[논문]적은 오버랩에서 사용 가능한 3차원 점군 정합 방법

김지건; 이준희; 박상민; 고광희

doi:10.15701/kcgs.2018.24.5.11

초록
AI-Helper

본 논문에서는 노이즈를 포함한 채 오버랩 영역이 적은 두 점군을 정합할 때 정확도와 수렴 속도를 향상시키는 알고리즘을 제시한다. 정확도를 높이기 위하여 점군의 기하학 정보를 최대한 활용하며, 정합 단계에서는 노이즈가 포함된 점군에서 오버랩 되는 영역을 적절히 선택하고, 개선된 가속 알고리즘을 사용하여 정합 속도를 향상시킨다. 정확도를 향상시키는 기존의 방법은 노이즈가 많은 점군에 적용할 수 없으므로, 본 논문에서는 정합에 사용되는 영역을 선택하는 것으로써 기존 방법의 문제를 해결하였다. 또한 똑같은 점군쌍에서만 적용되는 가속 알고리즘을 낮은 오버랩의 점군쌍에 적용하였다. 기존의 방법에 간단한 알고리즘을 추가함으로써 서너 배 더 빠른 수렴 속도를 낼 수 있도록 하였다. 결론적으로, 노이즈가 많고 오버랩이 적은 점군쌍의 정합에 있어서 본 논문에서 제시하는 알고리즘을 적용하면 속도와 정확도가 향상되었음을 알 수 있다.

Abstract ▼ AI-Helper

In this paper, we propose an algorithm for improving the accuracy and rate of convergence when two point clouds with noise and a low overlapping area are registered to each other. We make the most use of the geometric information of the underlying geometry of the point clouds with noise for better a...

In this paper, we propose an algorithm for improving the accuracy and rate of convergence when two point clouds with noise and a low overlapping area are registered to each other. We make the most use of the geometric information of the underlying geometry of the point clouds with noise for better accuracy. We select a reasonable region from the noisy point cloud for registration and combine a modified acceleration algorithm to improve its speed. The conventional accuracy improvement method was not possible in a lot of noise, this paper resolves the problem by selecting the reasonable region for the registration. And this paper applies acceleration algorithm for a clone to low overlap point cloud pair. A simple algorithm is added to the conventional method, which leads to 3 or 4 times faster speed. In conclusion, this algorithm was developed to improve both the speed and accuracy of point cloud registration in noisy and low overlap case.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 절에서는 두 점군을 정합할 때에 정확도와 속도를 향상시키는 방법을 제시한다. 이 때, Wu의 방법[1 이을 개선하여 정확도의 향상을 꾀했고 Li의 방법[11]을 참조해 가속화 방법을 개발하였다.

가설 설정

3) Y축 기준으로 음의 방향에서도 2)의 과정을 반복한다.
점군 정합은 경계 부분에서 이뤄진다는 Wu의 가정[1이을 사용하여 경계 부분의 점만 샘플링하고 나머지 점들은 제거한다. 이러한 샘플링 단계에서 필요한 것이 적당한 경계점을 찾는 것이다.

제안 방법

최근에는 Yun은 선체의 블록을 조립하는 조선 현장에서 스캔한 15개의 점군들로 다중 정합을 수행하였다[6]. 본 논문에서는 다중 정합을 고려하지 않은 채 이중 정합만을 다룬다.
앞서 사용한 세 가지 점군 데 이 터를 가지고 가속을 적 용하기 적용하기 전과 후를 비교하였다. 모든 경우에 대하여 제곱평균 제곱근 오차(RMSE)는 거 의 변하지 않았지만 반복횟수가 많이 줄어들었다.
ICP 알고리즘은 초기 정합이 완료된 상태, 즉 점군들이 대략적으로 정렬된 상태에서 강체(rigid) 정합을 하는 데 있어서 가장 강력한 방법이다[1]. 여기에 기하학 기반의 샘플링 방법을 이용하여 정합의 정확도를 향상시키는 알고리즘을 제시하였다. 그리고 정합 속도를 빠르게 하기 위해 가속화 알고리즘을 추가함으로써 정합 속도를 향상시 켰다[2].
방법을 제시한다. 이 때, Wu의 방법[1 이을 개선하여 정확도의 향상을 꾀했고 Li의 방법[11]을 참조해 가속화 방법을 개발하였다. 기 존의 ICP 방법(그림 2)과 비교할 때, 점 선택(point selection) 단계에서 정확도를 향상시 키 고 변환(transformation) 단계 에서 가속화 기 법을 적용하는 것이 본 절의 주된 내용이다.
9n번째에 해당하는 36개의 점들로 점군 L을 구성하였다. 한편, 타겟 점군 B의 오버랩 부분을 모르므로, 균일 샘플링 (uniform sampling)을 수행한 결과로 점군 U을 구성하였다. 위와 같이, 소스 점군 A로부터 찾은 경계 점군 L과, 타겟 점군 B로부터 균일 샘플링 된 점군 U를 구성한 뒤에는, 곡률을 이용하여 오버 랩을 찾는다.

대상 데이터

본 논문에서는 정합 분야에서 흔히 사용되는 3차원 점군 데이터인 스탠포드 토끼(Stanford bunny), 불상'(buddha), 아르마딜로(ar- madillo)를 테스트 점군으로 사용하였는데, 데이터 에는 노이즈가 포함되어 있다. 원래의 샘플링 방법은 일반적인 노이즈 환경에 적용되지 않기 때문에 비교 대상이 되는 타겟 점군으로는 실제 데이터를 사용한 것이고, 이 때 점군 데이터 의 오버랩은 약 30~40% 이다.
같다. 샘플링된 소스 점군의 점 개수는 표 2에 나타낸 바와 같이 노이즈를포함하여 17, 102개이며, 샘플링된 타겟 점군의 점 개수는 11, 044개이다. 샘플링 시간은0.

이론/모형

Be이은 회전 행렬을 구하는 데에 Horn의 최소 자승 사원수 연산(least square quaternion operation)[8]을 이용하여 변환 단계에 적용하였다[3]. 반면 Masuda는 오정합점 제거 단계에서 잔차의표준 편차(standard deviation of residuals)를 도입 하여 이 값의 2.
마지막으로, 남은 점군 쌍에 zncc(zero mean normalized cross correlation) 방법을 활용하여 이웃한 점들의 곡률 ^^(neighbor hood curvature matching)을 수행한다[13].
본 논문에서 는 ICPQterative Closest Point) 알고리즘을 사용하였다. ICP 알고리즘은 초기 정합이 완료된 상태, 즉 점군들이 대략적으로 정렬된 상태에서 강체(rigid) 정합을 하는 데 있어서 가장 강력한 방법이다[1].

성능/효과

하지만 앞서 진행한 샘플링 기법을 적용하면 90% 이상으로 오버랩이 증가하게 된다. 그래서 본 논문의 가속화 기법은 낮은 오버랩에서도 적용할수 있는 범용성을 가진다. 가속화를 적용하는 순서는 다음과 같다.
셋째, 점쌍 매칭(point pair matching) 단계에서는 앞서 선택한 주변 점들로 곡면(surface)[6]이나 평 면(plane)[7] 같은 기하학 요소를 만들고, 이를 이용하여 소스 점군 A의 점에 대응하는(correspond- ing) 타겟 점군 B의 점을 찾는다. 넷째, 오정합점 제거(outlier re jection) 단계에서는 소스 점군 A와 타겟 점군 B 에서 서로 겹치는 부분, 즉 오버랩 영역(inlier)만 남기고, 겹치지 않는 영역(outlier) 은 정합에 이용하지 않는다. 다섯째, 오차 최소화(error minimiza tion) 단계에서는 소스 점군 A의 오버 랩 영 역 A/과 타겟 점군 B의 오버랩 영역 B, 방향으로 이동하는 동안 각 대응점의 거리 오차가 최소가 되도록 한다.
후자의 경우보다는 전자의 경우에서 소스점군 A가 이상적인 위치(빨강)에 가까운 것을 그림 7에서 보여줌으로써, 샘플링을 적용한 정합의 결과는 유효하다고 판단할 수 있다. 더불어, 오버랩되는 점들을 찾는 샘플링 기법을 사용하여 이 점들로만 정합하는 것이 그렇게 하지 않은 정합보다 반복 횟수가 1/5 수준으로 감소하고 시간도 1/10로 줄어들었을 뿐만 아니라 오차도 약 1/9로 감소한 것을 표 3에서 확인할 수 있다.
둘째, 이웃 선택(neighborhood selection) 단계에서는 각 점의 주변에 분포하는 점들 중 가까운 점 일부를 선택한다. 셋째, 점쌍 매칭(point pair matching) 단계에서는 앞서 선택한 주변 점들로 곡면(surface)[6]이나 평 면(plane)[7] 같은 기하학 요소를 만들고, 이를 이용하여 소스 점군 A의 점에 대응하는(correspond- ing) 타겟 점군 B의 점을 찾는다. 넷째, 오정합점 제거(outlier re jection) 단계에서는 소스 점군 A와 타겟 점군 B 에서 서로 겹치는 부분, 즉 오버랩 영역(inlier)만 남기고, 겹치지 않는 영역(outlier) 은 정합에 이용하지 않는다.
그림 11에 나타난 소스 점군의 점 개수는 노이즈를 포함하여 27, 875개 이고, 타겟 점군의 점 개수는 노이즈 포함 20, 100개로, 표 6 에 나타내 었다. 전체 계산 시간은 4.13초이며, 아르마딜로 소스 점군 A(파랑)를 타겟 점군 B(빨강)에 정합하기 전(그림 Ila)과 정합한 후(그림 11b)의 모습을 살펴보면 아르마딜로의 손, 발, 귀가 서로 각각 정합되지 않음을 그림 11c 에서 확인할 수 있다.

참고문헌 (13)

F. Deng, "Registration between Multiple Laser Scanner Data Sets," Laser Scanning, Theory and Applications, pp.449-472, 2011.
J. Kim, "A modified Method to Accelerate for Registration of 3D Point Cloud with low Overlapping Ratios for Rigid Body," M.Sc. Thesis, School of Mechanical Engineering, Gwangju Institute of Science and Technology, 2018.
P. Besl and N. McKay, "A method for registration of 3-d shapes," Pattern Analysis and Machine Intelligence, 14 (2) pp.239-256, 1992.

상세보기
J. Lee and K. Ko, "Utilization of GPS and IMU Sensors in the Initial Registration of Two Point Clouds," Korean Journal of Computational Design and Engineering, 23(2), pp. 173-183, 2018.

상세보기
K. Pulli, "Multiview registration for large data sets," 3-D Digital Imaging and Modeling, pp. 160-168, 1999.
D. Yun, S. Choi, S. Kim and K. Ko, "Registration of multiview point clouds for application to ship fabrication," Graphical Models, 90, pp.1-12, 2017.

상세보기
Y. Chen and G. Medioni, "Object modeling by registration of multiple range images," Image and Vision Computing , 10 (3) pp.145-155, 1992.

상세보기
B. Horn, "Closed-form solution of absolute orientation using unit quaternions," Journal of the Optical Society of America A, 4 (4) pp.629-642, 1987.
T. Masuda, K. Sakaue and N. Yokoya, "Registration and integration of multiple range images for 3-d model construction," Pattern Recognition , pp.879-883, 1996.
Y.Wu,W.Wang, K. Lu, Y.Wei and Z. Chen, "A new method for registration of 3d point sets with low overlapping ratios," Procedia CIRP conference on Computer Aided Tolerancing, 27, pp.202-206, 2015.
W. Li and P. Song, "A modified icp algorithm based on dynamic adjustment factor for registration of point cloud and cad model," Pattern Recognition Letters, 65, pp.88-94, 2015.

상세보기
R. Fisher, "From Surface to Objects: Computer Vision and Three Dimensional Scene Analysis," John Wiley and Sons, 1989.
L. Stefano, S. Mattoccia and F. Tombari, "ZNCC-based template matching using bounded partial correlation," Pattern Recognition Letters, 26, pp.2129-2134, 2005.

상세보기

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

적은 오버랩에서 사용 가능한 3차원 점군 정합 방법
A Modified Method for Registration of 3D Point Clouds with a Low Overlap Ratio 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

참고문헌 (13)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

적은 오버랩에서 사용 가능한 3차원 점군 정합 방법 A Modified Method for Registration of 3D Point Clouds with a Low Overlap Ratio 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

참고문헌 (13)

이 논문을 인용한 문헌

저자의 다른 논문 :

이준희 (1) 고광희 (23)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

적은 오버랩에서 사용 가능한 3차원 점군 정합 방법
A Modified Method for Registration of 3D Point Clouds with a Low Overlap Ratio 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper