有兩個主要缺點。首先，用移位的方法比較整個二維描述子是低效的，其次，他們仍然試圖從不同的地方獲得點云的最大分數（而不是回環），這顯然使它更容易出現假陽性。針對上述問題，本文提出了基于語義的快速偏航角計算方法。與點云上下文和點云強度上下文方法相比，該方法只需要比較一維向量，因此，它的效率更高。此外，該方法不需要通過最大化得分來獲得角度，這有助于識別非閉合點云對。圖3顯示了快速偏航角計算的結果。

? ? 圖3：兩步全局語義ICP的圖示

快速語義ICP。雖然大多數的研究忽略了點云之間的平移，但是忽略平移會導致我們的實驗結果顯著下降。實際上，對于基于掃描點云上下文的方法，轉換將同時影響描述子的行和列，單靠列移位描述子是不能得到最佳結果的，因此，提出了一種快速的語義ICP算法來校正點云之間的轉換。

B?點云語義上下文

掃描點云上下文和強度掃描上下文分別使用點的高度和反射強度作為特征，他們的方法基本上利用了場景中不同對象的不同特征，然而，高度和反射強度只是物體的低層次特征，不夠具有代表性，我們嘗試利用高層語義特征來表示場景，并提出了點云語義上下文描述子。

圖4：生成SSC的示例。ρ和θ分別表示極徑和極角。扇區對應于描述子的列，而環對應于描述子的行。

實驗

我們在64環激光雷達的KITTI里程數據集上進行實驗，該數據集包含11個具有地面真值姿態的序列。選擇環閉合序列（00,02,05,06,07,08）進行評估，并注意到序列08具有反向環，而其他序列則在同一方向。

如圖5和表4所示， 我們的SK方法在所有序列的所有指標上都優于其他方法，特別是在序列08中，只有反向回環，其他方法的性能顯著下降，而我們的方法仍然表現良好。這表明我們的方法對視角變化具有魯棒性。

在本實驗中，我們改變α的值來分析負樣本數對算法的影響，圖6顯示了不同α對應的平均F1最大分數和平均擴展精度，這清楚地表明，無論采用多少α，我們的方法都比其他方法有更好的性能，隨著α的增加，所有方法的性能都逐漸下降，但我們的方法受影響較小，表明我們的方法能夠有效地識別陰性樣本。

表II顯示KITTI數據集上的相對偏航誤差。我們可以看到，我們的方法在平均相對偏航誤差方面優于其他方法。特別是在具有挑戰性的序列08中，由于受到反循環的影響，大多數方法的性能較差，而我們的方法仍然能夠準確地估計偏航角。這再次表明我們的方法可以很好地處理反向回環。

圖7顯示了我們的方法在KITTI數據集上的相對平移誤差，如圖所示，我們的方法可以估計準確的相對平移，這是目前我們所知的其他方法無法做到的，因此，我們的快速偏航角計算和快速語義ICP方法可以提供準確的三維姿態估計，這為ICP算法獲得6D姿態或直接作為SLAM系統的全局約束提供了良好的初始值。

為了評估效率，我們將α設置為1，并將我們的方法的平均時間代價08數據集上的掃描點云上下文和強度掃描上下文進行比較。如表四，由于我們使用得到的三維姿態來提前對齊點云，在匹配階段不需要移動描述子列，因此我們的檢索速度非常快，兩步全局語義ICP平均只需要2.126毫秒。

總結

本文提出了一種新的基于語義的位置識別全局描述子，提出了一種兩步全局語義ICP算法來獲取點云對的3D姿態（x，y，yaw），通過對齊點云來提高描述子匹配精度，此外，該方法可以為點云配準提供良好的初始值，與最先進的方法相比，我們在KITTI里程計數據集上取得了領先的性能。

如果你對本文感興趣，請后臺發送“知識星球”獲取二維碼，務必按照“姓名+學校/公司+研究方向”備注加入免費知識星球，免費下載pdf文檔，和更多熱愛分享的小伙伴一起交流吧！

以上內容如有錯誤請留言評論，歡迎指正交流。如有侵權，請聯系刪除

掃描二維碼

? ? ? ? ? ? ? ? ? ?關注我們

讓我們一起分享一起學習吧！期待有想法，樂于分享的小伙伴加入免費星球注入愛分享的新鮮活力。分享的主題包含但不限于三維視覺，點云，高精地圖，自動駕駛，以及機器人等相關的領域。

分享及合作方式：微信“920177957”（需要按要求備注） 聯系郵箱：dianyunpcl@163.com，歡迎企業來聯系公眾號展開合作。

點一下“在看”你會更好看耶

總結

以上是生活随笔為你收集整理的SSC：基于点云语义上下文的大规模激光SLAM的位置识别方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。