現在、3D ビジョンは学界や産業界から広く注目されており、ターゲット検出、セマンティック セグメンテーション、3D 再構成などの分野で画期的な進歩が見られます。ただし、固有の問題は、オブジェクト オクルージョン、鏡面反射、オブジェクト セルフ オクルージョン、透視変換、センサー解像度の制限により、実際のシーンでセンサーによって取得されるデータが不完全であり、下流のタスクの研究の進行を妨げることです。
同時に、点群のノイズ除去、スムージング、位置合わせ、融合操作などの後続の一連の点群処理では、点群の不足が大幅に悪化し、点群の再構築、モデルの再構築、およびローカル空間に直接影響します。 . 情報抽出とその後の処理の品質。
人間の場合、学習した事前知識を使用して欠落領域の幾何学的および意味論的な情報を推定できますが、コンピュータの場合はより困難です。したがって、3D 点群の完成は、シーンの理解の精度を向上させるのに役立ちます。従来の方法では、主に幾何対称法、表面再構成法、テンプレートマッチング法などを使用して完成させます。
1. 幾何対称法
多くの自然物や人工物は顕著な対称性を示したり、繰り返しの部分構造を含んでいたりするため、初期形状の完成方法では主に物体や空間が示す幾何学的対称性を利用して、欠落領域の繰り返し構造を復元します。この手法は、既存の部分観測情報において、欠落した幾何学的部分が繰り返し構造を持っていると仮定しており、三次元対称構造を示すほとんどの単純な物体に対して有効である。
ただし、対称性の仮定は自然界のすべてのオブジェクトに適用されるわけではないため、変換空間内の対称性は、単純な局所形状特徴のペアごとのマッチングに基づいて適切に蓄積できます。図1に示すように、部分対称または近似対称をマッチング検証に使用してユークリッドペアの対称表現を抽出し、統計的サンプリング分析に基づいて成功率を向上させます。
図 1 対称点群の例
2. 表面再構成法
既存の表面再構成法は主に補間法とフィッティング法に分けられます。
内挿法では、表面上に集中したデータ ポイントを初期条件として使用し、さまざまなアルゴリズムを通じて補間演算を実行して、密な表面を取得します。最も一般的に使用される方法は次のとおりです。
(1) 最近傍補間法：補間対象点に対して、補間結果として最も近い点を直接選択します。この方法は簡単で高速ですが、点群の表面が粗くなる可能性があります。
(2) 線形補間：補間対象点について、その周囲の点の位置と属性に基づいて線形補間計算を行います。この方法ではよりスムーズな結果が得られますが、場合によってはエラーが発生する可能性があります。
(3) ガウス過程に基づく補間:ガウス過程モデルを使用して点群をモデル化し、未知の点の属性を予測して補間を実行します。この方法は点群の大域的特性を考慮できますが、計算量が高くなります。
(4) 平滑度ベースの内挿:点群の平滑度を推定することにより、内挿に最適な近傍が選択されます。この方法では点群の滑らかさを維持できますが、詳細が失われる可能性があります。
(5) グリッドベース補間:点群をグリッド形式に変換し、グリッドの内部データを補間に使用します。この方法は高密度の点群を効果的に処理できますが、グリッド エラーが発生する可能性があります。
フィッティングに基づく 3 次元表面再構成方法では、サンプリングされた点群を使用して、通常は陰的な形式で表現される近似表面を直接再構成します。次に、いくつかの一般的な方法を示します。
(1) 最小二乗法:点群データを平面、曲線、または表面に適合させるために使用できます。最適なフィッティング結果は、点からフィッティングされた曲線またはサーフェスまでの二乗距離の合計を最小化することによって得られます。
(2)RANSAC:点群データを平面、直線、またはその他の幾何学的形状に適合させるために使用できます。一連のデータ ポイントをランダムにサンプリングすることでフィッティングを実行し、あらかじめ設定されたしきい値に基づいてデータ ポイントがフィッティング モデルに属するかどうかを判断し、最良のフィッティング結果を繰り返し最適化します。
(3) B スプライン曲面: B スプライン曲面は、滑らかな曲面を再構成するために使用できる一般的に使用される曲面フィッティング手法です。頂点ベクトルと節点ベクトルを制御することによって表面形状を定義し、点群の表面を取得するためのフィッティングに最小二乗法またはその他の最適化アルゴリズムを使用します。
(4) グリッド フィッティング:グリッド フィッティング方法は、点群データをグリッド構造に変換し、グリッド形状を最適化することで点群表面をフィッティングします。
3. テンプレートマッチング手法
テンプレート マッチング方法は、既知のテンプレート形状に基づいており、点群内の局所領域を照合することで欠落または不完全な形状を推定します。主な手順は次のとおりです。
① テンプレートの選択：既存の点群データから代表的なテンプレート形状を 1 つ以上選択し、参照します。テンプレートは手動で選択したり、経験的に決定したり、他の方法で生成したりできます。
②テンプレートマッチング：完成領域内の各点について、テンプレートとの類似度を計算し、最適なテンプレートをマッチングします。類似性は、距離の測定値、形状の特徴などを使用して計算できます。
③形状再構築：マッチングしたテンプレートに基づいて、完成予定領域の点群の形状を再構築します。欠損領域の形状は、補間や曲線または曲面のフィッティングなどの方法を使用して生成できます。
④ 位置合わせと融合: 完成した形状を元の点群と位置合わせして融合し、全体の形状の一貫性と一貫性を維持します。
テンプレート マッチング手法にはテンプレートの選択とマッチング精度に対する高い要件があり、複雑な形状や大規模な点群の場合には計算の複雑さが問題になる場合があります。したがって、実際のアプリケーションでは、特定の状況に応じて適切な方法と戦略を選択する必要があります。
4. まとめ
現在、対称ベースの手法は、一般化が低いことが主な理由で、あまり一般的には使用されていません。補間とフィッティングの表面再構成方法では、さまざまなシーンの状況に応じて特定のアルゴリズムを選択する必要があります。最終的なテンプレート マッチング手法では良好な完成結果が得られますが、通常、最適化速度が遅いこととノイズに敏感であるという問題があり、完成したすべての形状をカバーするために大規模なモデル ライブラリに依存します。