클러터 환경에서 객체 검출을 위한 Bingham Procrustean 정렬

본 논문은 복잡한 클러터가 존재하는 RGB‑D 이미지에서 사전 정의된 강체 객체를 검출하기 위한 새로운 정렬 방법인 Bingham Procrustean Alignment(BPA)를 제안한다. 기존의 정렬 기법은 주로 위치 오차를 최소화하는 ICP나 Horn’s method에 의존하며, 방향 정보(법선, 주곡률 등)는 매칭 단계에서만 활용되고 정렬 단계에서는 무시되는 한계가 있다. 이러한 문제를 해결하고자 저자들은 점 대응이 주어졌을 때 회전 변수 q(단위 사원수)의 사후분포가 Bingham 분포임을 수학적으로 증명한다. 먼저, 두 점 xᵢ와 yᵢ 사이 거리 제곱 오차를 코사인 법칙을 이용해 d² = a² + b² – 2ab cos θ 로 변형한다. 여기서 a와 b는 각각 변환된 xᵢ와 yᵢ의 길이이며, θ는 두 벡터 사이 각도이다. 가우시안 잡음 가정하에 거리 오차에 대한 likelihood는 exp(–ab cos θ /σ²) 형태가 되며, 이는 von Mises 분포와 동일한 형태임을 확인한다. 다음으로 회전 q를 두 사원수 s와 r의 곱(q = r ∘ s)으로 분해한다. s는 xᵢ를 yᵢ 축으로 회전시키는 고정 변환이며, r은 그 이후 회전 각을 조절한다. r의 성분 r₃, r₄와 θ 사이 관계인 cos θ = 1 – 2r₃² – 2r₄² 를 이용하면, 위의 likelihood를 r에 대한 Bingham 밀도 exp(λ₁(r·w₁)² + λ₂(r·w₂)²)와 동일하게 표현할 수 있다. 여기서 λ₁ = λ₂ = –2ab/σ², λ₃ = 0이며, w₁, w₂는 고정된 기준 축을 나타내는 사원수 행렬이다. 따라서 회전 q에 대한 사후분포는 Bingham(Λ, V) 형태가 된다. 이 결과를 바탕으로, 추가적인 방향 측정(표면 법선, 주곡률 방향 등)도 각각 Bingham 분포로 모델링한다. 베이지안 관점에서 전체 사후분포는 p(q | t, X, Y, Oₓ, O_y) ∝ p(X, Y | q, t)·p(Oₓ, O_y | q, t)·p(q | t) 로 표현되며, 모든 항이 Bingham 형태이므로 최종 사후분포 역시 Bingham이 된다. 알고리즘적 구현은 BPA라는 이름으로 제시된다. BPA는 다음 절차를 반복한다. 1. 현재 점 대응 집합을 이용해 위치 t의 가우시안 제안분포(중심은 두 점 집합의 무게중심 정렬)에서 샘플링한다. 2. 해당 t에 대해 위에서 유도한 Bingham 회전 사후분포에서 q를 샘플링한다. 3. 각 (t, q) 샘플에 대해 실제 관측 likelihood와 제안분포 비율을 가중치로 부여한다. 이 과정을 통해 정렬에 대한 전역적인 불확실성 분포를 얻으며, 기존 ICP가 매 반복마다 최적값만을 제공하는 것과 달리 다중 가설을 탐색한다. 또한, 샘플링된 회전‑위치 조합을 이용해 새로운 점 대응을 재계산하고, 다시 BPA를 적용함으로써 점진적인 정렬 개선이 가능하다. 시스템 구축 단계에서는 각 객체에 대해 3‑D 모델을 생성한다. 객체를 서보 제어 회전대에 올려 10° 간격으로 60~90장의 RGB‑D 이미지를 촬영하고, RANSAC을 통해 회전대 평면을 검출해 배경을 분리한다. 이후 동일 자세에서 촬영된 스캔들을 2‑D 평면 위치 최적화와 6‑DOF 정렬을 통해 하나의 전역 좌표계에 합친다. 모델 포인트 클라우드에 대해 표면 법선, 주곡률, FPFH 특징을 추출하고, 주곡률 비율을 이용해 Bingham 형태의 방향 불확실성을 추정한다. 또한, 각 격자 셀에 대해 점‑거리 변환과 점‑밀도 변환을 계산하고, 66개의 뷰 각도에 대해 깊이 불연속(에지) 위치를 추정한다. 이러한 뷰‑종속 에지 거리와 표면 각도 정보를 이용해 깊이·법선 측정 오차를 시그모이드 형태로 모델링함으로써, 뷰포인트에 따라 다른 잡음 수준을 반영한다. 실험은 두 데이터셋에서 수행되었다. 첫 번째는 기존 Kinect 데이터셋(상대적으로 적은 클러터와 제한된 포즈 변동)이며, 두 번째는 저자들이 새로 만든 고클러터·다변량 포즈 데이터셋이다. 두 경우 모두 BPA 기반 검출이 기존 ICP‑기반 방법, RANSAC‑기반 매칭, 그리고 단순 특징 클러스터링보다 높은 정확도와 재현율을 보였다. 특히, 표면 경계와 에지 영역에서 발생하는 큰 노이즈에도 강인함을 유지했으며, 회전 불확실성을 정량화함으로써 잘못된 정렬에 대한 사후 검증이 가능했다. 논문의 주요 기여는 다음과 같다. - 최소제곱 정렬과 Bingham 분포 사이의 수학적 연결 고리를 최초로 제시함. - 위치와 방향 잡음을 동시에 고려하는 베이지안 정렬 프레임워크(BPA)를 설계함. - 실제 RGB‑D 클러터 환경에 적용 가능한 전체 파이프라인(모델 구축, 잡음 모델링, 정렬, 검출)을 구현함. 한계점으로는 t에 대한 정확한 사후분포를 닫힌 형태로 구하지 못하고 제안 가우시안에 의존한다는 점, 그리고 각 특징마다 Bingham 파라미터를 별도로 추정해야 하는 구현 복잡성이 있다. 향후 연구에서는 t에 대한 비가우시안 모델링, 실시간 샘플링을 위한 효율적인 중요도 추정, 그리고 더 복잡한 비선형 잡음 모델을 통합하는 방향이 제시될 수 있다.