JP2014109555A - 点群解析処理装置、点群解析処理方法及びプログラム - Google Patents

点群解析処理装置、点群解析処理方法及びプログラム Download PDF

Info

Publication number
JP2014109555A
JP2014109555A JP2012265618A JP2012265618A JP2014109555A JP 2014109555 A JP2014109555 A JP 2014109555A JP 2012265618 A JP2012265618 A JP 2012265618A JP 2012265618 A JP2012265618 A JP 2012265618A JP 2014109555 A JP2014109555 A JP 2014109555A
Authority
JP
Japan
Prior art keywords
columnar object
columnar
point group
parameter
small area
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2012265618A
Other languages
English (en)
Inventor
Jin Niigaki
仁 新垣
Jun Shimamura
潤 島村
Hiroyuki Arai
啓之 新井
Yukinobu Taniguchi
行信 谷口
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to JP2012265618A priority Critical patent/JP2014109555A/ja
Publication of JP2014109555A publication Critical patent/JP2014109555A/ja
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

【課題】柱状物体が斜めに傾いている場合や、柱状物体とそれ以外の物体が隣接しているような場合においても高精度で柱状物体を構成する3次元点群を検出可能とする。
【解決手段】柱状物体検出装置100は、装置処理対象となる3次元点群に対して、RANSACによる円柱当て嵌めにより、柱状物体の柱状パラメータを推定する柱状物体パラメータ推定部105と、柱状物体パラメータ推定部105によって推定された柱状物体パラメータに基づいて、推定された柱状物体の位置に存在する点群が柱状物体であるかを識別し、柱状有無の判定結果と、柱状物体が存在するとした場合には、3次元点群を分割した複数の小領域の各々の柱状物体の中心位置と半径とを出力する柱状物体識別部106とを備えている。
【選択図】図1

Description

本発明は、測定結果に計測ノイズがある場合や柱状物体とそれ以外の物体が隣接している場合においても柱状物体を構成する3次元点群を検出する点群解析処理装置、点群解析処理方法及びプログラムに関する。
長距離レーザーレンジファインダが広く普及することにより、屋内外問わず広範囲な空間における環境計測が実現し、計測した3次元点群から有用なオブジェクト(3次元物体)を抽出する技術開発が行われている。特に、街灯や電柱、または信号線などを敷設する柱状の物体(柱状物体)の多くは、企業や、自治体などの管理対象であり、定期的に異常がないか否かを検査する必要がある。そのため、その正確な位置や、傾きなどの状態を自動的に把握できる技術が求められている。
非特許文献1では、3次元点群を前処理としてセグメンテーションを行い、その後、個々のセグメンテーションがどのような物体であるか識別を行っている。具体的には、セグメンテーション後の点群について、端点保存型のスムージングを繰り返し適用し、最終的な点群の位置が鉛直方向の線状に存在する場合には、柱状物体として識別している。端点保存型のスムージングでは、画像処理での細線化処理の効果が得られ、非特許文献1により、柱状物体の太さの違いに依存しない検出が可能である。
しかしながら、非特許文献1の技術では、個々の点同士の距離を基にしてセグメンテーションを行っているため、異なる柱状物体が接している場合には、検出が難しいという問題がある。例えば、電柱と家の壁とが木や電線を通じて接している場合には、柱状物体である電柱が家の壁に含まれたセグメンテーション結果となり、スムージング後も家の壁の部分が2次元平面であり、つまり1次元的な線状にならず検出できない。また、仮にセグメンテーションが正確に行えたとしても、電柱などのように柱状以外の物体、例えば、変圧器や、クロージャーなどの付属品があると、非特許文献1の処理では、線状にならない可能性があり、検出漏れが生じる。
非特許文献2では、非特許文献1と同様にセグメンテーションした後に、点群を鉛直下方向に射影し、射影された点群の形状が円形か否かHough変換により調べることで、射影前の点群が円柱であるか判定している。また、非特許文献3では、セグメンテーションを行わずに鉛直方向に射影し、次に事前に登録した柱状物体の射影後の点群形状とのパターンマッチングにより、円柱か否かを判定している。
これら非特許文献2と非特許文献3の技術では、射影後の形状から元の3次元物体を推定しているため、木のような物体や、電柱上に複数の付属品が存在する場合には、射影後の点群形状が円形にならないために検出が難しくなるという課題がある。また、全ての点を鉛直下方向に射影しているため、斜めに立っている柱状物体の検出が難しいという問題もある。
一方、別のアプローチとして、RANSAC(Random Sample Consensus)を用いて、柱状物体の位置及び傾きを3次元点群から直接推定する技術もある。しかしながら、RANSACを用いた手法では、3次元点群の中における柱状物体の有無にかかわらず、最も柱状物体が存在している可能性の高いパラメータ(位置及び傾き)が求まるだけであり、つまり求めたパラメータの位置に柱状物体が存在している保障はない。そのため、RANSACとは別に柱状物体が存在するか識別する技術が必要である。
横山,伊達,金井,武田,「市街地レーザー計測点群からの柱状物体認識」,精密工学会 定例研究会 (2012) 池田,小栗,増田,「移動計測データのセグメンテーションと地物形状抽出(第2報)」,精密工学会秋季講演会(OS:サイバーフィールド構築技術) (2012) 亀井,富樫,橋本,西川,「モービルマッピングシステムによる3D点群データからの電柱検出」,IEICE technical report 110(469), 11-16, (2011) Niloy J. Mitra, An Nguyen and Leonidas Guibas「Estimating Surface Normals in Noisy Point Cloud Data」, International Journal of Computational Geometry and Applications (2004)
上述のように、非特許文献1、2による従来技術では、セグメンテーション後に柱状物体の検出を行うことを前提としているために、セグメンテーション精度に依存するという問題があった。特に、樹木や、看板などが接している電柱などの柱状物体においては、セグメンテーション精度が低下しやすく、例えば、樹木と電柱とが一つの物体としてセグメンテーションされ、後処理の柱状物体検出処理において検出漏れを起こすという問題があった。
また、非特許文献2、3による従来技術では、セグメンテーションを行わず、鉛直下方向に射影した点群の形状のみ用いて射影前の点群の形状を推定する。しかしながら、隣接する物体の影響により射影後の点群形状が円形形状にならない場合があり、そのとき、非特許文献2、3による技術では、検出漏れが生じるという問題がある。また、斜め方向に立っている支柱などの点群については、鉛直方向後に射影した点群が円形にならないため、検出が難しいという問題がある。
加えて、非特許文献1、2、3による従来技術では、柱状物体の太さは一定であると見做して半径を求めているが、実際の電柱は、テーパ(根元の半径が太く、先端が細い状態)が付与されており、このテーパの値(角度)が取得できないという問題がある。
本発明は、このような事情を考慮してなされたものであり、その目的は、柱状物体が斜めに傾いている場合や、柱状物体とそれ以外の物体が隣接しているような場合においても高精度で柱状物体を構成する3次元点群を検出することができる点群解析処理装置、点群解析処理方法及びプログラムを提供することにある。
本発明は、処理対象となる3次元点群に対して、RANSAC(Random Sample Consensus)による円柱もしくは四角柱当て嵌めを適用し、柱状物体の柱状パラメータを推定する柱状物体パラメータ推定部と、前記柱状物体パラメータ推定部によって推定された柱状物体パラメータに基づいて、推定された柱状物体の位置に存在する点群が柱状物体であるかを識別し、柱状有無の判定結果と、柱状物体が存在するとした場合には、前記3次元点群を分割した複数の小領域の各々の柱状物体の中心位置と半径とを出力する柱状物体識別部とを備えることを特徴とする点群解析処理装置である。
本発明は、上記の発明において、前記柱状物体判定部によって柱状物体が存在するとした場合に、前記複数の小領域の中心位置と半径とを用いて当該柱状物体の中心軸とテーパとを算出する柱状物体パラメータ再推定出部を更に備えることを特徴とする。
本発明は、前記柱状物体パラメータ推定部は、前記3次元点群を、重複することを許容した複数の領域に分割し、各領域に含まれる3次元点群を第1の処理対象点群として取り出す処理対象点群取得手段と、前記第1の処理対象点群に対して、RANSACによる柱状物体当て嵌め処理を行い、ランダムに選択した複数の点群情報を基に推定した複数の柱状パラメータを持つ柱状候補について、柱状物体らしさを示す柱状スコアを用いて柱状物体候補を示す柱状パラメータを決定する柱状パラメータ決定手段と、前記柱状パラメータ決定手段によって決定された前記柱状物体パラメータの一つである中心軸から所定の距離にある3次元点群を、第2の処理対象点群として選択する柱状物体候補絞り込み手段とを備え、前記柱状物体識別部は、前記第2の処理対象点群が存在する空間領域を中心軸に沿って所定の長さの小領域に分割する小領域分割手段と、前記小領域分割手段によって分割された小領域に対して柱状スコアを算出し、当該柱状スコアに基づいて、前記小領域の小領域パラメータとして、前記小領域の中心位置と半径とを算出する小領域パラメータ算出手段と、前記小領域パラメータに基づいて、前記小領域が柱状物体を構成するのに有効な領域であるか否かを判断する小領域有効性判定手段と、前記小領域有効性判定手段によって有効と判断された複数の小領域とその配置関係とに基づいて、柱状物体に該当するか否かを判定する柱状物体判定手段とを備えることを特徴とする。
本発明は、前記小領域有効性判定手段は、前記中心位置の座標の位置に、所定の幅の円環を有する前記半径のマスク領域を用意し、該マスク領域を複数の領域に等分し、該マスク領域の円環内にある点群の角度の総和と、円環の外にある点群の角度の総和と、円環内と外両方に点が存在する角度の総和とを用いて小領域スコアを求め、該小領域スコアを基づいて前記小領域の有効性を判断することを特徴とする。
本発明は、前記小領域有効性判定手段は、回転不変特徴量を用いたパターンマッチングにより有効性を判定することを特徴とする。
本発明は、処理対象となる3次元点群に対して、RANSAC(Random Sample Consensus)による円柱当て嵌めにより、柱状物体の柱状パラメータを推定する柱状物体パラメータ推定ステップと、前記柱状物体パラメータ推定ステップで推定された柱状物体パラメータに基づいて、推定された柱状物体の位置に存在する点群が柱状物体であるかを識別し、柱状有無の判定結果と、柱状物体が存在するとした場合には、前記3次元点群を分割した複数の小領域の各々の柱状物体の中心位置と半径とを出力する柱状物体識別ステップとを有することを特徴とする点群解析処理方法である。
本発明は、コンピュータを、前記点群解析処理装置として機能させるための点群解析処理プログラムである。
この発明によれば、柱状物体が斜めに傾いている場合や、柱状物体とそれ以外の物体が隣接しているような場合においても高精度に柱状物体を構成する3次元点群を検出することができる。
本発明の実施形態による柱状物体検出装置100の構成を示すブロック図である。 本実施形態の柱状物体検出装置100における、柱状物体検出アルゴリズム処理を説明するためのフローチャートである。 本実施形態による柱状物体パラメータ推定部105の動作を説明するためのフローチャートである。 本実施形態による柱状物体識別部106の動作を説明するためのフローチャートである。 本実施形態による柱状物体パラメータ再推定部107の動作を説明するためのフローチャートである。 本実施形態において、点群をZ軸正の方向から見た点群のオルソ画像の概念図である。 本実施形態において、X,Y格子上に区切ったときのオルソ画像の概念図である。 本実施形態において、柱状物体パラメータ推定部105よるRANSACによる柱状パラメータ推定処理(ステップS12)を説明するためのフローチャートである。 本実施形態において、RANSACによる円筒のパラメータ推定を説明するための概念図である。 本実施形態において、傾きによる最小二乗法でのパラメータ(中心,半径)推定誤差を説明するための概念図である。 本実施形態において、近傍格子点と検出された柱状物体候補位置を説明するための概念図である。 本実施形態による小領域への点群の分割を説明するための概念図である。 本実施形態において、小領域ごとの柱状スコアを説明するための概念図である。 本実施形態において、円環上のマスク領域を用いた有効領域の判定を説明するための概念図である。 本実施形態において、回転不変特徴量を説明するための概念図である。 中心軸と有効断面の中心位置及びパラメータ再推定を説明するための概念図である。
本発明は、セグメンテーション処理を必要とせずに、3次元点群の中から柱状物体と類似した形状部分(点群)を検出する技術である。具体的には、RANSACにより円柱、もしくは四角柱の当て嵌めを行い、柱状物体の大まかな位置と、傾きと、半径などのパラメータを推定する。これにより、セグメンテーションの影響を受けずに対象を検出することができる。また、柱状物体の中心軸方向が分かるので、軸に垂直な断面が作成することが可能となる。
本発明では、RANSACで検出した柱状物体の中心軸方向に点群を分割し、分割した複数の小領域が柱状物体の一部であるか判定し、有効と判定された小領域の3次元的な配置により、柱状物体か、それ以外の物体か否かの識別を行う。有効と判定された小領域から得られたパラメータを用いて、柱状物体のパラメータを再推定するため、電柱付近の変圧器や、クロージャーなどの付属品の影響を除くことができる。
本発明では、点群が柱状物体の面を構成しているか点群の断面と法線情報を用いて判定する。そのため、従来技術では、偶然、円形(もしくは四角形)の射影後の形状により生じる誤検出の抑制と斜めに設置された柱状物体検出とが可能となる。また、電柱などの柱状物体には、変圧器や、クロージャーなどの付属品があるが、本発明では、断面から特徴量を抽出してパターン認識することにより、統計的に柱状物体の近くに存在する確率の高い付属品まで含んだ断面を有効と判定することができる。
以下、本発明の一実施形態を、図面を参照して説明する。
本発明は、大規模な3次元点群の中から柱状物体を検出すると同時に検出した柱状物体のパラメータ(傾き、半径、テーパ等)を求める技術である。特に、道路周辺の電柱や電灯などの設備検出を目的としている。以下の実施形態では、具体的な例としてレーザーレンジファインダにより取得した位置情報(3次元座標)を持つ点群を用いた電柱(円柱)の検出方法について説明するが、四角柱を検出することも同様な処理で可能である。
ここで、3次元とは、緯度、経度、海抜(高さ)情報でもよいし、ユーザーが設定した特定の位置を原点とした3次元ユークリッド座標系でも極座標系でもよい。以下の例では、ユーザーが設定した原点における3次元ユークリッド座標系(各方向をX,Y,Z座標とする)を想定し、各座標の単位はメートルとする。3次元点とは、各点に上記の3次元座標、及びその点群が撮影された時刻や、レーザーの反射強度などの計測情報、その点の属性情報が付与されている点という意味である。3次元点に付与される情報に特に制限はないが、少なくとも位置情報(X,Y,Z座標)は付与されたものであり、3次元点群とはその3次元点が複数集まったものである。
(柱状物体検出装置全体の説明)
図1は、本発明の実施形態による柱状物体検出装置100の構成を示すブロック図である。図1において、被写体計測部101は、レーザーレンジファインダや、赤外線センサ、または超音波センサなど、被写体とセンサとの距離を測定可能な装置である。例えば、レーザーレンジファインダをGPS(Global Positioning System)が搭載された車両の上、もしくはGPSの搭載された飛行機に搭載し、走行しながら計測することで、街中の建物や、架線、道路など不特定多数の被写体の3次元位置を計測するシステムである。
道路周辺の柱状物体検出ではなく、ある特定の位置(交差点など)における柱状物体検出であれば、1箇所からの計測でよいので、GPSを必ずしも搭載している必要はない。本実施形態では、被写体計測部101として、車上にGPSとレーザーレンジファインダとが搭載されているMMS(Mobile Mapping System)を想定している。
被写体計測部101は、測定したレーザーの反射強度や、3次元位置情報、撮影時刻などを3次元点群記憶部103に供給する。パラメータ入力部102は、柱状物体検出装置100に必要されるパラメータを入力する装置である。例えば、キーボードや、マウス、タッチ入力装置などのユーザーインタフェースや、DVD(Digital Versatile Disc)や、USB(Universal Serial Bus)メモリ等の外部記憶装置からのパラメータのデータの転送装置である。
柱状物体検出装置100は、3次元点群記憶部103、パラメータ記憶部104、柱状物体パラメータ推定部105、柱状物体識別部106、柱状物体パラメータ再推定部107、柱状物体属性付与部108、及び3次元点群出力部109からなる。図1に示す破線部分は、柱状物体検出アルゴリズム(図2を参照)の処理を実行する、柱状物体パラメータ推定部105、柱状物体識別部106、柱状物体パラメータ再推定部107で構成されている。
3次元点群記憶部103は、被写体計測部101から3次元点群情報を取得し、柱状物体パラメータ推定部105に供給する。パラメータ記憶部104は、柱状物体検出アルゴリズム処理部を構成する柱状物体パラメータ推定部105、柱状物体識別部106、及び柱状物体パラメータ再推定部107にパラメータ情報を供給する。ここで、パラメータ情報とは、RANSACに用いる円柱当て嵌めのパラメータや、識別手法のパラメータであり、例えば、RANSACの繰り返し数、柱状物体識別部106の閾値や、識別器に入力する値である。
3次元点群記憶部103とパラメータ記憶部104とは、例えば、HDD(Hard Disk Drive)や、SSD(Solid State Drive)等のハードウェアによる記憶装置であり、同一でも別々のハードウェアでもよい。
柱状物体パラメータ推定部105は、3次元点群記憶部103から処理対象となる3次元座標内の3次元点群を取得し、取得した3次元点群についてRANSACによる円柱、もしくは四角柱当て嵌めによりパラメータ推定処理を行う。但し、本実施形態では、電柱(円柱)検出が目的であるので、円柱検出を例として示している。推定するパラメータは、円柱の場合、位置、中心軸の傾き、テーパである。
柱状物体識別部106は、柱状物体パラメータ推定部105からのパラメータ推定結果を取得し、推定された柱状物体の位置に存在する点群が柱状物体であるか識別処理を行い、柱状有無の判定結果と、さらに、柱状物体が存在するとした場合には、小領域ごとに求めた中心位置、及び半径情報とを、柱状物体パラメータ再推定部107に供給する。
柱状物体パラメータ再推定部107は、柱状物体識別部106から取得した結果を用いて、柱状物体の中心軸の位置、傾き、テーパを算出し、その算出結果を、柱状物体属性付与部108に供給する。
柱状物体属性付与部108は、柱状物体パラメータ再推定部107による算出結果、すなわち、柱状物体の中心軸の位置、傾き、テーパを取得し、検出した柱状物体位置に存在する点群に対して、パラメータ記憶部104から取得した電柱属性番号へ属性を変更する。属性とは、建物、地面、ワイヤ、電柱、樹木などに対して、ユーザーがあらかじめ設定した物体固有の番号である。
3次元点群出力部109は、3次元点群が付与されている情報をアスキーコードなどのテキストデータや、バイナリデータに変換し、そのデータをディスプレイ表示用の映像信号として3次元点群属性表示部110に出力する。付与されている情報とは、各点の3次元位置座標や、レーザーの反射強度、属性、測定時刻などを意味する。3次元点群属性表示部110は、例えば、CRT(Cathode Ray Tube)、LCD(Liquid Crystal Display)、PDP(Plasma Display Panel)等の表示装置である。
(柱状物体検出方法の説明)
次に、本実施形態の柱状物体検出装置100による柱状物体検出方法について説明する。図2は、本実施形態の柱状物体検出装置100における、柱状物体検出アルゴリズム処理部を実現する、柱状物体パラメータ推定部105、柱状物体識別部106、及び柱状物体パラメータ再推定部107の処理を説明するためのフローチャートである。
まず、柱状物体パラメータ推定部105は、処理対象点群を入力し(ステップS1)、RANSACによる柱状パラメータ推定を行う(ステップS2)。次に、柱状物体パラメータ推定部105は、推定された柱状物体パラメータである柱状物体候補であるか否かを判定し(ステップS3)、柱状物体候補でない場合には(ステップS3のNO)、ステップS1に戻る。
一方、柱状物体候補である場合には(ステップS3のYES)、柱状物体識別部106は、柱状物体候補の処理対象点群を中心軸に沿って小領域に分割し(ステップS4)、各小領域が有効な領域であるかを識別し(ステップS5)、有効領域であると識別した小領域の配置関係から、柱状物体を判定する(ステップS6)。そして、柱状物体であるか否かを判定し(ステップS7)、柱状物体でない場合には(ステップS7のNO)、ステップS1に戻る。
一方、柱状物体である場合には(ステップS7のYES)、柱状物体パラメータ再推定部107は、有効領域であると識別した小領域を用いて柱状パラメータを再推定し(ステップS8)、柱状物体属性付与部108に出力する(ステップS9)。
以下、上述した図2に示すフローチャートで説明した、柱状物体検出アルゴリズム処理部を実現する、柱状物体パラメータ推定部105、柱状物体識別部106、及び柱状物体パラメータ再推定部107の各部の詳細な動作について説明する。
図3は、本実施形態による柱状物体パラメータ推定部105の動作を説明するためのフローチャートである。また、図4は、本実施形態による柱状物体識別部106の動作を説明するためのフローチャートである。また、図5は、本実施形態による柱状物体パラメータ再推定部107の動作を説明するためのフローチャートである。
まず、柱状物体パラメータ推定部105は、図3のステップS10において、3次元点群記憶部103から3次元点群を取得する。
図6は、本実施形態において、点群をZ軸正の方向から見た点群のオルソ画像の概念図である。オルソ画像とは、図6に示すように、点群を鉛直方向(Z軸方向)に射影して作成したレーザーの反射強度画像である。電柱10や、家11、車12などの被写体例が示されており、色が白い程、レーザーの反射強度が高いことを示している。黒い部分は、被写体が障害となりレーザー計測できなかったオクルージョン部分を示している。
次に、柱状物体パラメータ推定部105は、図3のステップS11(処理対象点群取得手段)において、3次元点群から処理対象点群を取り出し、図3のステップS12以降の入力とする。ステップS12以降の柱状物体検出処理は独立して行える。
図7は、本実施形態において、X,Y格子上に区切ったときのオルソ画像の概念図である。図7に示すように、点群を幅Wの格子状に区切り、格子点を中心とした幅(2×W)のウインドウ20の領域ごとに存在する点群を処理対象点群とする。Wは実験的に決めるパラメータであり、柱状物体の半径以上、かつ隣り合う柱状物体同士の距離よりも小さくすることが望ましい。本実施形態では、W=0.5(M)とし、(M)はメートル単位である。
以下、上記の処理対象点群について数式で表して説明する。なお、以下の説明では、ベクトルを表すべく上部に(→)を付した文字列(例:A)については、(→A)で表す。また、文字列の右横に下付き文字(例:DC)、上付き文字(例:UC)を付した文字列(例:A)については、ADC UCで表す。また、上部に( ̄)を付した文字列(例:A)については、( ̄A)で表す。
入力された3次元点群をCall、3次元点をc∈Call(l∈1,2,…,Nall)、3次元点群の総数をNall、格子点をGRID(oは格子点の番号)で表すと、格子点GRIDに対する処理対象点群Pは、次式(1)で表される。
Figure 2014109555
但し、(→Z)(=[0,0,1])はZ軸方向の単位ベクトル、GRIDは格子点GRIDの位置ベクトルを表すとする。関数Fは3つのベクトルを入力し、F(a,b,c)は、3次元点a(ベクトル)について、点c(ベクトル)の位置を原点となるように平行移動した後に、Z軸をベクトルbの方へ回転させる回転行列Rotで変換する関数とする。本実施形態では、元の座標系をグローバル座標系とし、関数Fで変換した後の座標系をローカル座標系と定義する。bを任意の3次元ベクトル、回転する軸(→Axis)、及び角度φは、次式(2)、(3)で求まる。
Figure 2014109555
Figure 2014109555
但し、arccosはコサイン関数の逆関数であり、「・」はベクトルの内積、「×」をベクトルの外積を意味する。回転行列Rotは、3次元ベクトルを(→Axis)周りにφ回転させる行列であり、ロドリゲスの公式(Rodrigues’ rotation formula)により求まる。これより、Fは次式(4)で求まる。
Figure 2014109555
図3のステップS11においては、数式(4)の入力bがZ軸と並行であるので、回転行列Rotは3×3の単位行列となる。ローカル座標系Γでの新たなX座標の方向、Y座標の方向、Z座標の方向は、それぞれ次式(5)で求まる方向とする。
Figure 2014109555
また、distanceとdistanceは、入力されたベクトルのX方向成分の絶対値、X方向の成分の絶対値を出力する関数とする。よって、{a|(distance(a)<W)&(distance(a)<W)}は、X方向成分とY方向成分が両方ともWよりも小さい点aの集合を意味する。例えば、3次元ベクトルa=[a,a,a([]の右上のTは転置を意味する)について、aがX方向成分、aがY方向成分を意味するので、|a|<W、かつ|a|<Wであるか否かを調べればよい。
図3のステップS11において、格子点のX軸方向とY軸方向の格子点の存在する範囲は、ユーザーが任意で設定することが可能である。本実施形態では、図7に示すように、X軸方向の格子点の最小値、及び最大値をXst、Xovとし、Y軸方向の格子点の最小値、及び最大値をYst、Yovとすると、次式(6)〜(13)で求まる。
Figure 2014109555
Figure 2014109555
Figure 2014109555
Figure 2014109555
Figure 2014109555
Figure 2014109555
Figure 2014109555
Figure 2014109555
ここで、floor(x/y)は、xをyで割ったときの小数点以下を切り捨てた商を出力する関数である。例えば、floor(9/4)は2を出力する。またスカラー間の「・」は掛け算を意味する。格子点GRIDのoの範囲は、o∈1,2,…,Width・Heightである。
以上、図3のステップS11において、処理対象点群の取り出し方について述べたが、格子状に点群を区切る必要性は必ずしもなく、重複することを許容した円形の複数の領域に区切ることや、セグメンテーション処理をした後の点群を処理対象点群とすることも可能である。
次に、柱状物体パラメータ推定部105は、図3のステップS12(柱状パラメータ決定手段)において、格子点GRIDにおいて柱状物体が存在すると仮定し、RANSACによる柱状物体当て嵌め処理を行い、柱状物体のパラメータ、及び柱状スコアJを算出する。本実施形態では、電柱を例としているので、柱状物体は円柱とする。よって、RANSACでは、円柱当て嵌めを行う。RANSACによる円柱当て嵌めは、既存技術として多数存在するが、本実施形態では、検出精度向上のために、以下のように法線方向を用いた円柱当て嵌めを行う。
図8は、本実施形態において、柱状物体パラメータ推定部105よるRANSACによる柱状パラメータ推定処理(ステップS12)を説明するためのフローチャートである。図8のステップS40として、格子点GRIDの位置を中心としたウインドウ内の領域内の点p∈Pを処理対象点群として入力とする。ここで、処理対象点群の数をN、処理対象点の各点を区別するための番号をiとし、p=[X,Y,Zは、pの3次元位置を表すベクトルとする。以下、ステップS41からステップS46をK回繰り返す。但し、Kは実験的に決めるパラメータであり、Kは大きい値の方が望ましい。本実施形態ではK=1,000とした。
まず、柱状物体パラメータ推定部105は、図8のステップS42において、N個の点群からZ軸の値が異なる2点(pk_1,pk_2)をランダムに選択し、次式(14)で2点を結んだ方向(→pk_1k_2)を求める(図8参照)。但し、pk_1,pk_2の2点について、Z軸の値が大きい点をpk_1とし、小さい方の点をpk_2とし、添え字のkはk回目に選ばれた点を意味する。
Figure 2014109555
数式(8)の「‖ ‖」は2ノルムを表し、pk_1−pk_2は2点pk_1とpk_1との差分ベクトルである。これを、格子点GRIDにおける円柱軸の方向S (k)と一時的に仮定する。
次に、柱状物体パラメータ推定部105は、図8のステップS43において、S (k)方向を新たなZ軸としたローカル座標系Γへ処理対象点群Pの変換を行う。処理対象点群Pの中でのZの方向の値が最小な点をPoint=[MinXo,MinYo,MinZoとし、この点をローカル座標系Γでの原点とする。
軸方向をS (k)、変換後の原点をPointとなるようなローカル座標系Γoへ関数Fを用いて変換する。変換後のローカル座標p'=[X’,Y’,Z’]を次式(15)により求める。
Figure 2014109555
ローカル座標p’の新たなX’、Y’、Z’座標の軸方向は、次式(16)で表される。
Figure 2014109555
次に、柱状物体パラメータ推定部105は、図8のステップS44において、柱状物体のパラメータとして円柱の半径、及び中心位置を算出する。算出方法には、Hough変換や、最小二乗法などがあるが、本実施形態では、最小二乗法について示す。
推定した円柱の半径をr、ローカル座標系Γでの中心位置(中心軸S (k)とZ’=0の交点)を[r,r,0]とし、次式(17)の誤差関数Eを定義する。
Figure 2014109555
この誤差関数Eを最小にするように、パラメータr,r,rを求める。誤差関数Eについて、各パラメータr,r,rで偏微分した連立方程式を求めると、次式(18)が求まる。
Figure 2014109555
ここで、行列右上にある「−1」は逆行列であることを意味する。上記数式(18)より、各パラメータが求まる。式(18)について、処理対象点群N個の全ての点を用いて計算しても良いし、処理対象点群N個のうちにランダムにNk個選んで、N個の点を用いて計算しても良い。本実施例では計算量を少なくするためにNを10点と少ない数に設定する。ランダムな点の選び方は、例えば0から1の乱数を発生させて、発生させた数に処理対象点群数Nをかけた値の小数点を切り捨てた値の番号とした。これをN回繰り返せばよい。ここで、図9は、本実施形態において、RANSACによる円筒のパラメータ推定を説明するための概念図である。図9に示すように、2点(pk_1,pk_2)を結んだ向きが円柱の軸と並行であるほど、軸方向から見た点群の形状が円形に近くなり、推定パラメータの精度が高い。
柱状物体パラメータ推定部105は、図8のステップS44の最後に、ローカル座標系Γでの中心位置をグローバル座標系に変換した座標を、柱状物体パラメータの位置Posとして求める。
Figure 2014109555
次に、柱状物体パラメータ推定部105は、図8のステップS45において、柱状スコアJを算出する。柱状度合いの評価関数は、幾つか設計方法があるが、本実施形態では、円柱パラメータ推定に有効な2つの評価関数を示す。
ローカル座標系Γの点p'が、推定した中心位置[r,r]から半径r±Δr以内に存在するか判定する関数G(X’,Y’,r)により、次式(20)で柱状スコアJを求める。
Figure 2014109555
但し、G(X’,Y’,r,r,r)は、(X’,Y’)が半径r±Δrの円環内にあるとき1、それ以外は0を出力する関数である。つまり、下記の条件式(21)を満たす点について関数Gは1を出力する。
Figure 2014109555
図9に示すように、推定した中心位置から設定した円環内に点群が多く入っている場合に、柱状度合いηが大きくなる。また,Δrは実験的に決めるパラメータであり、本実施形態では、Δr=0.06(M)とした。rについては、0.1(M)から0.3(M)の値を0.02(M)ごとに離散的にrを変化させて、柱状スコアJの値を計算し、最も大きな柱状スコアJの値を出力するときのrを柱状物体のパラメータの半径Radiusとして求める。
Figure 2014109555
また、柱状スコアJの別の評価関数として、射影前の点が円柱の側面を構成していたか否かの情報を考慮した関数も設計できる。円柱の側面、つまり法線方向が円柱として妥当であるか否か、つまり円柱の中心から放射線状の方向であるか評価する関数を用いる。これにより、推定した中心位置から放射線上に法線が存在している円柱に対して、樹木のような物体(沢山の法線方向を持つ木の葉がある物体)の検出を抑制することができる。
法線方向は、従来技術により求められるが、例えば、注目点pとその周辺の点群の位置ベクトルから作成した共分散行列を固有値分解して、その第三固有値に対応するベクトルとして求める方法や、ノイズに頑健な非特許文献4のような算出方法がある。従来技術により求めた各点pの法線ベクトルをuとすると、柱状スコアJは、次式(23)で表される。
Figure 2014109555
但し、Vは、(→pk_1k_2)に垂直な面上のベクトルであり、次式(24)で求まる。
Figure 2014109555
図9に示すように、(→pk_1k_2)が円柱の中心軸と並行なほど、射影された点の形が円形に近くなり、また各点の法線方向も[r,r]と射影後の点を結んだ方向Vとの成す角度が小さくなり、柱状スコアJも大きな値をとる。数式(23)の柱状スコアJについても、数式(20)の柱状スコアJと同様にして、柱状物体パラメータの半径Radiusを数式(22)より求めることができる。注意すべき点は、式(18)の柱状物体のパラメータ[r,r,r]を求めるときのみ、ランダムに選択したN個の点を用いて計算したのに対して、式(21)や式(23)などの柱状スコアJの計算時には全点N個を用いていることである。
次に、柱状物体パラメータ推定部105は、図8のステップS47において、K回の処理の中で柱状スコアJが最も大きいときの柱状スコアJの値を格子点Pの格子点柱状スコアη(P)(=maxJ)とする。また、そのときの中心軸方向S、円柱パラメータ(半径Radius、中心軸の長さPlength、円柱位置Pos)を柱状物体候補パラメータとして出力する。中心軸の長さPlengthは、処理対象点群pの中でG(X’,Y’)==1となった点、つまりローカル座標における円環r±Δrの中に入った点群のZ座標の最大値Zo_maxと最小値Zo_minを用いて、次式(25)で求まる。
Figure 2014109555
柱状物体パラメータ推定部105は、図3のステップS14(柱状物体候補絞り込み手段)において、各格子点Pで求めた柱状物体パラメータについて、格子点柱状スコアηを用いて柱状物体候補の絞り込みを行う。なお、柱状物体候補とは、図3のステップS12において求めた柱状物体のパラメータのことである。まず、閾値処理により判定処理をする。次の条件式(26)を満たさない場合、柱状物体候補から削除する。
Figure 2014109555
ここで、閾値Thηは実験的に決めるパラメータである。本実施形態では、200とした。格子点柱状スコアηは、点群の測定密度が高いほどスコアが大きくなる傾向あるので、閾値Thηは密度に応じて大きな値をとることが望ましい。
次に、近傍格子点において格子点柱状スコアηを比較して、競合している場合には、格子点柱状スコアηの大きい方を柱状物体候補として求める。
ここで、図11は、本実施形態において、近傍格子点と検出された柱状物体候補位置を説明するための概念図である。上記近傍格子点50とは、図11に示すように、注目する格子点GRIDoに対する8近傍(X,Y座標で±1)の格子点(一転破線の円)のことを意味する。また、図11には、実線ウインドウ51で検出した柱状物体候補位置51a、破線ウインドウ52で検出した柱状物体候補位置52aを示している。
競合するとは、近傍格子点で求めた柱状物体候補パラメータの中心軸が平行に近い場合、かつ、中心軸同士の最短距離が閾値以内のときの場合とする。このとき、格子点柱状スコアηの少ない方を柱状物体候補から削除する。
ここで、図10(A)、(B)は、本実施形態において、傾きによる最小二乗法でのパラメータ(中心,半径)推定誤差を説明するための概念図である。例えば、図10に示すようにグリッドの作成方法により、ウインドウの位置に応じて柱状物体候補を出力するので、同一の物体上に2つの柱状物体候補が出力されることがある。ある格子点Pと隣接する格子点P’で出力した柱状物体候補の中心軸SとS’の内積をとり、以下の条件式(27)により競合するか判定を行う。
Figure 2014109555
ここで、abs()は絶対値をとる関数、Thは閾値であり、中心軸の方向S,S’の内積が閾値Th以上であれば、競合していると判定する関数である。Thは実験的に決めるパラメータであり、本実施形態では0.8とした。柱状物体パラメータ推定部105は、柱状物体候補の絞り込みが終了すると、図3のステップS15において、柱状物体識別部106に出力する。
次に、柱状物体識別部106の処理について説明する。
柱状物体識別部106は、図3のステップS14で出力した柱状物体候補について、実際に柱状物体であるか識別する処理を行う。以下、柱状物体識別部106、柱状物体候補m(∈1,2,…,M)について、図4に示すステップS20からステップS25の処理を行う。Mは柱状物体候補の総数を意味し、mは柱状物体候補を区別するための番号である。
まず、柱状物体識別部106は、図4のステップS20において、周辺の3次元点群を切り出す。柱状物体候補mの中心位置Posを原点としたローカル座標系Γposmを設定する。中心軸Sを新たなZ'座標として、このZ'軸から距離R以内の点を処理対象の点群Qとする。次式(28)で表される。
Figure 2014109555
ここで、「×」はベクトルの外積を意味し、Qはローカル座標系ΓposmにおいてX’Y’平面に射影した点が、ローカル座標系の原点からの距離がR以内の点の集合であることが分かる。Rは実験的に決めるパラメータであり、本実施形態ではWとする。
次に、柱状物体識別部106は、図4のステップS21(小領域分割手段)において、処理対象点群Qが存在する領域について中心軸に沿って長さhで分割し、分割した領域を小領域SubQ(t)とする。但し、tは小領域を区別するための番号(t∈1,2,3,…,T)であり、Tを小領域の総数とする。図4のステップS21では、分割した領域(小領域)ごとに所属する点qを求める。
各小領域SubQ(t)に属する点q(j∈1,2,…,N)について、ローカル座標q’を求める。添え字jは点を区別するための番号、Nを小領域に所属する点群の総数とすると、小領域の点q(=[X,Y,Z)のグローバル座標から柱状物体候補mのローカル座標q’の変換は、次式(29)のように求まる。
Figure 2014109555
ここで、図12は、本実施形態による小領域への点群の分割を説明するための概念図である。次に、柱状物体識別部106は、図12に示すように、処理対象点群を軸方向にhの幅で分割する。ここで、hは実験的に決めるパラメータであり、本実施形態ではh=0.5(M)とした。処理対象点qが所属する小領域の番号tは、次式(30)に示すように、q’のローカル座標系でのZ’軸方向の成分Z’により決まる。
Figure 2014109555
次に、柱状物体識別部106は、図4のステップS22(小領域パラメータ算出手段)において、ステップS21で作成した小領域の点群を用いて、中心軸の位置(ローカル座標におけるX’,Y’の位置)を算出する。
ここで、図13(A)、(B)は、本実施形態において、小領域ごとの柱状スコアを説明するための概念図である。まず、柱状物体識別部106は、前処理として小領域ごとに、図13(A)に示すような半径r±Δrのマスクを用いて、図13(B)に示すように、次式(31)で表される柱状スコアJが最大となる位置と半径を求める。
Figure 2014109555
但し、関数Gは、数式(23)と同じであり、点q’のX,Y座標(X’,Y’が位置(r,r)を中心とした半径r±Δrの円環内にあるとき1、それ以外は0を出力する関数である。マスクの中心位置の座標(r,r)とrの値を変化させて、最も大きな値を出力した中心位置の座標(X’,Yt’)とそのときの半径rの値を用いて特徴抽出をする。
次に、柱状物体識別部106は、図4のステップS23(小領域有効性判定手段)において、各小領域が有効な領域か否か判定を行う。
ここで、図14は、本実施形態において、円環上のマスク領域を用いた有効領域の判定を説明するための概念図である。図14に示すように、図4のステップS22で算出した中心位置の座標(X’,Y’)の位置に半径r、幅Δrのマスク領域を用意する。このマスク領域をN等分して領域α,α,…,αNrを設定する。マスクの円環内にある点群の角度の総和と、円環の外にある点群の角度の総和と、円環内と外両方に点が存在する角度の総和とを用いて次式(32)に従って小領域スコアξを求める。
Figure 2014109555
但し、関数AG(k)は、推定した中心位置の座標(X’,Y’)から半径r幅Δrの円環内の領域αのみに点群が存在するとき+1、領域αの内側(中心に近い方)、もしくは外側に点群が存在するときは0、円環内には点群が存在せずに円環の外、もしくは内側にのみ点群が存在する場合には―1を出力する関数である。パラメータΔrは0.05(M)とした。
次に、柱状物体識別部106は、小領域スコアξを用いて小領域Q(t)が有効領域か判定する。次式(33)の閾値処理により有効領域か否か判定を行う。
Figure 2014109555
ここで、Th,Nは実験的に決めるパラメータである。本実施形態では、Th=6、N=36とした。
上記数式(33)では、点群があらかじめ設定したマスク領域の形であるかを評価しているため、電柱付近にある付属品の数が多くなると、有効領域と判定されない可能性がある。そこで、回転不変特徴量を用いたパターンマッチングにより、これに対応する。回転不変特徴量を使う理由は、レーザーレンジファインダで測定する方向が被写体ごとに異なるためである。本実施形態では、回転不変特徴量とは測定方向の違いに影響されない特徴量とする。本実施形態においては、点群をX’Y’平面上に射影した点群から作成した断面画像から抽出した特徴量を用いた例を示す。
図15は、本実施形態において、回転不変特徴量を説明するための概念図である。
まず、図15の上段に示すように、幅Δwの大きさで量子化したX’Y’平面上を作成する。作成方法は、図7のオルソ画像と同様にできる。但し、ある注目画素Iについて、その画素の値は、点群が存在する数である。オルソ画像の場合には、点群の反射強度であったのに対して、図4のステップS22における断面画像では、格子内にある点数であることが異なる。
次に、図15の下段に示すように、画像から勾配ヒストグラムを作成する。勾配ヒストグラムは、既存技術であるHOG(Histogram of oriented gradients)と同様に行う。具体的には、値が1以上画素について勾配方向を求め、勾配方向を量子化した頻度分布を作成する。画素I(x,y)における勾配方向φは、次式(34)、(35)、(36)で求まる。
Figure 2014109555
Figure 2014109555
Figure 2014109555
次に、画素値が1以上の画素について、勾配方向に応じて画素の頻度分布を作成する。頻度分布を作成するためには、勾配方向をΔφ毎に区切るパラメータが必要であるが、本実施形態では、Δφを10(度)とした。よって、36分割した方向による頻度分布が作成される。
次に、最も頻度が高いビンを起点として頻度を並べたベクトルを作成する。例えば、X’軸と成す角度φが0度、10度、20度、…と10度刻みで分割されたビンに対する頻度(画素の数)が、「10、40、53、47、32、45、12、36、…」と並んでいた場合には、「53、47、32、45、12、36、…、10、40」と頻度を並び替えたベクトルを作成する(図15の下段右端を参照)。これにより、測定方向がX’軸に対して、どの方向であったとしても、同一の特徴ベクトルfが作成できる。
最後に、この特徴ベクトルfを用いて、パターンマッチングすることで、有効領域が判定を行う。パターンマッチングの既存技術は多数あるが、本実施形態では、一例としてニアレスト・ネイバー法(NN法)を示す。NN法の概要を述べると、辞書として登録した特徴ベクトルと未知の入力特徴ベクトルとの距離情報を用いて、最も距離が近い方の辞書ベクトルを持つ辞書のクラスとする識別方法である。
電柱や、街灯などのような柱状物体を正解データ、壁や、木などを不正解データとして登録する。各正解データの点群を小領域に分割して断面画像を作成し、その断面画像から抽出した特徴ベクトルfpos を正の辞書として登録し、各不正解データの点群を小領域に分割して断面画像を作成し、その断面画像から抽出した特徴ベクトルfneg を正の辞書として登録する。kとlは、特徴ベクトルを区別するための番号である。次式(37)、(38)、(39)により、入力された小領域が有効な領域か否かを、入力された小領域SubQ(t)に対する特徴量fを用いて判定する。
Figure 2014109555
Figure 2014109555
Figure 2014109555
但し、関数argmin(Dpos,Dneg)は、DposとDnegとを比べて、値の小さい方の添え字(pos,neg)を出力する関数であり、‖・‖はベクトルの2ノルムを意味する。関数Dnegは、入力ベクトルに対して、不正解の辞書ベクトルの中で最も距離が近いベクトルとの距離を出力し、関数Dnegは、入力ベクトルに対して、不正解の辞書ベクトルの中で最も距離が近いベクトルとの距離を出力する。関数argmin(Dpos,Dneg)は、Dposの方が小さいときにposを、それ以外はnegを出力する。つまり、posを出力したときに有効領域と判定する。
上述したNN法の説明において、上記のように画像を作成してから2次元画像特徴量を用いるのではなくて、本発明においては、3次元点群から直接、3次元点を対象とした回転不変の局所特徴量であるPFH(Point Feature Histograms) descriptorsなどを用いて、識別を行ってもよい。
柱状物体識別部106は、図4のステップS24(柱状物体判定手段)において、ステップS23で有効領域と判定された小領域SubQ(t)の配置関係から、柱状物体か否か判定を行う。
ここで、図16(A)、(B)、(C)は、各々、中心軸と有効断面の中心位置、及びパラメータ再推定を説明するための概念図である。図16(A)のように、図4のステップS22で求めた有効領域の中心位置rが中心軸Sから距離dsub以内にあるものについてグローバル座標上にプロットする。dsubは実験的なパラメータであり、本実施形態ではdsub=0.2(M)とする。グローバル座標系での位置wは、次式(40)で求まる。
Figure 2014109555
プロットされた中心位置について、距離が2h以内の断面を中心軸上に連結する。各連結した距離の中で最も長い距離、もしくは連結した距離の総和をLFとする。図16(A)、(B)、(C)の例では、LF=+L2、もしくはLF=L1+L2とする。点群のノイズが多い場合には、連続して有効小領域が検出されにくいので、連結距離の総和をLFとするとよい。
連結長さLFを用いて、次式(41)で表される閾値処理により、柱状物体か否か判定を行う。
Figure 2014109555
ここで、Thは実験的に決めるパラメータである。本実施形態では、Th=4(M)とした。
まず、柱状物体パラメータ再推定部107は、図5のステップS30において、柱状物体判定結果を入力する。次に、柱状物体パラメータ再推定部107は、図5のステップS31において、有効領域の断面の中心位置と半径を用いて、中心軸とテーパを算出する。まず、図14に示すように、有効領域の断面の中心点を3次元空間にプロットして、直線近似により中心軸を再推定する。中心点の位置をw(n∈1,2,…,T)とし、次式(42)、(43)、(44)に従って、共分散行列Uを求める。
Figure 2014109555
Figure 2014109555
Figure 2014109555
但し、関数δは、小領域SubQ(t)が有効なときは1を、それ以外は0を出力する。この共分散行列Uを固有値分解して求めた第一固有値に対応する第一固有値ベクトルが、中心軸の方向S newである。また、再推定時の( ̄w)を中心軸の位置Pos newとする。
次に、再推定した中心軸S new上に有効領域の中心点wを射影し、射影した位置eにおいて図4のステップS22で推定した半径rをプロットする。図16(B)のようにプロットした点群についても同様に、柱状物体パラメータ再推定部107は、図5のステップS32において、図16(C)に示すように、直線フィッテングを行って中心軸S newの方向との成す角度θをテーパとして算出し、ステップS33で柱状物体属性付与部108に出力する。横軸の値をe、縦軸の値をrとした直線の傾Bきは最小二乗法で解けるので、次式(45)、(46)に従って、中心軸に対するテーパ(角度)も求まる。
Figure 2014109555
Figure 2014109555
最後に、柱状物体属性付与部108により、点群に属性付与を行う。柱状物体パラメータ再推定部107で得られた中心軸の位置とテーパとにより、柱状物体の表面(外面)の位置が分かる。そこで、3次元点群がある柱状物体mの表面付近に存在するか否かを判定すればよい。例えば、次式(47)のように柱状物体mについて、有効領域の最大半径rt_max以内の点について、柱状物体であるという属性を付与すればよい。
3次元点群について、ある柱状物体mに属している点群Cpoleを、次式(47)により判定し、判定された点群に柱状物体のラベル(属性)を付与する。
Figure 2014109555
上述した実施形態によれば、鉛直方向に射影するという仮定や、事前にセグメンテーションを実施する必要がないため、柱状物体が斜めである場合でも、柱状物体と柱状以外の物体が隣接している場合でも、高精度で柱状物体を構成する3次元点群を検出することができる。また、検出した柱状物体の位置と中心軸の傾きと半径(四角柱であれば中心軸垂直な断面の直径)とテーパの値(角度)を推定することができる。
なお、上述した実施形態において、上述した柱状物体パラメータ推定部105、柱状物体識別部106、柱状物体パラメータ再推定部107、柱状物体属性付与部108、3次元点群出力部109などによる各処理を実現するためのプログラムを、コンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより、各処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、OSや周辺機器等のハードウェアを含むものであってもよい。また、「コンピュータシステム」は、WWWシステムを利用している場合であれば、ホームページ提供環境(あるいは表示環境)も含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ROM、フラッシュメモリ等の書き込み可能な不揮発性メモリ、CD−ROM等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。
さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ(例えばDRAM(Dynamic Random Access Memory))のように、一定時間プログラムを保持しているものも含むものとする。また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク(通信網)や電話回線等の通信回線(通信線)のように情報を伝送する機能を有する媒体のことをいう。また、上記プログラムは、前述した機能の一部を実現するためのものであっても良い。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル(差分プログラム)であっても良い。
以上、本発明を、上記実施形態に基づき具体的に説明したが、本発明は、上記実施例に限定されるものではなく、その要旨を逸脱しない範囲において種々変更可能であることは勿論である。
100 柱状物体検出装置
101 被写体計測部
102 パラメータ入力部
103 3次元点群記憶部
104 パラメータ記憶部
105 柱状物体パラメータ推定部
106 柱状物体識別部
107 柱状物体パラメータ再推定部
108 柱状物体属性付与部
109 3次元点群出力部
110 3次元点群属性表示部

Claims (7)

  1. 処理対象となる3次元点群に対して、RANSAC(Random Sample Consensus)による円柱当て嵌めを適用し、柱状物体の柱状パラメータを推定する柱状物体パラメータ推定部と、
    前記柱状物体パラメータ推定部によって推定された柱状物体パラメータに基づいて、推定された柱状物体の位置に存在する点群が柱状物体であるかを識別し、柱状有無の判定結果と、柱状物体が存在する場合には、前記3次元点群を分割した複数の小領域の各々の柱状物体の中心位置と半径とを出力する柱状物体識別部と
    を備えることを特徴とする点群解析処理装置。
  2. 前記柱状物体判定部によって柱状物体が存在すると識別した場合に、前記複数の小領域の中心位置と半径とを用いて当該柱状物体の中心軸とテーパとを算出する柱状物体パラメータ再推定部を更に備えることを特徴とする請求項1に記載の点群解析処理装置。
  3. 前記柱状物体パラメータ推定部は、
    前記3次元点群を、重複することを許容した複数の領域に分割し、各領域に含まれる3次元点群を第1の処理対象点群として取り出す処理対象点群取得手段と、
    前記第1の処理対象点群に対して、RANSACによる柱状物体当て嵌め処理を行い、ランダムに選択した複数の点群情報を基に推定した複数の柱状パラメータを持つ柱状候補について、柱状物体らしさを示す柱状スコアを用いて柱状物体候補を示す柱状パラメータを決定する柱状パラメータ決定手段と、
    前記柱状パラメータ決定手段によって決定された前記柱状物体パラメータの一つである中心軸から所定の距離にある3次元点群を、第2の処理対象点群として選択する柱状物体候補絞り込み手段と
    を備え、
    前記柱状物体識別部は、
    前記第2の処理対象点群が存在する空間領域を中心軸に沿って所定の長さの小領域に分割する小領域分割手段と、
    前記小領域分割手段によって分割された小領域に対して柱状スコアを算出し、当該柱状スコアに基づいて、前記小領域の小領域パラメータとして、前記小領域の中心位置と半径とを算出する小領域パラメータ算出手段と、
    前記小領域パラメータに基づいて、前記小領域が柱状物体を構成するのに有効な領域であるか否かを判定する小領域有効性判定手段と、
    前記小領域有効性判定手段によって有効と判定された複数の小領域とその配置関係とに基づいて、柱状物体に該当するか否かを判定する柱状物体判定手段と
    を備えることを特徴とする請求項1または2に記載の点群解析処理装置。
  4. 前記小領域有効性判定手段は、前記中心位置の座標の位置に、所定の幅の円環を有する前記半径のマスク領域を用意し、該マスク領域を複数の領域に等分し、該マスク領域の円環内にある点群の角度の総和と、円環の外にある点群の角度の総和と、円環内と外両方に点が存在する角度の総和とを用いて小領域スコアを求め、該小領域スコアを基づいて前記小領域の有効性を判断することを特徴とする請求項1から3のいずれか1項に記載の点群解析処理装置。
  5. 前記小領域有効性判定手段は、回転不変特徴量を用いたパターンマッチングにより有効性を判定することを特徴とする請求項1から3のいずれか1項に記載の点群解析処理装置。
  6. 処理対象となる3次元点群に対して、RANSAC(Random Sample Consensus)による円柱当て嵌めにより、柱状物体の柱状パラメータを推定する柱状物体パラメータ推定ステップと、
    前記柱状物体パラメータ推定ステップで推定された柱状物体パラメータに基づいて、推定された柱状物体の位置に存在する点群が柱状物体であるかを識別し、柱状有無の判定結果と、柱状物体が存在するとした場合には、前記3次元点群を分割した複数の小領域の各々の柱状物体の中心位置と半径とを出力する柱状物体識別ステップと
    を有することを特徴とする点群解析処理方法。
  7. コンピュータを、請求項1から5のいずれか1項に記載の点群解析処理装置として機能させるための点群解析処理プログラム。
JP2012265618A 2012-12-04 2012-12-04 点群解析処理装置、点群解析処理方法及びプログラム Pending JP2014109555A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2012265618A JP2014109555A (ja) 2012-12-04 2012-12-04 点群解析処理装置、点群解析処理方法及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2012265618A JP2014109555A (ja) 2012-12-04 2012-12-04 点群解析処理装置、点群解析処理方法及びプログラム

Publications (1)

Publication Number Publication Date
JP2014109555A true JP2014109555A (ja) 2014-06-12

Family

ID=51030260

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2012265618A Pending JP2014109555A (ja) 2012-12-04 2012-12-04 点群解析処理装置、点群解析処理方法及びプログラム

Country Status (1)

Country Link
JP (1) JP2014109555A (ja)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014153336A (ja) * 2013-02-13 2014-08-25 Nippon Telegr & Teleph Corp <Ntt> 点群解析処理装置及び点群解析処理プログラム
KR101530267B1 (ko) * 2014-10-07 2015-06-23 한국건설기술연구원 Mep 파이프 객체 역설계 방법
KR101530262B1 (ko) * 2014-10-07 2015-06-23 한국건설기술연구원 Mep 파이프 객체 역설계 시스템
JP2016038669A (ja) * 2014-08-06 2016-03-22 国立研究開発法人産業技術総合研究所 射影画像生成装置と射影画像生成プログラムと射影画像生成方法
KR101627653B1 (ko) * 2015-03-20 2016-06-08 인천대학교 산학협력단 란삭 알고리즘 기반의 자동 바둑 기보 시스템 및 그 방법
JP2016217941A (ja) * 2015-05-22 2016-12-22 株式会社東芝 3次元データ評価装置、3次元データ測定システム、および3次元計測方法
US10114910B2 (en) 2015-06-16 2018-10-30 Hitachi, Ltd. Three-dimensional model generating device, method of determining structural member, and program
JP2019052959A (ja) * 2017-09-15 2019-04-04 日本電信電話株式会社 柱状構造物の状態検査方法、装置およびプログラム
JP2019066241A (ja) * 2017-09-29 2019-04-25 株式会社トプコン 解析システム、解析方法、及び解析プログラム
WO2019172065A1 (ja) * 2018-03-05 2019-09-12 日本電信電話株式会社 柱状物体状態検出装置、柱状物体状態検出方法、柱状物体状態検出処理プログラム
JP2019192059A (ja) * 2018-04-27 2019-10-31 田中 成典 対象物認識装置
WO2019229912A1 (ja) * 2018-05-30 2019-12-05 株式会社ニコン 情報処理装置、情報処理方法、情報処理プログラム、及び顕微鏡
WO2020066414A1 (ja) * 2018-09-28 2020-04-02 シャープ株式会社 画像生成装置、画像生成方法、画像生成プログラムおよび記録媒体
JPWO2021246217A1 (ja) * 2020-06-05 2021-12-09
US11887387B2 (en) 2019-07-23 2024-01-30 Nippon Telegraph And Telephone Corporation Mesh structure equipment detection apparatus, mesh structure equipment detection method and program
WO2024023900A1 (ja) * 2022-07-25 2024-02-01 日本電信電話株式会社 抽出装置、抽出方法、及び抽出プログラム
JP7511209B2 (ja) 2019-01-02 2024-07-05 グリットワールド ゲーエムベーハー 対象物を3d再構築するための方法

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014153336A (ja) * 2013-02-13 2014-08-25 Nippon Telegr & Teleph Corp <Ntt> 点群解析処理装置及び点群解析処理プログラム
JP2016038669A (ja) * 2014-08-06 2016-03-22 国立研究開発法人産業技術総合研究所 射影画像生成装置と射影画像生成プログラムと射影画像生成方法
KR101530267B1 (ko) * 2014-10-07 2015-06-23 한국건설기술연구원 Mep 파이프 객체 역설계 방법
KR101530262B1 (ko) * 2014-10-07 2015-06-23 한국건설기술연구원 Mep 파이프 객체 역설계 시스템
KR101627653B1 (ko) * 2015-03-20 2016-06-08 인천대학교 산학협력단 란삭 알고리즘 기반의 자동 바둑 기보 시스템 및 그 방법
JP2016217941A (ja) * 2015-05-22 2016-12-22 株式会社東芝 3次元データ評価装置、3次元データ測定システム、および3次元計測方法
US10114910B2 (en) 2015-06-16 2018-10-30 Hitachi, Ltd. Three-dimensional model generating device, method of determining structural member, and program
JP2019052959A (ja) * 2017-09-15 2019-04-04 日本電信電話株式会社 柱状構造物の状態検査方法、装置およびプログラム
JP2019066241A (ja) * 2017-09-29 2019-04-25 株式会社トプコン 解析システム、解析方法、及び解析プログラム
JP2019152576A (ja) * 2018-03-05 2019-09-12 日本電信電話株式会社 柱状物体状態検出装置、柱状物体状態検出方法、柱状物体状態検出処理プログラム
WO2019172065A1 (ja) * 2018-03-05 2019-09-12 日本電信電話株式会社 柱状物体状態検出装置、柱状物体状態検出方法、柱状物体状態検出処理プログラム
JP2019192059A (ja) * 2018-04-27 2019-10-31 田中 成典 対象物認識装置
JP7290240B2 (ja) 2018-04-27 2023-06-13 成典 田中 対象物認識装置
WO2019229912A1 (ja) * 2018-05-30 2019-12-05 株式会社ニコン 情報処理装置、情報処理方法、情報処理プログラム、及び顕微鏡
WO2020066414A1 (ja) * 2018-09-28 2020-04-02 シャープ株式会社 画像生成装置、画像生成方法、画像生成プログラムおよび記録媒体
JPWO2020066414A1 (ja) * 2018-09-28 2021-08-30 シャープ株式会社 画像生成装置、画像生成方法、画像生成プログラムおよび記録媒体
JP7511209B2 (ja) 2019-01-02 2024-07-05 グリットワールド ゲーエムベーハー 対象物を3d再構築するための方法
US11887387B2 (en) 2019-07-23 2024-01-30 Nippon Telegraph And Telephone Corporation Mesh structure equipment detection apparatus, mesh structure equipment detection method and program
JPWO2021246217A1 (ja) * 2020-06-05 2021-12-09
WO2021246217A1 (ja) * 2020-06-05 2021-12-09 コニカミノルタ株式会社 オブジェクト検出方法、オブジェクト検出装置及びプログラム
JP7251692B2 (ja) 2020-06-05 2023-04-04 コニカミノルタ株式会社 オブジェクト検出方法、オブジェクト検出装置及びプログラム
WO2024023900A1 (ja) * 2022-07-25 2024-02-01 日本電信電話株式会社 抽出装置、抽出方法、及び抽出プログラム

Similar Documents

Publication Publication Date Title
JP2014109555A (ja) 点群解析処理装置、点群解析処理方法及びプログラム
CN108228798B (zh) 确定点云数据之间的匹配关系的方法和装置
Czerniawski et al. Pipe spool recognition in cluttered point clouds using a curvature-based shape descriptor
JP6114052B2 (ja) 点群解析処理装置及び点群解析処理プログラム
Yokoyama et al. Detection and classification of pole-like objects from mobile laser scanning data of urban environments
Lari et al. An adaptive approach for the segmentation and extraction of planar and linear/cylindrical features from laser scanning data
KR20200045522A (ko) 국지화를 수행하는 데에 사용되기 위한 방법 및 시스템
JP6180999B2 (ja) たわみ推定装置、及びプログラム
Widyaningrum et al. Building outline extraction from ALS point clouds using medial axis transform descriptors
JP5870011B2 (ja) 点群解析装置、点群解析方法及び点群解析プログラム
Logoglu et al. Cospair: colored histograms of spatial concentric surflet-pairs for 3d object recognition
Pedrosa et al. Improved automatic impact crater detection on Mars based on morphological image processing and template matching
Jung et al. A line-based progressive refinement of 3D rooftop models using airborne LiDAR data with single view imagery
Mohammadi et al. VGI and reference data correspondence based on location‐orientation rotary descriptor and segment matching
Zeybek Extraction of road lane markings from mobile LiDAR data
Xiu et al. 3D semantic segmentation for high-resolution aerial survey derived point clouds using deep learning
JP6673504B2 (ja) 情報処理装置、データベース生成装置、方法、プログラム、及び記憶媒体
JP6322564B2 (ja) 点群解析処理装置、方法、及びプログラム
Zhang et al. Multiple-scale salient-region detection of SAR image based on Gamma distribution and local intensity variation
Zhao et al. Region-based saliency estimation for 3D shape analysis and understanding
Demir Automated detection of 3D roof planes from Lidar data
Dos Santos et al. Automatic building change detection using multi-temporal airborne LiDAR data
Lu et al. Three-dimensional object recognition using an extensible local surface descriptor
JP2015194385A (ja) 計算機システム
Zhao et al. Accurate extraction of building roofs from airborne light detection and ranging point clouds using a coarse-to-fine approach