JP2013101113A - シーン内の対象物を３ｄ再構成するための方法 - Google Patents

Abstract

【課題】シーン内の対象物を３Ｄ再構成するための方法を提供する。
【解決手段】ステップ１）検知された信号から、その後方散乱の強度がそれぞれ割り当てられる３Ｄポイントを生成し、更に３Ｄポイントが、再構成されたデータのセットＡを形成するステップ。ステップ２）Ａから開始して、対象物を含む空間内にそのポイントが配置されたデータのセットＢを、空間特性Ｆ２に応じて抽出するステップ。ステップ３）Ｂから開始して、データのセットＣを、抽出基準に応じて抽出するステップ。ステップ４）Ｃに基づいて、３次元表面を生成して対象物の完成データのセットＤを得ることにより、喪失部分をもつ領域を埋めるステップ。ステップ５）Ｄに基づいて対象物を識別するステップ。ステップ５）の識別に成功しなかったとき、ステップ３）、４）および５）を新規の基準Ｆ１で繰り返す。
【選択図】図３

Description

本発明の分野は、能動的もしくは受動的な３次元の電磁イメージングまたは音響イメージングの分野であり、観察面が何であれ対象物の３次元での情報を全て含む、対象物の３次元の画像が再構成される。

レーザ・イメージングの構成では、任意の障害物（図の木々）によって部分的に隠された対象物１０を含むシーン１をＬａｄａｒ（レーザ・レーダ）が照明して、図１に示すように、レーザ波の一部が通過できるようにする。したがって、この波は、対象物１０によって逆反射され、Ｌａｄａｒシステムによって信号が分析される。Ｌａｄａｒの様々な位置によって、３Ｄ画像を再構成できるようになる。

受動イメージングの構成では、対象物への外部光源（太陽、月、背景の空など）の反射、および／または対象物自体の熱放射を使用することによって３Ｄ画像が再構成される。

この３Ｄイメージング（受動または能動）の分野では、対象物に関する１組の測定値を得て、可変の角度観察パラメータに応じて再構成しなければならず、この１組のデータにより、逆再構成の技法を適用することによって空間を再構成できるようになる。数学的な視点から、この技法は直接測定法を使用する。次いで、直接測定の結果を使用し、逆モデルを使用して対象物の３次元特性を復元する。

木々または他の任意の障害物によって部分的に隠された対象物を含むシーンの画像をイメージング・システムが形成するとき、複雑なオプトエレクトロニクスのシーンに存在する対象物の３Ｄ画像の作成は不完全であり、または各部分が欠落することになる。

３Ｄ Ｌａｄａｒイメージングには、反射トモグラフィおよび反射プロフィロメトリの主要な２つのタイプがある。

トモグラフィは、可変の角度に応じて２次元のレーザ画像を使用する。すなわち、ラドン変換タイプの技法を使用することにより、一連の画像の全てに共通なシーン全体の再構成が実行される。

レーザ波の伝搬時間の測定値に基づくプロフィロメトリは、レーザ波の伝搬時間を決定することにより、またこのレーザ・ビームの位置を知ることによって、３次元空間において分類されたシーンの対象物から後方散乱する様々なポイントの位置を使用する。これらのプロフィロメトリ・システムは、（ナノ秒オーダーの）短いパルスを使用して、同じ目標ラインにわたって様々なエコーを区別する。次いで、これにより、目標ラインにわたってエコーのプロファイルが生成される。

広帯域検出器を使用して、エコーのプロファイルを再生できる。すなわち、１．５μｍ帯では、ＰＩＮタイプ（Ｐ層−真性層−Ｎ層）またはＡＰＤ（アバランシェ・フォトダイオード）タイプのＩｎＧａＡｓ検出器がある。次いで、システムのいくつかのポイントに対応する１組のポイントの集団を連結するだけでよい。このデータの全てを処理して、システムの位置を特定する際の誤りを補償することがしばしば必要である。この方法は、検出システムおよびレーザ・ビームを走査することによって実行してもよい。

他の技法では、検出器を「ゲーティング」して、高パルスレートのレーザによって、ポイントの集団の各セクションを再構成できるようにするための技法を使用する。次いで、一群のレーザ・パルスによってシーンが照明され、精密な時間窓または数百ピコ秒の「ゲート」を有する画素の行列により、シーン内の対象物の様々な深度に従ってこのレーザ・パルスの後方散乱が収集される。次いで、深度にリンクした大きさの画像が得られる。３Ｄ画像を得るには、様々な視角が必要になる。

考えられる様々な状況（無人飛行機であるＵＡＶ、ヘリコプタ、または飛行機に搭載されるセンサ）では、対象物が隠されているときには再構成がしばしば不完全であり、対象物によって後方散乱される信号により、対象物に関連する情報の全てをもはや得ることができなくなる。次いで、これにより情報が不完全になって欠落し、部分反転のプロセスに至って、不完全な３Ｄ画像が得られることになる。ポイントの集団を連結するプロセスが、反転のプロセスと考えられる。部分反転のプロセスの一例が図２に示してあり、そこでは３次元画像が不完全であり、データの完成が必要な領域を識別できる。

３次元画像を完成するのに通常使用される技法は、既存のデータベース、たとえばＣＡＤデータベースを使用する。次いで、再構成された対象物が、このデータベースの各要素と比較される。初期の３Ｄ対象物との相関が得られると、データベースから、テクスチャ・データまたは他のデータを用いて３次元画像が完成する。これらの完成アルゴリズムは、データベース内のＣＡＤモデルの豊富さに依存し、このことは、このデータベースにおいて対象物が知られていない場合には使用不能であるという大きな欠点になる。

本発明の目的は、これらの欠点を克服することである。

本発明の１つの主題は、シーンによって後方散乱され検知された信号に基づいて、光波に曝されたこのシーンにおける対象物を３Ｄ再構成するための方法であり、以下のステップを含む。
−ステップ１）検知された信号から、このシーンによる信号の後方散乱の強度がそれぞれ割り当てられる１組の３Ｄポイントを生成するステップであって、これらの３Ｄポイントが、再構成されたデータのセットＡで示される信号の強度と関連するステップ。
−ステップ２）再構成されたデータのこのセットＡから開始して、対象物を含む空間内にそのポイントが配置されたデータのセットＢを、空間特性Ｆ２に応じて抽出するステップ。
−ステップ３）セットＢから開始して、喪失部分をもつ領域を有する対象物の外面を特徴付けるデータのセットＣを、抽出基準Ｆ１に応じて抽出するステップ。
−ステップ４）Ｃのデータに基づいて、外部データベースを使用する必要もなく、３次元表面を生成して対象物の完成データのセットＤを得ることにより、喪失部分をもつこの領域を埋めるステップ。
−ステップ５）セットＤに基づいて対象物を識別するステップ。

これは主に、ステップ５）の識別に成功しなかったとき、ステップ３）、４）および５）が新規の基準Ｆ１で繰り返されることを特徴とする。

この方法は、ＣＡＤタイプのモデルを含む外部データベースと無関係であり、再構成によって利用可能になったデータを使用する技法により、喪失部分を有する３次元画像を完成できるようになり、したがって、完全な３次元画像によって、より良好に識別できるようになる。

ステップ５）の識別が依然として成功しなかったとき、対象物を含む空間（１２）の新規の特性Ｆ２で、ステップ２）、３）、４）および５）を繰り返す。

本発明の一特性によれば、ステップ５）の識別に成功しなかったときに、以下のステップを含む。
−不変量を検索するためのモジュール（９）により、Ｄのデータ内の不変量Ｆ３を抽出するステップ。
−これらの不変量Ｆ３を用いて、対象物の外面を特徴付けるデータのセットＣを完成するステップ。
−これらの不変量Ｆ３を不変量のデータベース（８）に送るステップ。
−この新規のセットＣに基づいて、ステップ４）および５）を繰り返すステップ。

喪失部分を有する領域を埋めるためのステップ４）は、以下のサブステップを含むこともできる。
−ステップ４１）外面を特徴付けるＣのデータを正規化して、Ｃの正規化データのセットＤ１２を得るステップ。
−ステップ４２）Ｄ１２のデータに基づいて、抽出および重み付けの基準Ｆ７５に応じて、アトラクタで示される関連データを抽出し、それらを重み付けして、重み付けされたアトラクタのセットＤ３４を得るステップ。
−ステップ４３）セットＤ３４のデータから、選択閾値Ｆ７４に応じて、重要なアトラクタを選択するステップ。
−ステップ４４）Ｃの空間的に近いデータに応じて、重要なアトラクタの重み付けを強化して、強化された重要なアトラクタのセットＤ５６を得るステップ。
−ステップ４５）Ｄ１２およびＤ５６のデータに基づいて、３次元表面Ｄを生成するステップ。

本発明の一特性によれば、喪失部分を有する領域を満たすためのステップ４）は、ステップ４２）に先立って、不変量を正規化し、したがって正規化された不変量のセットＤ２３を得るためのサブステップ４１ｂ）を含み、ステップ４２）は、Ｄ１２およびＤ２３のデータに基づいて実行される。

ステップ５）の識別に成功しなかったとき、新規の選択閾値Ｆ７４で、ステップ４３）、４４）、４５）および５）を繰り返す。

やはりまた、ステップ５）の識別に成功しなかったとき、新規の抽出および重み付けの基準Ｆ７５で、ステップ４２）、４３）、４４）、４５）および５）を繰り返す。

ステップ５）の識別が依然として成功しなかったとき、ステップ４２）、４３）、４４）、４５）および５）を繰り返し、不変量を抽出するためのステップが実行される場合、これは、Ｄのデータに基づいており、不変量（８）のデータベース内にある。

この識別は、ユーザまたは自動識別システムによって実行できる。

各信号は、可視領域またはＩＲ領域内で、能動または受動イメージング・システムによって検知される。

本発明の他の特性および利点は、添付の図面を参照しながら、限定しない例として示した以下の詳細な説明を読むことによって明らかになろう。

イメージ・センサによって得られるような、部分的に隠された対象物を有するシーンの画像を示す図である。 データＣの図の一例を示す図である。すなわち、このデータは３Ｄ空間において識別される１組のポイントであり、その強度（この図では、各ポイントの強度は同じである）は、図１の対象物の様々な表面を特徴付け、これは、対象物を含む空間、この場合には長方形の平行六面体とともに再構成のプロセスによって得られる。 本発明による方法の各ステップの一連の流れを示す図である。 喪失部分を有する領域を埋めるためのステップ４の、サブステップの一連の流れを示す図である。 ３Ｄ表面生成のためのステップ４５の、サブステップの一連の流れを示す図である。

各図を通して、同じ要素は、同じ参照符号で識別される。

図３を参照すると、本発明による、対象物の３次元再構成用のデータを完成するための方法の一例が説明してある。この一例は、以下に記載のステップをこの順で含む。
１）シーン１によって後方散乱された信号に基づいて、シーンによる後方散乱の強度が割り当てられる、３次元空間に配置された１組のポイントを生成し、これは再構成されたデータ・セットで示される。この再構成されたデータ・セットは、トモグラフィ３次元再構成またはプロフィロメトリ３次元再構成の方法、すなわちレーザ波の伝搬時間を考慮する方法など、当業者が知っている冒頭で述べたような方法を使用することによって生成できる。好ましくは、これらの再構成されたデータの雑音を低減させて、有用な再構成データ・セットを得る。有用または有用でないこの再構成されたデータ・セットは、Ａで示される。
２）セットＡの再構成されたデータから開始して、これらのデータから、対象物（その一例を図２に示す）を含む空間１２内に含まれるセットＢを抽出する。これは、たとえば長方形の平行六面体であり、その抽出は、たとえば、対象物に関連するデータを含む空間再分割［（Ｘｍｉｎ Ｘｍａｘ）；（Ｙｍｉｎ，Ｙｍａｘ）；（Ｚｍｉｎ；Ｚｍａｘ）］に基づいている。この空間の特性Ｆ２は、その特性を制御するために、ユーザもしくはモジュール７によって事前定義または定義してもよく、たとえば、この方法の第１の繰返し時にユーザによって定義され、また任意の潜在的な後続の繰返し時に、この制御モジュールによって定義される。この制御モジュール７は、たとえば、対応表での検索、またはＫｏｈｏｎｅｎタイプの結合グリッド、または管理されるか、もしくは管理されない適応学習によって生成される知識ベースに基づき、あるいはＡのデータにズームすることによりユーザによって測位される。
３）データＢのセットから開始して、３Ｄ空間に配置され、その強度に関連したポイントのセットＣを抽出し、対象物の外面を特徴付け、この表面は、特に隠されることによって喪失部分をもつ領域を有する。セットＣの一例１１が、図２に示してある。この抽出は、たとえば、強度の閾値処理および／または以下のものを有する等値面タイプの関数に基づく。
ａ．強度の閾値処理および／または、
ｂ．小平面（三角、もしくは長方形、もしくは六角形）のメッシュ処理、および／または、
ｃ．各頂点に関連する法線、この法線に基づいて各ポイントを選択するための基準（たとえば、スカラ積および重心）、ならびに、小平面の外側および／または内側の各ポイントの抽出とともに、小平面の頂点を抽出する処理。
これらの抽出基準の値Ｆ１は、その抽出基準を制御するために、ユーザもしくはモジュール６によって事前定義または定義してもよく、これは、たとえば、対応表での検索、またはＫｏｈｏｎｅｎタイプの結合グリッド、または管理されるか、もしくは管理されない適応学習によって生成される知識ベースに基づく。
４）対象物の完成した３次元表面Ｄを生成することにより、セットＣの喪失部分を有する領域を満たす。表面生成の例を以下に挙げる。ＣＡＤモデル、または、たとえば再構成および識別を実行するための方法以外から得られる幾何学的属性などの外部データベースからの他のモデルを使用する必要なく、このステップが実行される。
５）対象物の完成したデータＤに基づいて、対象物を識別する。タッチ・スクリーンおよび／またはスクリーンとキーボードおよび／または音声認識を使用し、場合によりユーザが３次元データにズームし、対象物の識別に成功したかどうか判定できるようにするインターフェースなど、専用のユーザ・インターフェースによって、この識別をユーザが実行できる。この識別はまた、自動識別のシステム、たとえば形状認識に基づくシステムによって実行できる。識別に成功すると、この方法は停止する。

次に、喪失部分を有する表面を埋めるためのステップ４を、より詳細に説明する。このステップは、たとえば、図４を参照して説明する以下のサブステップをこの順で含む。
４１）対象物の外面を特徴付けるＣのデータに、正規化のプロセスを適用する。この正規化のプロセスにより、Ｃのデータのセットを拡大縮小することができ、曲線、表面、主空間などの主要構成要素を使用して、その分析を実行できるようになる。Ｃの正規化されたデータが、セットＤ１２を形成する。
４２）以下で分かるように、Ｃ Ｄ１２の正規化されたデータから、また潜在的には同様に正規化された不変量Ｄ２３から開始して、「対象物にリンクした３次元情報のアトラクタ」を抽出し、ポイントの所定の閾値数に関連したトポロジ領域内に配置され、３次元空間にリンクしたメトリック（たとえば、ユークリッド距離）によって規定されたポイントの数に対して、それらを重み付けし、これらの重み付けされたアトラクタがセットＤ３４を形成する。これらは、抽出および重み付けの基準Ｆ７５に応じて抽出され、重み付けされる。これらの基準は、その基準Ｆ７５を制御するために、ユーザもしくはモジュール４６によって事前決定または決定してもよい。アトラクタは、ポイント、ライン、曲線、空間など、セットＡから生じる関連した幾何学的データであり、Ａのデータを表す。この抽出／重み付けは、たとえば、内部ポイント・アルゴリズム、および／または、たとえばホップフィールド・ネットワーク、もしくはボルツマン・ネットワーク、もしくは焼きなまし法に基づく確率的最適化を使用することもできる制約条件をもつ最適化を有する決定論的タイプである。
４３）セットＤ３４から、選択閾値Ｆ７４に対して重要なアトラクタを選択し、これらの重要なアトラクタがセットＤ４５を形成する。選択閾値Ｆ７４は、ユーザまたはやはりこの重み付け閾値を制御できるモジュール４６によって事前決定または決定してもよく、たとえば、これらのステップの第１の繰返し時にはユーザによって決定され、任意の後続の繰返し時にはこの制御モジュール４６によって決定される。この制御モジュール４６は、この選択４３とともに、たとえば、Ｋｏｈｏｎｅｎタイプの結合グリッド、または管理されるか、もしくは管理されない適応学習によって生成される知識ベース、ならびに／または、連想記憶装置および／もしくは分類木に基づく。
４４）この重要なアトラクタＤ４５を組み合わせる。すなわち、その重みを、データＤ１２から抽出されたその近くのポイントの重みで強化し、これら強化されたアトラクタが、セットＤ５６を形成する。このステップは、たとえば、Ｋｏｈｏｎｅｎタイプの結合グリッド、または管理されるか、もしくは管理されない適応学習によって生成される知識ベース、またはデータを結合するための他の任意の方法に基づく。
４５）データＤ１２および強化されたアトラクタＤ５６に基づいて３次元表面を生成し、この表面のデータがセットＤを形成する。

図５を参照して説明する３次元表面Ｄを生成するためのステップ４５は、たとえば、以下のステップをこの順で含む。
−表面生成のプロセスを制御するためのモジュール１００により、喪失部分（＝セットＤ５６）を有する３次元データに含まれるデータを、３Ｄ表面生成のためのプロセス（類型１、．．．、類型ｋ、．．．、類型Ｎ）に送出する。データＤ５６に応じて、制御モジュール１００は、１つまたは複数の（またはその全ての）３Ｄ表面生成のプロセスを選択し、データＤ５６は、マルチプレクサ２００を介して選択された各プロセスに送られる。この制御モジュールは、たとえば、対応表での検索、Ｋｏｈｏｎｅｎタイプの結合グリッド、適応学習（管理されるか、もしくは管理されない）によって生成される知識ベース、ならびに／または、連想記憶装置および／もしくは分類木に基づく。
−選択された各方法は、完成したデータＤ１、Ｄ２、．．．Ｄｋ、．．．ＤＮのセットを提供する。使用されている３Ｄ表面生成のプロセスの中で、以下のアルゴリズムに言及してもよい。すなわち、データＤ５６に関連する最小エネルギー探索タイプ（たとえば、各ポイントのポテンシャル・エネルギー）のアルゴリズム、または確率緩和タイプ（たとえば、ホップフィールド、ボルツマン、焼きなまし法）のアルゴリズム、またはベイズ正則化タイプ（直接伝搬および／または逆伝搬）のアルゴリズム、またはウェーブレット解析タイプ（直交ウェーブレット、連続ウェーブレット、離散ウェーブレット、多重解像度解析）のアルゴリズム、または一般回帰タイプ（線形および／または非線形）による近似のアルゴリズム、または制約を伴う最適化タイプ（たとえば、ニュートン最適化、Ｌｅｖｅｎｂｅｒｇ−Ｍａｒｑｕａｒｄｔ最適化）のアルゴリズム、または放射基底関数タイプ（一般回帰ネットワーク、確率的ニューラル・ネットワーク）のアルゴリズム、またはこれらのアルゴリズム手法の複合化である。
−結合器３００により、完成したデータＤ１、．．．、ＤＮを（たとえば、異常ポイントの追加フィルタリングで）結合して、Ｄを得る。この結合は、Ｄ１、．．．、ＤＮから得られる最良の結果を単に選択することにある。この結合は、たとえば、対応表、または自己編成形Ｋｏｈｏｎｅｎチャート、または適応学習（管理されるか、もしくは管理されない）によって生成される知識ベース、ならびに／または、連想記憶装置および／もしくは分類木、および／もしくはデータを結合するための任意の方法に基づく。

次に、図３を参照する。ステップ５の後に、対象物の識別に成功しなかった場合（→第１のＮＯ）、新規の表面抽出基準が定義され、対象物の外面を特徴付ける新規のセットＣが抽出される（ステップ３）。たとえば、この新規の抽出基準は、その抽出基準を制御するためにモジュール６に送られる要求Ｅ１を介して定義され、これにより、この新規の基準Ｆ１は、以前示されたものとして、またはたとえば事前に決められた規則に従って増加させることによって確立される。一代替選択肢によれば、この基準は、ユーザがそのインターフェースを介して定義できる。次いで、この基準Ｆ１は、ステップ３の抽出モジュールに送られ、このモジュールがＣの新規データを送達する。

次いで、この新規のセットＣを使用してステップ４が繰り返されて、対象物の完成したデータの新規のセットＤを生成し、それに続いて識別ステップ５に移る。

対象物の識別に成功しなかった場合（→第２のＮＯ）、対象物を含む新規の空間の特性Ｆ２が、この対象物による後方散乱の強度が割り当てられるこの新規の空間内に配置された各ポイントの新規のセットＢとともに定義される。たとえば、この新規の空間は、その新規の空間の特性を定義するための、これらの特性を制御するモジュール７に送られる要求Ｅ２を介して定義され、これにより、Ｆ２は、以前示されたものとして、またはたとえば事前に決められた規則に従って増加させることによって決定される。一代替選択肢によれば、これらは、ユーザがそのインターフェースを介して定義できる。次いで、この新規の空間を使用して、ステップ２、３、４および５が実行される。

潜在的に、対象物の識別に成功しなかった場合（→第３のＮＯ）、
−不変量を探索するために、不変量Ｅ３を求める要求をモジュール９に送る。
−対応表、および／または適応学習（管理されるか、もしくは管理されない）によって生成される知識ベース、ならびに／または、連想記憶装置および／もしくは分類木に基づいて、Ｄのある種の要素（たとえば、円柱の一部、寸法の範囲など）に応じて、モジュール９によって目標となる幾何学的不変量Ｆ３を探索する。これらの幾何学的不変量は、この方法の外のデータベースから生じるデータを使用する必要なく、３次元再構成のプロセス中に作成される。次いで、これら目標となる不変量が、不変量のデータベース８に導かれ（Ｇ）、このデータベースは、認められた各要素（たとえば、車輪、ボンネット、シャーシなど）を含み、これらはそれぞれ、以下のタイプ、すなわち再構成された大域オブジェクト、対象物の寸法、対象物の寸法比などの幾何学的不変量に関連している。これらの不変量は、必ずしも幾何学的のみでなくてもよく、色、テクスチャ、または他の属性についての情報を含んでもよい。したがって、このデータベース８には、この方法の繰返しが実行されるときの情報が提供される。
−これら目標となる幾何学的不変量Ｆ３、および目標の外面を特徴付けるセットＣに基づいて、喪失部分を有する表面を埋めるためのステップ４を実行して、完成したデータの新規のセットＤを生成する。図４を参照する。次いで、ステップ４のサブステップは、サブステップ４２の前に、追加のサブステップ４１ｂを含む。すなわち、
・正規化のプロセスを、目標となる不変量Ｆ３に加える。この正規化のプロセスにより、これらの不変量Ｆ３を拡大縮小することができ、主要構成要素としてのその分析を実行できる。Ｆ３の正規化されたデータが、セットＤ２３を形成する。
・次いで、Ｄ１２およびＤ２３に基づいて、サブセット４２が実行される。
−次いで、ステップ４３、４４、４５および５に進む。

対象物の識別に成功しなかった場合（→第４のＮＯ）、選択閾値を制御するためのモジュール４６によって、重要なアトラクタＦ７４のための新規の選択閾値が決定され、この新規の閾値とセットＤ３４に基づいて選択ステップ４３が繰り返され、新規の重要なアトラクタＤ４５を送達する。ステップ４４および４５が繰り返され、ステップ５の実行中に識別するために、完成した新規データＤが生成される。

前のステップの最後で目標の識別に成功しなかった場合（→第５のＮＯ）、抽出および重み付けの基準を制御するためのモジュール４６により、アトラクタのための抽出および重み付けの基準Ｆ７５を修正することによってステップ４２を繰り返して、新規のセットＤ３４を得る。次いで、これら新規のデータＤ３４に基づいて、ステップ４３、４４、４５および５に進む。

目標の識別が成功しなかった場合、前に示したように、ステップ２、３、４および５へと手順を繰り返す。幾何学的不変量の探索を実行する場合、幾何学的不変量８のデータベース内にあるＤのデータに基づいてこれが実行されることになる。

目標の識別が成功しなかった場合、この方法は、前述のように各ステップを繰り返すことによって継続でき、ユーザは、いつでも処理法を停止する可能性がある。

識別が成功しなかった場合での前述の繰返し処理の例では、各ステップの順序を変更してもよい。第３のＮＯに続く各ステップは、第１のＮＯに続くステップと交換してもよく、また逆の場合も同じである。同様に、第２のＮＯに続く各ステップは、第４のＮＯに続くステップと交換してもよく、また逆の場合も同じである。

これらの技法は、中距離（数百メートル〜数キロメートル）において「識別困難」と称される目標の識別のための、オプトエレクトロニクス機器に集積することができる。この機器は、低高度偵察用のＵＡＶシステム、ヘリコプタ、または飛行機に搭載してもよい。

これらの３Ｄレーザ・イメージング技法は、生物医学の分野で、特に皮下疾患の識別に適用可能である。

１ シーン
６ モジュール
７ モジュール
８ データベース
９ モジュール
１０ 対象物
１１ セットＣの一例
１２ 空間
４６ モジュール
１００ モジュール
２００ マルチプレクサ
３００ 結合器

Claims (10)

1. シーン（１）によって後方散乱され検知された信号に基づいて、光波に曝された前記シーンにおける対象物（１０）を３Ｄ再構成するための方法であって、
   −ステップ１）前記検知された信号から、前記シーンによるその後方散乱の強度がそれぞれ割り当てられる１組の３Ｄポイントを生成するステップであって、これらの前記３Ｄポイントが、再構成されたデータのセットＡで示されるその強度と関連するステップと、
   −ステップ２）前記再構成されたデータのセットＡから開始して、前記対象物を含む空間（１２）内にそのポイントが配置されたデータのセットＢを、空間特性Ｆ２に応じて抽出するステップと、
   −ステップ３）前記セットＢから開始して、喪失部分をもつ領域を有する前記対象物の外面を特徴付けるデータのセットＣを、抽出基準Ｆ１に応じて抽出するステップと、
   −ステップ４）Ｃのデータに基づいて、外部データベースを使用する必要もなく、３次元表面を生成して前記対象物の完成データのセットＤを得ることにより、喪失部分をもつ前記領域を埋めるステップと、
   −ステップ５）前記セットＤに基づいて前記対象物を識別するステップを含み、
   前記ステップ５）の前記識別に成功しなかったとき、前記ステップ３）、４）および５）を新規の基準Ｆ１で繰り返すことを特徴とする方法。
2. 前記ステップ５）の前記識別に成功しなかったとき、前記対象物を含む前記空間（１２）の新規の特性Ｆ２で、前記ステップ２）、３）、４）および５）を繰り返すことを特徴とする、請求項１に記載の対象物を３Ｄ再構成するための方法。
3. 前記ステップ５）の前記識別が成功しなかったときに、
   −不変量を探索するためのモジュール（９）により、Ｄの前記データ内の不変量Ｆ３抽出するステップと、
   −これらの不変量Ｆ３を用いて、前記対象物の前記外面を特徴付けるデータの前記セットＣを完成するステップと、
   −これらの不変量Ｆ３を不変量のデータベース（８）に送るステップと、
   −この新規のセットＣに基づいて、前記ステップ４）および５）を繰り返すステップを含むことを特徴とする、請求項１または２に記載の対象物を３Ｄ再構成するための方法。
4. 喪失部分を有する領域を満たすための前記ステップ４が、以下のサブステップ、すなわち、
   −ステップ４１）前記外面を特徴付けるＣの前記データを正規化して、Ｃの正規化データのセットＤ１２を得るステップと、
   −ステップ４２）前記Ｄ１２のデータに基づいて、抽出および重み付けの基準Ｆ７５に応じて、アトラクタで示される関連データを抽出し、それらを重み付けして、重み付けされたアトラクタのセットＤ３４を得るステップと、
   −ステップ４３）前記セットＤ３４のデータから、選択閾値Ｆ７４に応じて、重要なアトラクタを選択するステップと、
   −ステップ４４）Ｃの空間的に近いデータに応じて、前記重要なアトラクタの重み付けを強化して、強化された重要なアトラクタのセットＤ５６を得るステップと、
   −ステップ４５）Ｄ１２の前記データおよびＤ５６のデータに基づいて、３次元表面Ｄを生成するステップを含むことを特徴とする、請求項１〜３のいずれか一項に記載の対象物を３Ｄ再構成するための方法。
5. 喪失部分を有する領域を満たすための前記ステップ４）が、前記ステップ４２）に先立って、前記不変量を正規化し、したがって正規化された不変量のセットＤ２３を得るためのサブステップ４１ｂ）を含み、前記ステップ４２）が、Ｄ１２およびＤ２３の前記データに基づいて実行されることを特徴とする、請求項３または４に記載の対象物を３Ｄ再構成するための方法。
6. 前記ステップ５）の前記識別が成功しなかったとき、新規の選択閾値Ｆ７４で、前記ステップ４３）、４４）、４５）および５）を繰り返すことを特徴とする、請求項４または５のいずれかに記載の対象物を３Ｄ再構成するための方法。
7. 前記ステップ５）の前記識別が成功しなかったとき、新規の抽出および重み付けの基準Ｆ７５で、前記ステップ４２）、４３）、４４）、４５）および５）を繰り返すことを特徴とする、請求項１〜６のいずれか一項に記載の対象物を３Ｄ再構成するための方法。
8. 前記ステップ５）の前記識別が成功しなかったとき、ステップ４２）、４３）、４４）、４５）および５）を繰り返し、不変量を抽出するためのステップが実行される場合、これが、Ｄの前記データに基づいており、不変量（８）の前記データベース内にあることを特徴とする、請求項１〜７のいずれか一項に記載の対象物を３Ｄ再構成するための方法。
9. 前記識別が、ユーザまたは自動識別システムによって実行されることを特徴とする、請求項１〜８のいずれか一項に記載の方法。
10. 前記信号が、可視領域またはＩＲ領域内で、能動または受動イメージング・システムによって検知されることを特徴とする、請求項１〜９のいずれか一項に記載の方法。