Une approche pour une

initialisation ICP robuste

Présenté par :

Raja Ben Bey

Mastère de recherche Data Science

Plan
Contexte

Problématique et Etat de l’art

approche proposée
Algorithme principale

EXPÉRIENCES NUMÉRIQUES

conclusion
1
Détail de l’article:
• Publiée dans IEEE (Transactions on Pattern Analysis and Machine Intelligence) en
octobre 2023

• Date de publication : 19 juin 2023

• 1 Citation /340 Vues

• Auteurs :
-Alexandre Kolpakov -Michael Werman

2
 Contexte:
L'enregistrement d'un ensemble de points implique l'alignement de deux nuages de points à
l'aide d'une transformation rigide

Cela a diverses applications telles que la fusion de données, le mappage de mesures sur des
ensembles de données connus, ou la recherche d'objets similaires dans une base de données.

Les données 3D proviennent souvent:

, caméras stéréo LiDAR

tandis que les ensembles de points 2D sont extraits des caractéristiques d'images.
 ICP(Iterative Closest Point)
Algorithme de recalage de type rigide utilisé dans le domaine de la vision par ordinateur et de la robotique
pour aligner deux ensembles de points dans l'espace tridimensionnel.

but est de trouver une transformation (translation et rotation) qui minimise la distance entre les points
correspondants des deux ensembles, souvent appelés le nuage de points source et le nuage de points
cible.

4
 Problématique:
• L'algorithme ICP consiste à trouver une correspondance
partielle entre les ensembles de points, estimer la
transformation, et transformer les points sources de
manière itérative.
• En raison de sa nature non convexe.

ICP fournit une solution précise lorsque les ensembles de points sont initialement
proches
5
 L'état de l'art
• Pour initialiser l’algorithme d’ICP plusieurs articles ont proposé
des méthodes basées sur l'optimisation et l'apprentissage profond ...

• Certains articles proposent l'utilisation d'informations locales pour

améliorer la correspondance

6
 Approche proposée:
L'article présente une approche robuste pour préenregistrer des ensembles de
points avant d'appliquer l'algorithme ICP.

Cette méthode repose sur la mise en correspondance d'ellipsoïdes définis par le

matrices de covariance des points et sur le test des correspondances des demi-
axes principaux.

7
 ALGORITHME PRINCIPAL
• Représentation des points : matrice d × n

• Barycentre et Translation :
Les points sont ensuite centrés autour de l'origine

• Inertie Ellipsoïde :
connu sous le nom de matrice de covariance

• Diagonalisation Orthogonale :
Une observation est faite sur la diagonalisation démontrant qu'il existe un
nombre fini de façons de le faire 8
• Groupe de Réflexions : Un groupe, Ref(d), est introduit, généré par des
réflexions par rapport aux hyperplans coordonnés.

• Transformations Distance-Préservante : la relation entre deux nuages de

points sous une transformation orthogonale suivie d'une translation.

• Algorithme d'Initialisation d'Ellipsoïde (E-Init) : Un algorithme

d'initialisation pour l'ICP utilisant la diagonalisation de l'ellipsoïde pour
l'alignement initial des nuages de points.

• Application de l'ICP : Après E-Init, exécutez ICP sur P et Q.

9
 La robustesse de l'algorithme face au bruit
A. Bruit multiplicatif :
• une perturbation dans les données qui dépend de la taille des ensembles de
points, il est expliqué que cette perturbation peut être illustrée par des
"erreurs de mesure relatives..

• Une analyse montre que l'ellipsoïde moyen EQ' ne s'éloigne pas trop de
l'ellipsoïde idéal EQ si le bruit relatif est suffisamment petit.
10
B. Bruit additif :

• Le bruit additif est également pris en compte, similaire au bruit de fond

dans la communication.

• EN utilise la norme de Frobenius pour mesurer la différence entre

l'ellipsoïde bruité EQ' et l'ellipsoïde idéal EQ.

11
démontre que l'algorithme est robuste au bruit, avec des estimations de
probabilité pour la proximité des ellipsoïdes et des transformations
orthogonales malgré la présence de bruit.

12
 DISPARITÉ DU NOMBRE DE POINTS

EP ′ = EP + EΔP EQ′ = EQ + EΔQ

En démontrant mathématiquement, l’article montre que sous certaines conditions,
la disparité de points entre P' et P, ainsi que Q' et Q, n'impacte pas la qualité de
l'initialisation de l'algorithme ICP

démontre une certaine robustesse face à la disparité du nombre de points

entre les nuages de points, permettant une récupération fiable des
transformations et des correspondances
EXPÉRIENCES NUMÉRIQUES

14
 Comparaison avec ICP sans initialisation

UN RÉSULTAT TYPIQUE D'ICP APPLIQUÉ AU NUAGE SANS INITIALISATION

A TYPICAL RESULT ICP AVEC E–INIT 15

BRUIT ADDITIF

19
IMAGES MASQUÉES

19
SUPERPOSITION D'ERREURS

20
 Enregistrement de plusieurs numérisations

la comparaison de deux images numérisées d'une même sculpture avant et

après restauration.

L'algorithme E–Init
l'ICP seul, 21
 Comparaison avec d'autres algorithmes
• GO–ICP est utilisé comme référence dans l'étude, car il offre une stratégie
de recherche globale .
• Dans les expériences avec 10 tests, un bruit multiplicatif N(1,σ) avec
σ=0,1 .

Les résultats montrent un temps de calcul beaucoup plus long pour GO–ICP par rapport à E
init
 Résultat
- L'article propose une approche pour initialiser l'algorithme ICP.
- La méthode est basée sur des ellipsoïdes correspondants définis par des
matrices de covariance.
- L'approche est robuste au bruit selon les limites théoriques.
- Les expériences numériques confirment les résultats théoriques.

23
 critiqué l’article
-ICP lorsque en perdre la depandance il perde sa fonctionnalité et sa
perfermance
• Il y a un obstacle potentiel dans la récupération des transformations originales
(O et S) même dans des conditions idéales. Cet obstacle est lié à la présence
de symétries dans le nuage de points
• . Les symétries peuvent conduire à plusieurs solutions équivalentes pour les
transformation, ce qui pose un défi dans la récupération des transformations
d'origine.
• l'algorithme suppose que les nuages de points P et Q n'ont pas de symétries,
ce qui peut être réalisé par une légère perturbation des données.
24
 Conclusion
- L'algorithme ICP consiste à trouver une correspondance partielle entre les
ensembles de points, estimer la transformation, et transformer les points source
de manière itérative. En raison de sa nature non convexe, ICP fournit une
solution précise lorsque les ensembles de points sont initialement proches.
-Approche proposée pour initialiser l'algorithme ICP pour faire correspondre le
nuages de points basée sur des ellipsoïdes correspondants définis par des
matrices de covariance de points
- Limites de robustesse au bruit dérivées et confirmées par des expériences

25