JP6692464B2 - 点を有する入力点群を処理するシステム及び方法 - Google Patents
点を有する入力点群を処理するシステム及び方法 Download PDFInfo
- Publication number
- JP6692464B2 JP6692464B2 JP2018565895A JP2018565895A JP6692464B2 JP 6692464 B2 JP6692464 B2 JP 6692464B2 JP 2018565895 A JP2018565895 A JP 2018565895A JP 2018565895 A JP2018565895 A JP 2018565895A JP 6692464 B2 JP6692464 B2 JP 6692464B2
- Authority
- JP
- Japan
- Prior art keywords
- point cloud
- graph
- points
- point
- input
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 74
- 238000012545 processing Methods 0.000 title claims description 32
- 238000005070 sampling Methods 0.000 claims description 83
- 238000001914 filtration Methods 0.000 claims description 71
- 230000006870 function Effects 0.000 claims description 44
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000004891 communication Methods 0.000 claims description 18
- 238000012800 visualization Methods 0.000 claims description 14
- 230000007704 transition Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000005295 random walk Methods 0.000 claims description 6
- 238000009877 rendering Methods 0.000 claims description 2
- 238000012952 Resampling Methods 0.000 description 101
- 238000000605 extraction Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 21
- 238000004364 calculation method Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 230000004044 response Effects 0.000 description 13
- 230000003595 spectral effect Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 8
- 241000283973 Oryctolagus cuniculus Species 0.000 description 7
- 230000008901 benefit Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000009408 flooring Methods 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 4
- 238000013138 pruning Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000007639 printing Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 108010014172 Factor V Proteins 0.000 description 1
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000859 sublimation Methods 0.000 description 1
- 230000008022 sublimation Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/08—Volume rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Multimedia (AREA)
- Optics & Photonics (AREA)
- Image Generation (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
- Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
図1及び図2は、本開示の一実施形態による、点を有する入力点群を再サンプリング又は処理するシステム100を示すブロック図である。システム100は、シーン105、物体又はセンサー104から生成される他の或るデータの入力点群データを生成するセンサー104を備える。センサー104は、カメラ若しくはビデオカメラ、又は入力点群データを生成する他の或るデバイスとすることができる。コンピューター可読メモリ112は、センサー104によって生成された入力点群データを記憶及び/又は提供することができる。センサー(複数の場合もある)104は、シーン105の入力点群データを収集する。このデータは、任意選択で外部メモリ106に記憶することもできるし、入力インターフェース/プリプロセッサ108に直接送信することもでき、その後、プロセッサ114に送信することができる。このデータは、処理されると、メモリ112に記憶することもできるし、出力インターフェース116を介して出力することもできる。処理の間、プロセッサ114は、入力点群データの処理に関係した命令若しくは他のデータの記憶、又は、入力点群データの処理に関係した記憶された命令若しくは他のデータの取り出しを行うメモリ112と通信するすることができる。
3D点群を再サンプリングするタスクの定式化をより良く理解するには、本開示の実施形態の方法及びシステムの基礎を覆うグラフ信号処理を導入する必要がある。
N個の点及びK個の属性を有する点群の以下の行列表現を考えることにする。
XM=ΨX∈RM×K (2)
ここで、M=(M1,・,MM)は、再サンプリングされたインデックスのシーケンスを示すか、又は再サンプリング集合と呼ばれ、Mi∈{1,・・・,N}及び|M|=Mであり、再サンプリング演算子Ψは、RNからRMへの線形写像であり、以下のように定義される。
定義1 サンプリング分布πが点群X=[Xc,Xo]について設計され、さらに、同じサンプリング分布πがそのシフトされた点群[Xc+1aT,Xo]について設計されているとき、再サンプリングストラテジーはシフト不変である。ここで、a∈R3である。
定義2 サンプリング分布πが点群X=[Xc,Xo]について設計され、さらに、同じサンプリング分布πがその回転された点群[XcR,Xo]について設計されているとき、再サンプリングストラテジーは回転不変である。ここで、R∈R3×3は3D回転行列である。
提案された再サンプリングストラテジーは、シフト不変及び回転不変の双方であることが保証されるものとする。
グラフは、点群を表す自然かつ効率的な方法である。なぜならば、グラフは、物体の表面の離散表現であるからである。コンピューターグラフィックスでは、特定の接続制限を有するグラフのクラスとしてのポリゴンメッシュが、物体の形状を表すために広範に用いられている。信頼できるメッシュを構築するには、通常、面法線の計算等の高度な幾何解析が必要とされる。メッシュ表現は、可視化のための単純なツールであるが、点群の解析が得意でない場合がある。この点で、本発明者らは、接続制限を緩和することによって、ポリゴンメッシュを一般的なグラフに拡張することにする。そのようなグラフは、幾何情報を構築するのに効率的であるとともに、幾何情報を捕捉するのに柔軟である。
局所的な幾何情報を隣接行列W∈RN×Nに符号化することによって、点群の一般的なグラフが構築される。第iの点の3D座標、すなわち、Xcの第i行をxi (c)∈R3とする。2つの点xi (c)とxj (c)との間のエッジ重みは、以下となる。
グラフフィルターは、グラフ信号を入力として取り込み、別のグラフ信号を出力として生成するシステムである。最も基本的な非自明グラフフィルターであるグラフシフト演算子をA∈RN×Nとする。グラフシフト演算子の或る共通の選択は、隣接行列W(4)、遷移行列T=D−1W、グラフラプラシアン行列L=D―W、及び他の多くの構造関連行列である。グラフシフトは、ノードにおける信号値をその近傍における値の重み付き線形結合に置き換える。すなわち、y=As∈RNである。ここで、s∈RNは、入力グラフ信号(点群の属性)である。いずれの線形シフト不変グラフフィルターも、グラフシフトにおいては以下の多項式となる。
y=h(A)s∈RN
グラフシフト演算子Aの固有値分解は以下となる。
A=V∧VT (6)
ここで、Aの固有ベクトルは、行列Vの列を形成し、固有値行列∧∈RN×Nは、Aの対応する固有値λ1,...,λNの対角行列である(λ1≧λ2≧...,≧λN)。これらの固有値は、グラフ[?]上の周波数を表す。λ1は最低周波数であり、λNは最高周波数である。これに対応して、v1はグラフ上の最小変動を捕捉し、vNはグラフ上の最高変動を捕捉する。Vは、グラフフーリエ基底とも呼ばれる。グラフ信号s∈RNのグラフフーリエ変換は以下となる。
再サンプリングの間、点の数は削減され、点群内の情報は不可避的に失われる。ここでの本発明者らの目標は、特定のニーズに応じて選択された情報を保存する、アプリケーションに応じた再サンプリングストラテジーを設計することである。例えば、点群における輪郭検出のタスクでは、通常、面法線の計算及び点[?,?]の分類等の慎重で集約型の計算が必要とされる。多数の点を扱うのではなく、本発明者らは、必要とされる輪郭情報の影響を受けやすい点の小さな部分集合を効率的に再サンプリングすることを検討し、輪郭情報を失うことなく、その後の計算をより安価にする。
特定のニーズに従って点群からターゲット情報を抽出する特徴抽出演算子をf(・)とする。すなわち、特徴f(X)∈RN×Kが、点群X∈RN×Kから抽出される。点群は、M回再サンプリングされる。第j回目において、確率πiを有する点Mj=iが独立に選ばれる。再サンプリング演算子(3)をΨ∈RM×Nとし、Si,i=1/√(Mπi)を有する対角再スケーリング行列をS∈RN×Nとする。再サンプリング演算子の性能は、以下のように定量化される。
Df(X)(Ψ)=‖SΨTΨf(X)−f(X)‖2 2
ここで、‖・‖2は、スペクトルノルムである。ΨTΨ∈RN×Nは、ゼロパディング演算子であり、第iの点がサンプリングされたときは対角要素(ΨTΨ)i,i=1を用いて対角行列がパディングされ、そうでない場合には0を用いて対角行列がパディングされる。このゼロパディング演算子ΨTΨによって、再サンプリングされた点及び当初の点群が同じサイズを有することが確保される。Sは、再サンプリング中に非一様な重みを補償するのに用いられる。SΨTΨf(X)は、再サンプリング後の保存された特徴をゼロパディング形式で表す。別の態様から、SΨTは、当初の特徴f(X)をその再サンプリングバージョンΨf(X)から再構築する最も単純な(naive)補間演算子である。評価メトリックDf(X)(Ψ)は、再構築誤差の尺度、すなわち、どれだけの特徴情報が高度な補間演算子を用いない再サンプリング後に失われるのかの尺度を示す。Df(X)(Ψ)が小さいとき、再サンプリング後の保存された特徴は当初の特徴に近く、これは、情報がほとんど失われていないことを意味する。期待値EΨ:π(Df(X)(Ψ))は、再サンプリングによって引き起こされる予想誤差を提供し、サンプリング分布πの性能を定量化したものである。本発明者らの目標は、EΨ:π(Df(X)(Ψ))をπにわたって最小にして、特徴f(X)の保存の観点から最適なサンプリング分布を得ることである。次に、目的関数の平均二乗誤差の正確な形態が導出される。
補助定理1 保存された特徴の非重み付きバージョンは、当初の特徴に対するバイアス推定量である。
全てのf(X)∈RN×Kについて、EΨ:π(ΨTΨf(X))∝πef(X)
ここで、eは、行ごとの乗算である。
保存された特徴の再重み付きバージョンは、当初の特徴に対する非バイアス推定量である。すなわち、
全てのf(X)∈RN×Kについて、EΨ:π(SΨTΨf(X))=f(X)
である。
定理1 保存された特徴と当初の特徴との間の平均二乗誤差の正確な形態は、以下となる。
EΨ:π(Df(X)(Ψ))=Tr(f(X)Qf(X)T) (9)
ここで、Q∈RN×Nは、Qi,i=1/πi−1を有する対角行列である。
定義3 点群から抽出された特徴及びそのシフトバージョンが同じであるとき、すなわち、f([Xc Xo])=f([Xc+1aT Xo])であるとき、特徴抽出演算子f(・)はシフト不変である。ここで、シフトa∈R3である。
定義4 点群から抽出された特徴及びその回転バージョンが同じであるとき、すなわち、f([Xc Xo])=f([XcR Xo])であるとき、特徴抽出演算子f(・)は回転不変である。ここで、R∈R3×3は3D回転行列である。
定理2 回転可変線形特徴抽出演算子をf(・)とする。ここで、f(X)=FXであり、F∈RN×Nである。EΨ:πDf(Ψ)の正確な形態は、
EΨ:π(Df(Ψ))=c2Tr(FQFT)+Tr(FXoQ(FXo)T)
(10)
である。ここで、c=‖Xc‖2であり、Q∈RN×Nは、Qi,i=1/πi−1を有する対角行列である。
次に、予想再構築誤差を最小にすることによって、最適なサンプリング分布が導出される。
シフト不変及び回転不変特徴抽出演算子の場合、(8)が最小にされる。
定理3 シフト不変及び回転不変特徴抽出演算子をf(・)とする。対応する最適な再サンプリングストラテジーπ*は、以下となる。
π*∝‖fi(X)‖2 (11)
ここで、fi(X)∈RKは、f(X)の第i行である。
シフト可変及び回転可変特徴抽出演算子の場合、最小にされる。
定理4 シフト可変及び回転可変線形特徴抽出演算子をf(・)とする。ここで、f(X)=FXであり、F∈RN×Nである。対応する最適な再サンプリングストラテジーπ*は、以下となる。
この節では、点群から正確な特徴へのグラフフィルターが設計される。
点群Xから抽出された特徴を
h(λi)=1とする。すなわち、h(A)は、i=1,...,L−1についてh0=1及びhi=0を有する単位行列である。この設定の背後にある直感は、当初の点群が信頼できるものであり、全ての点が雑音を伴わずに物体から一様にサンプリングされ、物体の真の幾何学構造を反映しているということである。全ての情報を保存することが望まれ、したがって、特徴は当初の属性そのものである。f(X)=Xであるので、特徴抽出演算子f(・)は、シフト可変及び回転可変である。定理4に基づくと、最適な再サンプリングストラテジーは以下となる。
画像処理では、ハイパスフィルターが、エッジ及び輪郭を抽出するのに用いられる。
同様に、点群において輪郭を抽出するのにもハイパスグラフフィルターが用いられる。ここでは、3D座標のみが属性(X=Xc=RN×3)とみなされるが、提案された方法は、他の属性に容易に拡張することができる。
fi(X)=‖(h(A)X)i‖2 2 (14)
ここで、h(A)はハイパスグラフフィルターである。局所変動f(X)∈RNは、ハイパスグラフフィルタリング後の応答のエネルギーを定量化する。この背後にある直感は、点の局所変動が大きいとき、その3D座標は、その近傍点の3D座標から良好に近似することができないということである。換言すれば、この点は、その近傍点によって形成された傾向を破壊することによって改変をもたらし、輪郭点である高い可能性を有する。
定理5
f(X)=diag(h(A)XXTh(A)T)∈RNとする。ここで、diag(・)は対角要素を抽出する。f(X)は、h(A)1=0∈RNでない限り、回転不変及びシフト不変である。
局所変動がシフト不変及び回転不変の双方であることを保証するために、遷移行列が、グラフシフト演算子として用いられる。すなわち、A=D−1Wである。ここで、Dは対角次数行列である。この理由は、1∈RNが、遷移行列の固有ベクトルである、すなわち、A1=D−1W1=1であるからである。したがって、
例1 点群が3D線を形成するとき、2つの端点は輪郭に属する。
例2 点群が3Dポリゴン/多面体を形成するとき、頂点(コーナー点)及びエッジ(2つの隣接する頂点を接続する線分)は輪郭に属する。
例3 点群が3D円/球を形成するとき、輪郭は存在しない。
従来の信号処理では、ローパスフィルターが、平滑信号の主な形状を捕捉するとともに雑音を低減するのに用いられる。同様に、3D点を取得している間、ローパスグラフフィルターが、点群の主な形状を捕捉するとともにサンプリング雑音を低減するのに用いられる。点の3D座標を用いて、グラフ(4)が構築されるので、3D座標は、このグラフ上で必然的に平滑であり、これは、グラフ内の2つの隣接する点が、3D空間において類似の座標を有することを意味する。雑音及び異常値が発生すると、雑音除去演算子としてのローパスグラフフィルターが、局所近傍情報を用いて、各点の真の位置を近似する。ローパスグラフフィルタリング後の出力は、当初の点群の雑音除去バージョンであるので、当初の点よりも雑音除去された点から再サンプリングする方が、より魅力的であり得る。
簡単な選択肢は、或る帯域幅を越える全てのグラフ周波数を完全に除去する一方、その帯域幅を下回るグラフ周波数を変化させずに通過させる理想的なローパスグラフフィルターである。帯域幅bを有する理想的なローパスグラフフィルターは、以下となる。
別の単純な選択は、ハールライクローパスグラフフィルター、すなわち、以下である。
グラフ周波数応答は、hHL(λi)=1+λi/|λmax|である。固有値は降順に順序付けられているので、1+λi≧1+λi+1が得られ、これは、低周波数応答が相対的に増幅し、高周波数応答が相対的に減衰することを意味する。
上記では、オールパスグラフフィルター、ローパスグラフフィルター及びハイパスグラフフィルターを含む幾つかの基本的なグラフフィルタリングベースの再サンプリングツールを提案したが、この節では、特殊な要件を満たすようにどのように適合されているのかを示す幾つかの変形形態の設計を提案する。
節3.2において提案したような純粋なハイパスグラフフィルターの場合、重要度スコアは、点群における局所変動に置かれる。例えば、興味のレベルに従って点密度を動的に割り当てる点群の場合、点密度を局所変動とともに併せて考慮することが望まれる。
hHH(A)=D(I−A)=D−W=L (23)
ここで、結果として得られるハイパスグラフ演算子は、実際には、グラフラプラシアン演算子Lである。上記次数行列Dは、別の密度表現に置き換えることができ、その結果の演算子はグラフラプラシアンである必要はないことに留意されたい。
節3.2又は節3.4.1に提案されたハイパスグラフフィルターについて、幾つかの点に割り当てられた重要度スコアが、他の点の重要度スコアよりもはるかに小さい場合がある。通常、最も平滑なエリアからの点は、エッジ又はコーナーに近い点と比較して、ほぼ0のサンプリング確率を有することができる。その結果、平坦エリアからのそれらの点が再サンプリング中に選択される機会はほとんどない。
高周波数成分を除去するために、点群に対してグラフスペクトルにローパスフィルターを適用したいと仮定すると、節3.3において提案された理想的なローパスグラフフィルターは、少なくとも幾つかの固有値及び固有ベクトルの対を計算する必要があり、これは、望ましくない計算量を引き起こす場合がある。この点で、本発明者らは、本発明の提案された枠組みにおいて利用されるk多項式フィルター又はk共役勾配フィルター[?]を提案する。次に、本発明者らは、他のグラフ演算子k−POLYを用いるという一般性を犠牲にすることなく、基本グラフ演算子が対称正規化グラフラプラシアン演算子Lであると仮定する。
阻止帯域周波数lは、引き続き、フィルタリングk−CGの前に設定する必要がある設計パラメーターである。
節3において提案された手法によると、各点に関連付けられた重要度スコアは、他のいずれの点からも独立しており、したがって、どの点がサンプリング手順中に選択されていても、スコアは同じままであると仮定される。この節では、点の重要度スコアが、サンプリング手順中に活発に更新されている場合を考える。すなわち、点の重要度スコアは、サンプリングされた点による影響を受ける。直感的には、重要度スコアは、既にサンプリングされた点については0になるはずである一方、サンプリングされた点に最も遠い点のスコアは変化しないままであるはずである。
あらゆる点について、正確な重要度スコア更新係数πaを計算するのではなく、或る特定の近傍内の点についてこの係数を共有することができる。
別の実施形態では、新たにサンプリングされた点から十分遠く離れた点には影響がないものと仮定される。半径τが、点群にわたってグラフを構築するのに用いられたものとして、重要度スコアを更新する必要がある範囲の近似半径をmτとする。
ステップ1において、Aと同じ演算子Qを開始する。
ステップ2において、本発明者らは、Q内の行を、サンプリングされた点∀i∈Minの1iに置き換えることを提案する。
ここで、行ベクトル1iのエントリーは、第iのエントリーが1に等しいことを除いて全て0である。グラフ演算子における提案された変更は、(有向)グラフ構造における或る対応する変更、すなわち、既にサンプリングされた点に連結されたグラフエッジを除去し、既にサンプリングされた点に対して自己ループエッジを追加することを意味する。
本発明者らは、大規模な点群から基準点の集合を再サンプリングすることを検討する。基準点は、点群の圧縮、インデックス付け、及び可視化において用いることができる他の点のロケーションを表すのに用いられる。このアイデアは、基準点の座標を最初に符号化し、次に、他の全ての点の最も近い基準点に対する相対座標を符号化することである。Mj∈{1,・・・,N}を有するK個の基準インデックスのシーケンスをM=(M1,・,MK)で示すことにする。目的は、以下の関数を最小にすることによって基準点の集合を見つけることである。
この節では、提案された再サンプリングストラテジーが、幾つかのアプリケーション、すなわち、大規模可視化、ロバストな形状モデリング、特徴解析、及び階層表現に応用される。
このタスクでは、提案された再サンプリングストラテジーを用いて、大規模な市街シーンが効率的に可視化される。人は市街シーンにおける建物及び街路の輪郭に敏感に反応するので、点群全体を示すのではなく、点の選択された部分集合のみが示される。全部で30億個を越える点を有する幾つかの自然のシーンを伴い、様々な多様な市街シーン、すなわち、教会、街路、鉄道線路、広場、集落、サッカー場、城郭を対象に含む大規模なデータセットを考える。図9において、部分図905は、15105667個の点を含む「domfountain3」の点群を示している(地面の点は無視する)。一様なサンプリング及びハイパスグラフフィルタリングベースのサンプリングの2つの再サンプリングストラテジーに基づく再サンプリングされた点群が比較される。部分図910、915、920は、それぞれ151057個、15105個及び1510個(1%、0.1%及び0.01%)の点を有する一様なサンプリングに基づく再サンプリングされた点群を示している。部分図930、935、940は、それぞれ151057個、15105個及び1510個(1%、0.1%及び0.01%)の点を有するハイパスグラフフィルタリングベースのサンプリングに基づく再サンプリングされた点群を示している。部分図930、935及び940が、部分図910、915、及び920よりもはるかに明瞭な輪郭を示していることが分かる。これによって、ハイパスグラフフィルタリングベースの再サンプリングストラテジーが、大規模な市街シーンについて、視覚に適した結果を提供することの有効性が確証される。グラフ構築、局所変動計算及び再サンプリングを含む全計算プロセスは、デスクトップにおけるMatlab上で実行され、要した時間は200秒未満であった。
このタスクでは、提案された再サンプリングストラテジーを用いて、ロバストな形状モデリングが実現される。
目標は、当初の点群内の全ての点を用いるのではなく、点の小さな部分集合を用いることによってモデルを効率的に取得することである。このモデルが、特に雑音を有する点群について、物体の真の表面を反映することが望まれる。
提案されたハイパスグラフフィルターベースの再サンプリングを用いると、高い重要度スコアを有する点の小さな集合を求めることができる。そのような点の小さな部分集合は点群内のエッジ、コーナーに対応するので、それらは、当初の点群の重要な点とみなすことができる。
限られた処理能力に起因して、点の母集団は、多くの場合、制御する必要がある。例えば、点群レンダリングデバイスは、或る特定の数の点までしか一時に表示することができない場合がある。或いは、点群から特徴を抽出するデバイスは、利用可能な計算リソースが限られていることから、限られたサイズの点集合しか扱うことができない場合がある。点の或る特定の密度は、点群の縮尺レベルに対応する。さらに、ズームイン/ズームアウトのような操作は、点群の階層表現を生成する要件をもたらす点群の一連の縮尺レベルを必要とする。
すなわち、独立した最も近い近傍グラフが点集合Si+1上に構築される。ここで、最も近い近傍は、現在の層j+1における点の密度を考慮することによって適切な半径を用いて既定される必要がある。半径は、より微細な層から粗い層に増加するものとする。その場合、好ましいランダムサンプリング方法が適用され、Si+1から部分集合Siが生成される。提案された手順を用いると、階層表現は、最も密な点集合(最も微細な解像度)から最も疎な点集合(最も粗い解像度)に向けて生成されていく。
Claims (20)
- 点を有する入力点群を処理するシステムであって、
各点は、2次元(2D)座標及び3次元(3D)座標並びに他の属性を含む属性の集合を含み、
該システムは、
シーンをセンシングし、コンピューター可読メモリと通信し、前記入力点群を生成するセンサーと、
出力インターフェースと、
前記コンピューター可読メモリと通信するプロセッサであって、
前記入力点群にアクセスすることと、
前記入力点群を表すグラフを、該グラフにおけるノードを表す前記入力点群内の各点に基づいて構築し、前記グラフにおける2つの近傍ノードを特定して接続し、グラフエッジを得ることと、
前記構築されたグラフに基づいてグラフフィルタリング関数を求めることと、
前記入力点群内の前記点の属性の部分集合を選択し、前記選択された属性の部分集合に対して前記グラフフィルタリング関数を適用することによって、前記入力点群内の各点をフィルタリングし、前記入力点群内の各点の少なくとも1つの値を求めることと、
各点の確率を、前記入力点群内の前記点の全ての値の総計と比較した該点の前記少なくとも1つの値と、出力点群内の点の所定の数とに基づいて生成することと、
各点の前記確率のランダム評価を用いて前記入力点群をサンプリングして、前記入力点群内の点の部分集合を得ることであって、点の前記部分集合は前記出力点群である、ことと、
前記出力点群を前記コンピューター可読メモリに記憶すること、又は、前記プロセッサと通信する前記出力インターフェースを介して前記出力点群を出力することと、
を行うように構成され、
前記出力点群は、その後の処理を支援するのに用いられ、入力点群データの管理を支援する、
システム。 - 前記点の前記属性の部分集合は、ユーザー入力に基づいて選択される、
請求項1に記載のシステム。 - 前記入力点群をサンプリングするための各点の前記確率を前記生成することは、前記入力点群内の前記点の全ての値の総計と比較した該点の前記少なくとも1つの値に、前記出力点群内の点の前記所定の数を乗算したものに基づいている、
請求項1に記載のシステム。 - 前記出力点群内の点の前記所定の数は、前記出力点群内の点の前記所定の数としてユーザーの点の数を設定するために、前記プロセッサと通信するユーザー入力インターフェースの表面におけるユーザー入力によって決定される、
請求項1に記載のシステム。 - 前記入力点群内の前記点は、編成されているか又は編成されていない、
請求項1に記載のシステム。 - 各点の属性の前記集合内の前記他の属性は、色、温度、透明度又は反射率のうちの1つ又は組み合わせからなる群からのものである、
請求項1に記載のシステム。 - 前記グラフエッジは、グラフノードからτの半径内にある全ての近傍グラフノードに接続される、
請求項1に記載のシステム。 - 前記グラフエッジは、グラフノードからそのK個の最も近い近傍グラフノードに接続される、
請求項1に記載のシステム。 - 前記選択された属性の部分集合は、前記出力点群を求めるときに用いられるような各点の3D座標を含む、
請求項1に記載のシステム。 - 前記選択された属性の部分集合は、前記出力点群を求めるときに用いられるような各点に関連した色を含む、
請求項1に記載のシステム。 - 各点の前記確率は、グラフノードごとの任意の既定の正の定数である、
請求項1に記載のシステム。 - 各点の前記確率は、グラフランダムウォーク(遷移)行列、グラフラプラシアン行列又はグラフ隣接行列のうちの1つの関数によって表される前記グラフフィルタリング関数から計算される、
請求項1に記載のシステム。 - 可視化、物体モデリング、階層表現又はレンダリングのうちの1つからなる群のために前記出力点群を出力すること、
を更に含む、請求項1に記載のシステム。 - 前記入力点群を要約する前記出力点群内の各点の特徴記述子を生成することと、
前記特徴記述子に基づいて物体を検出することと、
を更に含む、請求項1に記載のシステム。 - 前記入力点群内の点の部分集合を前記求めることは、
追加の点が選択され、前記求められた点の部分集合に加えられる第2の点の部分集合であって、前記入力点群の前記求められた点の部分集合の細部よりも詳細な前記入力点群の細部を提供するような第2の点の部分集合を求めること、
を含む、請求項1に記載のシステム。 - 残りの点から前記求められた点の部分集合内の前記点までのユークリッド距離に比例する縮尺を用いて残りの点の前記確率の係数を更新すること、
を更に含む、請求項15に記載のシステム。 - 前記点の部分集合内の前記点に連結され、それらに追加される自己ループグラフエッジを有する、除去される前記グラフエッジを有する当初のグラフフィルタリング関数から変更されたグラフ構造に基づいて第2のグラフフィルタリング関数を求めることと、
前記点の部分集合内の前記点に関する前記特徴記述子と等しい要素と、0に等しい他の要素とを有する情報記述子を選択することと、
幾つかの特定の時刻を有する前記選択された情報記述子に対して前記求められた第2のグラフフィルタリング関数を適用することによって更新された情報記述子を計算することと、
前記更新された情報記述子に対応する前記第2のグラフフィルタリング関数を用いて前記出力点群内の各点について重要度スコアを計算することで前記重要度スコアを更新することと、
を更に含む、請求項14に記載のシステム。 - 前記入力点群内の点の部分集合を前記求めることは、
追加の点が選択され、前記求められた点の部分集合から除去される第2の点の部分集合であって、前記入力点群の前記求められた点の部分集合の細部よりも詳細でない前記入力点群の細部を提供するような第2の点の部分集合を求めることと、
前記点の階層集合に基づいてスケーラブルな方法でより粗いレベルからより細かなレベルに前記入力点群を符号化することと、
を含む、請求項1に記載のシステム。 - 点を有する入力点群を処理する方法であって、
各点は、2次元(2D)座標及び3次元(3D)座標並びに他の属性を含む属性の集合を含み、
該方法は、
コンピューター可読メモリと通信するセンサーを介してシーンをセンシングして前記入力点群を生成することと、
前記コンピューター可読メモリと通信するプロセッサを用いることと、
を含み、
前記プロセッサは、
前記入力点群にアクセスすることと、
前記入力点群を表すグラフを、該グラフにおけるノードを表す前記入力点群内の各点に基づいて構築し、前記グラフにおける2つの近傍ノードを特定して接続し、グラフエッジを得ることと、
前記構築されたグラフに基づいてグラフフィルタリング関数を求めることと、
前記入力点群内の前記点の属性の部分集合を選択し、前記選択された属性の部分集合に対して前記グラフフィルタリング関数を適用することによって、前記入力点群内の各点をフィルタリングし、前記入力点群内の各点の少なくとも1つの値を求めることと、
各点の確率を、前記入力点群内の前記点の全ての値の総計と比較した該点の前記少なくとも1つの値と、出力点群内の点の所定の数とに基づいて生成することと、
各点の前記確率のランダム評価を用いて前記入力点群をサンプリングして、前記入力点群内の点の部分集合を得ることであって、点の前記部分集合は前記出力点群である、ことと、
前記出力点群を前記コンピューター可読メモリに記憶すること、又は、前記プロセッサと通信する出力インターフェースを介して前記出力点群を出力することと、
を行うように構成され、
前記出力点群は、その後の処理を支援するのに用いられ、入力点群データの管理を支援する、
方法。 - 点を有する記憶された入力点群を処理する方法を実行するコンピューターによって実行可能なプログラムを具現化した非一時的コンピューター可読記憶媒体であって、
各点は、2次元(2D)座標及び3次元(3D)座標並びに他の属性を含む属性の集合を含み、
前記方法は、
該非一時的コンピューター可読記憶媒体と通信するセンサーを介してシーンをセンシングして前記入力点群を生成することと、
前記入力点群を表すグラフを、該グラフにおけるノードを表す前記入力点群内の各点に基づいて構築し、前記グラフにおける2つの近傍ノードを特定して接続し、グラフエッジを得ることと、
前記構築されたグラフに基づいてグラフフィルタリング関数を求めることと、
前記入力点群内の前記点の属性の部分集合を選択し、前記選択された属性の部分集合に対して前記グラフフィルタリング関数を適用することによって、前記入力点群内の各点をフィルタリングし、前記入力点群内の各点の少なくとも1つの値を求めることと、
各点の確率を、前記入力点群内の前記点の全ての値の総計と比較した該点の前記少なくとも1つの値と、出力点群内の点の所定の数とに基づいて生成することと、
各点の前記確率のランダム評価を用いて前記入力点群をサンプリングして、前記入力点群内の点の部分集合を得ることであって、点の前記部分集合は前記出力点群である、ことと、
前記出力点群を該非一時的コンピューター可読記憶媒体に記憶すること、又は、前記コンピューターと通信する出力インターフェースを介して前記出力点群を出力することと、
を含み、
前記出力点群は、その後の処理を支援するのに用いられ、入力点群データの管理を支援する、
非一時的コンピューター可読記憶媒体。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662417007P | 2016-11-03 | 2016-11-03 | |
US62/417,007 | 2016-11-03 | ||
US15/358,346 | 2016-11-22 | ||
US15/358,346 US10229533B2 (en) | 2016-11-03 | 2016-11-22 | Methods and systems for fast resampling method and apparatus for point cloud data |
PCT/JP2017/037287 WO2018083963A1 (en) | 2016-11-03 | 2017-10-06 | System and method for processing input point cloud having points |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019528500A JP2019528500A (ja) | 2019-10-10 |
JP6692464B2 true JP6692464B2 (ja) | 2020-05-13 |
Family
ID=62020526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018565895A Active JP6692464B2 (ja) | 2016-11-03 | 2017-10-06 | 点を有する入力点群を処理するシステム及び方法 |
Country Status (9)
Country | Link |
---|---|
US (1) | US10229533B2 (ja) |
EP (1) | EP3535662B1 (ja) |
JP (1) | JP6692464B2 (ja) |
KR (1) | KR102216823B1 (ja) |
CN (1) | CN109964222B (ja) |
AU (1) | AU2017354183B2 (ja) |
SG (1) | SG11201902091YA (ja) |
TW (1) | TWI632487B (ja) |
WO (1) | WO2018083963A1 (ja) |
Families Citing this family (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018176185A1 (zh) * | 2017-03-27 | 2018-10-04 | 中国科学院深圳先进技术研究院 | 一种纹理合成方法及其装置 |
US10600199B2 (en) * | 2017-06-27 | 2020-03-24 | Toyota Research Institute, Inc. | Extending object detection and identification capability for an object sensor device |
US10776111B2 (en) * | 2017-07-12 | 2020-09-15 | Topcon Positioning Systems, Inc. | Point cloud data method and apparatus |
US10482628B2 (en) * | 2017-09-30 | 2019-11-19 | United States Of America As Represented By The Secretary Of The Army | Photogrammetric point cloud compression for tactical networks |
US11004202B2 (en) * | 2017-10-09 | 2021-05-11 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for semantic segmentation of 3D point clouds |
US11244502B2 (en) * | 2017-11-29 | 2022-02-08 | Adobe Inc. | Generating 3D structures using genetic programming to satisfy functional and geometric constraints |
US12051137B1 (en) * | 2018-06-08 | 2024-07-30 | Ioannis G Tollis | Channel-based framework for hierarchical drawings |
EP3807844A4 (en) | 2018-06-15 | 2022-04-27 | Geomni, Inc. | MACHINE VISION SYSTEMS AND METHODS FOR MODELING ROOFS OF STRUCTURES USING TWO-DIMENSIONAL AND PARTIAL THREE-DIMENSIONAL DATA |
EP3617999B1 (en) * | 2018-09-01 | 2023-04-19 | Tata Consultancy Services Limited | Systems and methods for dense surface reconstruction of an object using graph signal processing |
WO2020189876A1 (ko) * | 2019-03-15 | 2020-09-24 | 엘지전자 주식회사 | 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법 |
CN109889840B (zh) * | 2019-03-20 | 2022-11-22 | 北京大学深圳研究生院 | 点云编码和解码的方法、编码设备和解码设备 |
US10915779B2 (en) * | 2019-04-26 | 2021-02-09 | Unikie Oy | Method for extracting uniform features from point cloud and system therefor |
CN110310322B (zh) * | 2019-07-06 | 2021-08-10 | 北方工业大学 | 一种10微米级高精度器件装配表面检测方法 |
CN112307809B (zh) * | 2019-07-26 | 2023-07-25 | 中国科学院沈阳自动化研究所 | 一种基于稀疏特征点云的主动目标识别方法 |
WO2021016891A1 (zh) * | 2019-07-30 | 2021-02-04 | 深圳市大疆创新科技有限公司 | 处理点云的方法和装置 |
US11132834B2 (en) * | 2019-08-09 | 2021-09-28 | Facebook Technologies, Llc | Privacy-aware artificial reality mapping |
CN110807774B (zh) * | 2019-09-30 | 2022-07-12 | 九天创新(广东)智能科技有限公司 | 一种点云分类与语义分割方法 |
US11348285B2 (en) * | 2019-12-10 | 2022-05-31 | Sony Group Corporation | Mesh compression via point cloud representation |
CN113021333A (zh) * | 2019-12-25 | 2021-06-25 | 沈阳新松机器人自动化股份有限公司 | 一种物体的抓取方法、系统及终端设备 |
CN111242997B (zh) * | 2020-01-13 | 2023-11-10 | 北京大学深圳研究生院 | 一种基于滤波器的点云属性预测方法及设备 |
US11580140B2 (en) * | 2020-01-22 | 2023-02-14 | International Institute Of Information Technology, Hyderabad | System of visualizing and querying data using data-pearls |
CN111429494B (zh) * | 2020-04-13 | 2023-04-07 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种基于生物视觉的点云高精度自动配准方法 |
WO2021246796A1 (ko) * | 2020-06-05 | 2021-12-09 | 엘지전자 주식회사 | 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법 |
CN112241676A (zh) * | 2020-07-07 | 2021-01-19 | 西北农林科技大学 | 一种地形杂物自动识别的方法 |
CN112348921B (zh) * | 2020-11-05 | 2024-03-29 | 上海汽车集团股份有限公司 | 一种基于视觉语义点云的建图方法及系统 |
CN112529010B (zh) * | 2020-12-04 | 2023-03-24 | 浙江大学计算机创新技术研究院 | 一种基于在线局部特征提取的点云识别方法 |
CN113361558B (zh) * | 2021-01-29 | 2024-04-02 | 南京航空航天大学 | 基于ihpso-kmsvdd的航空发动机故障检测方法 |
CN112819960B (zh) * | 2021-02-01 | 2022-06-24 | 电子科技大学 | 一种对抗性点云生成方法、存储介质和终端 |
CN113052955B (zh) * | 2021-03-19 | 2023-06-30 | 西安电子科技大学 | 一种点云补全方法、系统及应用 |
CN112991557A (zh) * | 2021-04-25 | 2021-06-18 | 广东工业大学 | 应用于点云分析模型的局部中心最近点采样方法及装置 |
CN113761238B (zh) * | 2021-08-27 | 2022-08-23 | 广州文远知行科技有限公司 | 点云存储方法、装置、设备及存储介质 |
US20230119568A1 (en) * | 2021-10-19 | 2023-04-20 | International Business Machines Corporation | Pattern detection and prediction using time series data |
CN114462493B (zh) * | 2021-12-29 | 2024-05-10 | 浙江大华技术股份有限公司 | 聚类方法、聚类装置及计算机可读存储介质 |
GB202207459D0 (en) * | 2022-05-20 | 2022-07-06 | Cobra Simulation Ltd | Content generation from sparse point datasets |
WO2024072856A1 (en) * | 2022-09-27 | 2024-04-04 | Visa International Service Association | Method, system, and computer program product for universal depth graph neural networks |
WO2024100708A1 (ja) * | 2022-11-07 | 2024-05-16 | 日本電信電話株式会社 | グラフ信号処理装置、グラフ信号処理方法及びプログラム |
CN116342666B (zh) * | 2023-02-10 | 2024-03-19 | 西安电子科技大学 | 基于多形式优化的三维点云配准方法及电子设备 |
CN115984827B (zh) * | 2023-03-06 | 2024-02-02 | 安徽蔚来智驾科技有限公司 | 点云感知方法、计算机设备及计算机可读存储介质 |
CN116994071A (zh) * | 2023-09-25 | 2023-11-03 | 云南联合视觉科技有限公司 | 一种基于自适应光谱残差的多光谱激光雷达点云分类方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5345535A (en) * | 1990-04-04 | 1994-09-06 | Doddington George R | Speech analysis method and apparatus |
KR100450823B1 (ko) * | 2001-11-27 | 2004-10-01 | 삼성전자주식회사 | 깊이 이미지 기반 3차원 물체의 표현을 위한 노드 구조 |
US8145759B2 (en) * | 2002-11-04 | 2012-03-27 | Oracle America, Inc. | Dynamically configurable resource pool |
US8972329B2 (en) * | 2008-05-02 | 2015-03-03 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for ranking nodes of a graph using random parameters |
US20130144135A1 (en) * | 2011-08-02 | 2013-06-06 | Mohamed R. Mahfouz | Method and apparatus for three dimensional reconstruction of a joint using ultrasound |
US9965821B2 (en) * | 2012-03-09 | 2018-05-08 | Nvidia Corporation | Fully parallel in-place construction of 3D acceleration structures in a graphics processing unit |
JP2013186464A (ja) * | 2012-03-12 | 2013-09-19 | Aisin Aw Co Ltd | 写真データ提供システム |
US9846960B2 (en) * | 2012-05-31 | 2017-12-19 | Microsoft Technology Licensing, Llc | Automated camera array calibration |
US8989037B2 (en) * | 2012-06-01 | 2015-03-24 | Broadcom Corporation | System for performing data cut-through |
US9460553B2 (en) * | 2012-06-18 | 2016-10-04 | Dreamworks Animation Llc | Point-based global illumination directional importance mapping |
CN104822429A (zh) * | 2012-11-28 | 2015-08-05 | 辉达公司 | 掌上游戏机 |
CN104298971B (zh) * | 2014-09-28 | 2017-09-19 | 北京理工大学 | 一种3d点云数据中的目标识别方法 |
CN104463922B (zh) * | 2014-12-03 | 2017-09-08 | 天津大学 | 一种基于集成学习的图像特征编码及识别方法 |
-
2016
- 2016-11-22 US US15/358,346 patent/US10229533B2/en active Active
-
2017
- 2017-10-06 EP EP17800620.1A patent/EP3535662B1/en active Active
- 2017-10-06 AU AU2017354183A patent/AU2017354183B2/en active Active
- 2017-10-06 SG SG11201902091YA patent/SG11201902091YA/en unknown
- 2017-10-06 WO PCT/JP2017/037287 patent/WO2018083963A1/en unknown
- 2017-10-06 JP JP2018565895A patent/JP6692464B2/ja active Active
- 2017-10-06 KR KR1020197012037A patent/KR102216823B1/ko active IP Right Grant
- 2017-10-06 CN CN201780066781.6A patent/CN109964222B/zh active Active
- 2017-11-02 TW TW106137930A patent/TWI632487B/zh active
Also Published As
Publication number | Publication date |
---|---|
TWI632487B (zh) | 2018-08-11 |
SG11201902091YA (en) | 2019-05-30 |
EP3535662A1 (en) | 2019-09-11 |
JP2019528500A (ja) | 2019-10-10 |
AU2017354183A1 (en) | 2019-03-21 |
US10229533B2 (en) | 2019-03-12 |
KR20190057361A (ko) | 2019-05-28 |
WO2018083963A1 (en) | 2018-05-11 |
KR102216823B1 (ko) | 2021-02-17 |
EP3535662B1 (en) | 2023-03-22 |
AU2017354183B2 (en) | 2020-01-30 |
CN109964222A (zh) | 2019-07-02 |
TW201818197A (zh) | 2018-05-16 |
US20180122137A1 (en) | 2018-05-03 |
CN109964222B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6692464B2 (ja) | 点を有する入力点群を処理するシステム及び方法 | |
Berger et al. | A survey of surface reconstruction from point clouds | |
Touati et al. | An energy-based model encoding nonlocal pairwise pixel interactions for multisensor change detection | |
Limberger et al. | Real-time detection of planar regions in unorganized point clouds | |
US20190354832A1 (en) | Method and system for learning on geometric domains using local operators | |
Jenke et al. | Bayesian point cloud reconstruction | |
Carlsson et al. | On the local behavior of spaces of natural images | |
Athawale et al. | Isosurface visualization of data with nonparametric models for uncertainty | |
Paulsen et al. | Markov random field surface reconstruction | |
Giachetti et al. | Radial symmetry detection and shape characterization with the multiscale area projection transform | |
TW200828176A (en) | Apparatus and method for processing video data | |
Ben-Chen et al. | On the optimality of spectral compression of mesh data | |
Sahu et al. | A Bayesian multiresolution approach for noise removal in medical magnetic resonance images | |
Chen et al. | Contour-enhanced resampling of 3D point clouds via graphs | |
Wu et al. | High-volume point cloud data simplification based on decomposed graph filtering | |
Unnikrishnan et al. | Robust extraction of multiple structures from non-uniformly sampled data | |
AU2015218184A1 (en) | Processing hyperspectral or multispectral image data | |
Favorskaya et al. | Image inpainting based on self-organizing maps by using multi-agent implementation | |
JP4434868B2 (ja) | 画像分割処理システム | |
Wei | Graph spectral point cloud processing | |
Distante et al. | Data organization | |
Shi et al. | Fast and effective integration of multiple overlapping range images | |
CN114998990B (zh) | 一种工地人员安全行为识别方法及装置 | |
CN114821013B (zh) | 基于点云数据的基元检测方法、装置和计算机设备 | |
Yu et al. | Virtual image multi feature matching algorithm based on 3D scene reconstruction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181214 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20191223 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200114 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200228 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200317 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200414 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6692464 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |