KR101666937B1 - Apparatus for processing large data of 3 dimentional point cloud and method thereof - Google Patents

Apparatus for processing large data of 3 dimentional point cloud and method thereof Download PDF

Info

Publication number
KR101666937B1
KR101666937B1 KR1020160058800A KR20160058800A KR101666937B1 KR 101666937 B1 KR101666937 B1 KR 101666937B1 KR 1020160058800 A KR1020160058800 A KR 1020160058800A KR 20160058800 A KR20160058800 A KR 20160058800A KR 101666937 B1 KR101666937 B1 KR 101666937B1
Authority
KR
South Korea
Prior art keywords
point cloud
point
points
shape
lod
Prior art date
Application number
KR1020160058800A
Other languages
Korean (ko)
Inventor
강태욱
김지은
Original Assignee
한국건설기술연구원
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 한국건설기술연구원 filed Critical 한국건설기술연구원
Priority to KR1020160058800A priority Critical patent/KR101666937B1/en
Application granted granted Critical
Publication of KR101666937B1 publication Critical patent/KR101666937B1/en

Links

Images

Classifications

    • G06F17/5004—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2219—Large Object storage; Management thereof
    • G06F17/30318—
    • G06F2217/34—

Abstract

Disclosed are an apparatus and a method for processing large data of three-dimensional point cloud, capable of efficiently managing MEP plumbing equipment. According to the present invention, the apparatus for processing the large data of the point cloud includes: a data process unit for dividing inputted point cloud into spaces in a grid form to select points which are closest to each of central points of the divided spaces, as level of detail (LOD) points; a filtering unit for removing noises from the point cloud based on the selected LOD points; a segmentation unit for clustering the filtered point cloud; and a shape extracting unit for extracting a shape by using the clustered point cloud.

Description

3차원 포인트 클라우드의 대용량 데이터를 처리하기 위한 장치 및 그 방법{APPARATUS FOR PROCESSING LARGE DATA OF 3 DIMENTIONAL POINT CLOUD AND METHOD THEREOF}TECHNICAL FIELD [0001] The present invention relates to an apparatus and a method for processing large-capacity data of a three-dimensional point cloud,

본 발명은 MPE(Mechanical Electrical and Plumbing) 설비에 대한 역설계 기법에 관한 것으로서, 특히, 3차원 포인트 클라우드의 대용량 데이터를 처리하기 위한 장치 및 그 방법에 관한 것이다.BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to an inverse design technique for a mechanical electrical and plumbing (MPE) facility, and more particularly, to an apparatus and method for processing large-capacity data of a three-dimensional point cloud.

최근 신규 시설물 건설이 줄어들고 기존 시설물에 대한 리모델링, 확장공사 및 유지보수가 시설물 관리에 있어서 갈수록 큰 비중을 차지하고 있다.Recently, the construction of new facilities has decreased, and remodeling, expansion and maintenance of existing facilities have become increasingly important in facility management.

3차원 LiDAR 기술의 눈부신 발전으로 대규모 영역, 대용량 데이터 획득이 용이해졌고, 그 정밀도 또한 높아지고 있다. 대용량 3차원 데이터에 대한 처리기술 및 유용한 특징 정보 또는 형상정보를 정확하고 신속하게 추출할 수 있는 관련 연구도 국내외적으로 지속적으로 수행되고 있다. 따라서 업계에서는 최근 들어 LiDAR 장비를 도입하여 기존 시설물에 대한 3차원 디지털 모델을 구축함으로서 라이프사이클 관리에 대한 효율을 극대화 하려고 하는 추세이다.With the remarkable development of 3D LiDAR technology, it is easy to acquire large-scale area, large-capacity data, and its precision is also increasing. Related researches that can accurately and quickly extract the processing techniques and useful feature information or shape information for large-capacity three-dimensional data have been continuously performed domestically and internationally. Therefore, in the industry, LiDAR equipment has recently been introduced to construct a 3D digital model of existing facilities, and it is a trend to maximize the efficiency of lifecycle management.

특히, 건축에서 가장 큰 관리 및 운영비용을 차지하고 있는 MEP 배관 설비에 대한 역설계 기법이 최근 많이 적용되고 있으나, 3차원 이미지 스캔 결과로 얻어진 데이터가 수백에서 수억개 이상의 포인트들로 구성되어 있는 빅 데이터가 대부분이므로, 포인트 클라우드의 관리, 저장, 처리 시 많은 어려움이 있다.In particular, reverse design techniques for MEP piping equipment, which occupies the largest administrative and operational costs in construction, have been applied recently. However, the data obtained from the three-dimensional image scanning are large data with hundreds to hundreds of millions of points There are many difficulties in managing, storing, and processing point cloud.

따라서, MEP 배관 설비 3차원 포인트 클라우드의 대용량 데이터 처리 방법이 필요하다.Therefore, there is a need for a large-capacity data processing method for a MEP piping facility three-dimensional point cloud.

따라서 이러한 종래 기술의 문제점을 해결하기 위한 것으로, 본 발명의 목적은 입력되는 포인트 클라우드를 그리드 형태로 분할하여 분할된 각 그리드에 존재하는 포인트 클라우드를 역설계 가능한 정도의 LOD(Level of Detail)로 낮추도록 한 3차원 포인트 클라우드의 대용량 데이터를 처리하기 위한 장치 및 그 방법을 제공하는데 있다.SUMMARY OF THE INVENTION Accordingly, the present invention has been made keeping in mind the above problems occurring in the prior art, and it is an object of the present invention to provide an apparatus and a method for dividing an input point cloud into a grid shape and lowering a point cloud existing in each divided grid to an LOD And an apparatus and method for processing large-capacity data of a three-dimensional point cloud.

그러나 본 발명의 목적은 상기에 언급된 사항으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.However, the objects of the present invention are not limited to those mentioned above, and other objects not mentioned can be clearly understood by those skilled in the art from the following description.

상기 목적들을 달성하기 위하여, 본 발명의 한 관점에 따른 포인트 클라우드 대용량 데이터를 처리하기 위한 장치는 대용량의 포인트 클라우드가 입력되면, 입력된 상기 포인트 클라우드를 그리드 형태의 공간으로 분할하여 분할된 상기 공간에서 LOD(Level of Detail) 포인트들을 선택하는 데이터 처리부; 상기 선택된 LOD 포인트들에 기반한 포인트 클라우드에서 노이즈를 제거하는 필터링부; 상기 필터링된 포인트 클라우드를 클러스터링하는 세그먼테이션부; 및 상기 클러스터링된 포인트 클라우드를 이용하여 형상을 추출하는 형상 추출단계를 포함할 수 있다.According to an aspect of the present invention, there is provided an apparatus for processing point cloud large-capacity data according to an aspect of the present invention includes a point cloud storing unit for dividing the input point cloud into a grid- A data processing unit for selecting LOD (Level of Detail) points; A filtering unit for removing noise from a point cloud based on the selected LOD points; A segmentation unit for clustering the filtered point clouds; And a shape extracting step of extracting a shape using the clustered point cloud.

바람직하게, 상기 데이터 처리부는 분할된 상기 공간의 중심점에 가장 가까운 포인트를 상기 LOD 포인트들로 선택하는 것을 특징으로 한다.Preferably, the data processing unit selects a point closest to the center point of the divided space as the LOD points.

바람직하게, 상기 필터링 단계는 상기 선택된 LOD 포인트들에 기반한 포인트 클라우드의 공간 영역을 이용하여 일정한 규격의 복셀 그리드를 생성하고 상기 각 복셀 그리드에 할당된 포인트 셋의 평균치로 모든 복셀의 무게 중심 점을 포인트들로 산정하는 것을 특징으로 한다.Preferably, the filtering step generates a voxel grid of a predetermined size using the spatial region of the point cloud based on the selected LOD points, and calculates the center of gravity of all the voxels as an average value of the points set allocated to each voxel grid As shown in FIG.

바람직하게, 상기 세그먼테이션부는 상기 필터링된 포인트 클라우드에 곡률 유사도에 기반한 지역 성장 방식을 적용하여 세그먼트를 획득하는 것을 특징으로 한다.Preferably, the segmentation unit acquires a segment by applying a local growth method based on curvature similarity to the filtered point cloud.

바람직하게, 상기 형상 추출부는 클러스터링된 포인트 클라우드로부터 임의의 포인트를 선택하고 상기 선택된 임의의 포인트를 기반으로 RANSAC 알고리즘을 이용하여 파이프 형상을 산출하는 것을 특징으로 한다.Preferably, the shape extracting unit selects an arbitrary point from the clustered point clouds, and calculates the pipe shape using the RANSAC algorithm based on the selected arbitrary point.

본 발명의 다른 한 관점에 따른 포인트 클라우드 대용량 데이터를 처리하기 위한 방법은 대용량의 포인트 클라우드가 입력되면, 입력된 상기 포인트 클라우드를 그리드 형태의 공간으로 분할하여 분할된 상기 공간에서 LOD(Level of Detail) 포인트들을 선택하는 데이터 처리단계; 상기 선택된 LOD 포인트들에 기반한 포인트 클라우드에서 노이즈를 제거하는 필터링 단계; 상기 필터링된 포인트 클라우드를 클러스터링하는 세그먼테이션 단계; 및 상기 클러스터링된 포인트 클라우드를 이용하여 형상을 추출하는 형상 추출부를 포함할 수 있다.According to another aspect of the present invention, there is provided a method for processing point cloud large-capacity data, the method comprising the steps of: dividing the input point cloud into grid- A data processing step of selecting points; Filtering out noise in a point cloud based on the selected LOD points; A segmentation step of clustering the filtered point clouds; And a shape extracting unit for extracting a shape using the clustered point cloud.

바람직하게, 상기 필터링 단계는 분할된 상기 공간의 중심점에 가장 가까운 포인트를 상기 LOD 포인트들로 선택하는 것을 특징으로 한다.Preferably, the filtering step selects the point closest to the center point of the divided space as the LOD points.

바람직하게, 상기 필터링 단계는 상기 선택된 LOD 포인트들에 기반한 포인트 클라우드의 공간 영역을 이용하여 일정한 규격의 복셀 그리드를 생성하고 상기 각 복셀 그리드에 할당된 포인트 셋의 평균치로 모든 복셀의 무게 중심 점을 포인트들로 산정하는 것을 특징으로 한다.Preferably, the filtering step generates a voxel grid of a predetermined size using the spatial region of the point cloud based on the selected LOD points, and calculates the center of gravity of all the voxels as an average value of the points set allocated to each voxel grid As shown in FIG.

바람직하게, 상기 세그먼테이션 단계는 상기 필터링된 포인트 클라우드에 곡률 유사도에 기반한 지역 성장 방식을 적용하여 세그먼트를 획득하는 것을 특징으로 한다.Preferably, the segmentation step acquires a segment by applying a local growth method based on curvature similarity to the filtered point cloud.

바람직하게, 상기 형상 추출단계는 클러스터링된 포인트 클라우드로부터 임의의 포인트를 선택하고, 상기 선택된 임의의 포인트를 기반으로 RANSAC 알고리즘을 이용하여 파이프 형상을 산출하는 것을 특징으로 한다.Preferably, the shape extracting step selects an arbitrary point from the clustered point cloud, and calculates the pipe shape using the RANSAC algorithm based on the selected arbitrary point.

이를 통해, 본 발명은 입력되는 포인트 클라우드를 그리드 형태로 분할하여 분할된 각 그리드에 존재하는 포인트 클라우드를 역설계 가능한 정도의 LOD로 낮추도록 함으로써, 건축에서 가장 큰 관리 및 운영 비용을 차지하고 있는 MEP 배관 설비를 효율적으로 관리할 수 있는 효과가 있다.Accordingly, the present invention divides an input point cloud into a grid shape and lowers a point cloud existing in each divided grid to an LOD of a degree that can be reversely designed, And the facility can be efficiently managed.

도 1은 대용량 3차원 포인트 클라우드의 형상 추출을 위한 전체 처리 흐름도이다.
도 2는 각 grid별 형상 추출 흐름도이다.
도 3은 각 grid별로 분할된 형상의 병합 방법의 흐름도이다.
도 4은 대용량 포인트 클라우드 기반 파이프 형상의 역설계 데이터 구조를 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따른 실린더의 수학적 모델을 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 대용량 데이터를 처리하기 위한 장치를 나타내는 도면이다.BRIEF DESCRIPTION OF THE DRAWINGS FIG. 1 is an overall process flowchart for shape extraction of a large capacity three-dimensional point cloud.
2 is a flowchart of shape extraction for each grid.
FIG. 3 is a flowchart of a merging method of divided shapes for each grid.
4 is a diagram showing a reverse design data structure of a large point cloud-based pipe shape.
5 is a diagram illustrating a mathematical model of a cylinder according to an embodiment of the present invention.
6 is a block diagram illustrating an apparatus for processing large amounts of data according to an embodiment of the present invention.

이하에서는, 본 발명의 실시예에 따른 3차원 포인트 클라우드의 대용량 데이터를 처리하기 위한 장치 및 그 방법을 첨부한 도면을 참조하여 설명한다. 본 발명에 따른 동작 및 작용을 이해하는 데 필요한 부분을 중심으로 상세히 설명한다.Hereinafter, an apparatus and method for processing large-capacity data of a three-dimensional point cloud according to an embodiment of the present invention will be described with reference to the accompanying drawings. The present invention will be described in detail with reference to the portions necessary for understanding the operation and operation according to the present invention.

또한, 본 발명의 구성 요소를 설명하는 데 있어서, 동일한 명칭의 구성 요소에 대하여 도면에 따라 다른 참조부호를 부여할 수도 있으며, 서로 다른 도면임에도 불구하고 동일한 참조부호를 부여할 수도 있다. 그러나, 이와 같은 경우라 하더라도 해당 구성 요소가 실시예에 따라 서로 다른 기능을 갖는다는 것을 의미하거나, 서로 다른 실시예에서 동일한 기능을 갖는다는 것을 의미하는 것은 아니며, 각각의 구성 요소의 기능은 해당 실시예에서의 각각의 구성 요소에 대한 설명에 기초하여 판단하여야 할 것이다.In describing the constituent elements of the present invention, the same reference numerals may be given to constituent elements having the same name, and the same reference numerals may be given thereto even though they are different from each other. However, even in such a case, it does not mean that the corresponding component has different functions according to the embodiment, or does not mean that the different components have the same function. It should be judged based on the description of each component in the example.

특히, 본 발명에서는 MEP(Mechanical Electrical and Plumbing) 배관 설비 3차원 포인트 클라우드 대용량 데이터 처리 방법으로 최초로 입력되는 포인트 클라우드를 그리드 형태로 분할하여 분할된 각 그리드에 존재하는 포인트 클라우드를 역설계 가능한 정도의 LOD(Level of Detail)로 낮추도록 한 새로운 방안을 제안한다.Particularly, according to the present invention, a point cloud that is input first by a three-dimensional point cloud large capacity data processing method of an MEP (Mechanical Electrical and Plumbing) piping facility is divided into a grid form, and a point cloud existing in each divided grid is divided into an LOD (Level of Detail).

도 1은 대용량 3차원 포인트 클라우드의 형상 추출을 위한 전체 처리 흐름도이다.BRIEF DESCRIPTION OF THE DRAWINGS FIG. 1 is an overall process flowchart for shape extraction of a large capacity three-dimensional point cloud.

도 2는 각 grid별 형상 추출 흐름도이다.2 is a flowchart of shape extraction for each grid.

도 3은 각 grid별로 분할된 형상의 병합 방법의 흐름도이다.FIG. 3 is a flowchart of a merging method of divided shapes for each grid.

도 1 내지 3에 도시한 바와 같이, 대용량 3차원 포인트 클라우드를 효과적으로 처리하기 위해, 그리드로 분할하고, 각 그리드에 속해진 포인트 클라우드 별 LOD를 복셀로 구분해 계산한다. LOD는 대용량 데이터를 간략화하는 데 사용된다. 간략화된 포인트 클라우드 데이터는 각 그리드의 개별적인 파일로 저장된다. 개별적으로 저장된 간략화된 포인트 클라우드 데이터는 형상을 추출할 필요가 있을 때만, 메모리에 로딩된다. 형상(shape) 추출된 결과는 그리드에 의해 분할되어 있으므로, 병합(merge)하는 과정이 필요하다. 이는 각 그리드에 포함된 형상과 기하학적으로 연결 가능성이 있는 주변 그리드의 형상이 있는 지 여부를 검사함으로써 가능하다. As shown in Figs. 1 to 3, in order to effectively process a large-capacity three-dimensional point cloud, it is divided into grids, and LODs per point cloud belonging to each grid are divided into voxels. LOD is used to simplify large-scale data. Simplified point cloud data is stored in separate files on each grid. The separately stored simplified point cloud data is loaded into memory only when it is necessary to extract the shape. Shape Since the extracted result is divided by the grid, a merge process is required. This can be done by checking whether there is a shape of the surrounding grid that is geometrically connectable with the shape contained in each grid.

도 4은 대용량 포인트 클라우드 기반 파이프 형상의 역설계 데이터 구조를 나타내는 도면이다.4 is a diagram showing a reverse design data structure of a large point cloud-based pipe shape.

도 4에 도시한 바와 같이, 대용량 포인트 클라우드 기반 파이프 형상의 역설계 구조를 UML(Unified Modeling Language) 클래스 다이어그램으로 표현한 것이다.As shown in FIG. 4, the reverse design structure of a large point cloud-based pipe shape is represented by a UML (Unified Modeling Language) class diagram.

이러한 파이프 형상의 역설계 구조의 클래스 다이어그램 요소는 [표 1]과 같다.Table 1 shows the class diagram elements of the pipe design reverse engineering structure.

NONO ClassClass DescriptionDescription 1One PointXYZPointXYZ 3D point structure which consists of X, Y, Z.3D point structure which consists of X, Y, Z. 22 PointNormalPointNormal 3D normal vector3D normal vector 33 PointCloudPointCloud 3D points container3D points container 44 SegmentSegment Point cloud segmentation resultsPoint cloud segmentation results 55 DatabaseDatabase Database to manage the point clouds, shapes, Shapes and reverse design algorithmsDatabase to manage the point clouds, Shapes, and reverse design algorithms 66 ShapeShape Shape base classShape base class 77 CylinderCylinder Cylinder is represented by a point 1, point 2 and radiusCylinder is represented by a point 1, point 2 and radius 88 PlanePlane Plane is represented by A, B, C and DPlane is represented by A, B, C and D 99 ShapeShape Shape such as a pipeShape such as a pipe 1010 ReverseDesignProgramReverseDesignProgram Algorithm container to manage the Shape mapping rule sets and reverse design algorithmsAlgorithm container to manage Shape mapping rule sets and reverse design algorithms 1111 ReverseDesignStrategyReverseDesignStrategy Reverse design algorithm container to manage the algorithmsReverse design algorithm 1212 FilteringFiltering Filtering algorithm implementation classFiltering algorithm implementation class 1313 SegmentationSegmentation Segmentation algorithm implementation classSegmentation algorithm implementation class 1414 RANSACRANSAC RANSAC implementation classRANSAC implementation class 1515 RecognitionRecognition Shape recognition implementation classShape recognition implementation class 1616 ValidationValidation Validation implementation class to calculate and check the recognition errorValidation implementation class to calculate and check the recognition error 1717 ReportReport Validation resultsValidation results

상기 [표 1]에서 정의된 것 중에서 역설계 자동화에 핵심적인 알고리즘은 포인트 클라우드에서 노이즈 등을 제거하기 위한 Filtering, 필터링된 포인트 클라우드를 클러스터링하기 위한 Segmentation, 형상을 인식하기 위한 RANSAC이 있다.Among the algorithms defined in [Table 1], the key algorithms for automating the reverse design are filtering for removing noise and the like from the point cloud, segmentation for clustering the filtered point cloud, and RANSAC for recognizing the shape.

이때, 대용량 포인트 클라우드를 처리하기 위해서는 최초 입력되는 포인트 클라우드를 그리드 형태로 분할하여 각 그리드에 존재하는 포인트 클라우드를 역설계 가능한 정도의 LOD로 낮추지 않으면 대용량 포인트 클라우드를 메모리 불러 연산하기가 어려워진다. 이런 문제를 개선하기 위한 알고리즘을 상세히 설명하기로 한다.In this case, in order to process a large-capacity point cloud, it is difficult to recall a large-capacity point cloud into a memory unless the point cloud to be initially input is divided into a grid form and the point cloud existing in each grid is lowered to an LOD level capable of reverse designing. The algorithm for improving this problem will be described in detail.

1. 필터링 알고리즘 모델 정의1. Filtering algorithm model definition

대용량 포인트 클라우드 노이즈 제거에 효과적인 방식은 복셀(Voxel) 기반의 통계적 아웃라이어 제거 기법으로서 데이터 간략화(샘플링)와 아웃라이어 제거 필터링이 같이 처리됨으로 건축 MEP 객체 역설계 프로그램 개발에 유용하게 적용할 수 있다.An effective method for removing large point cloud noise is a voxel-based statistical outlier removal technique. Data simplification (sampling) and outlier removal filtering are processed in the same manner, which is useful for developing a reverse engineering program for a building MEP object.

포인트 클라우드 공간 영역을 이용하여 일정한 규격의 복셀 그리드를 생성하고 각 복셀에 할당된 포인트 셋의 평균치로 모든 복셀의 무게 중심 점을 산정한다. 결정된 무게 중심점을 이용해, 포인트 클라우드의 평균점이나 가장 가까운 근사점을 구한다. 평균점 혹은 근사점이 실제 형상을 추출할 때 사용되며, 이는 외부 시스템 옵션에 따라 결정된다.Point cloud space area is used to generate a voxel grid of a certain size and the center of gravity of all voxels is calculated by the average of the points set assigned to each voxel. Using the determined center of gravity point, find the average or nearest point of the point cloud. The average or approximate point is used to extract the actual shape, which is determined by the external system option.

이때, 복셀의 무게 중심 점을 산출하는 식은 다음의 [수학식 1]과 같이 나타낸다.Here, the expression for calculating the center-of-gravity point of the voxel is expressed by the following equation (1).

Figure 112016045861106-pat00001
Figure 112016045861106-pat00001

여기서, s는 임의의 복셀 A에 소속된 포인트 수를 나타낸다.Here, s represents the number of points belonging to an arbitrary voxel A.

이렇게 샘플링을 통과하면 원시 데이터는 비교적 균질화된 가벼운 데이터로 압축된다. Once this sampling is passed, the raw data is compressed into relatively homogenous light data.

2. 세그먼테이션 알고리즘 모델 정의2. Segmentation algorithm model definition

세그먼테이션은 곡률 유사도에 기반한 지역 성장(region growing) 방식을 가장 많이 사용한다. 이를 통해 포인트 클라우드에서 연결된 지역을 부드럽게 탐색해 연결하는 방법을 제안한다.Segmentation uses the region growing method based on curvature similarity most. This suggests a way to smoothly browse and connect to connected areas in a point cloud.

제안된 방법은 단지 지역 포면 법선과 점 연결성을 사용하며, 점 연결성은 k 근접점 또는 고정 거리 근접점을 사용하고, 작은 수의 파라미터만 요구하며, 세그먼트의 수를 조정할 수 있는데, 세그먼트의 수는 다음의 [수학식 2]를 이용한다.The proposed method uses only the local auroral normality and point connectivity, and the point connectivity uses the k near point or the fixed distance proximity point, requires only a small number of parameters, and the number of segments can be adjusted. The following equation (2) is used.

Figure 112016045861106-pat00002
Figure 112016045861106-pat00002

여기서, np는 PCD의 포인트 p=(px, py, pz)의 법선 벡터를 나타내고, ns는 현재 포인트와 주변 포인트의 법선 간 각도를 나타내며, θth는 허용 각도를 나타낸다.Here, n p represents the normal vector of the point p = (p x , p y , p z ) of the PCD, n s represents the angle between the normal line of the current point and the surrounding point, and? Th represents the allowable angle.

즉, 상기 [수학식 2]를 만족하는 포인트 p가 없을 때까지 세그먼테이션을 반복한다.That is, the segmentation is repeated until there is no point p satisfying the above-described expression (2).

3. 형상 추출 알고리즘 모델 정의3. Define the shape extraction algorithm model

포인트 클라우드에서 형상을 추출하기 위해, RANSAC 알고리즘이 사용된다. RANSAC 알고리즘은 기본 형상 인식 시 많이 활용되고 있는 방식으로 유명하다. 파이프 형상은 기본 형상인 실린더로 표현할 수 있으므로, 손쉽게 인식이 가능하다.To extract the shape from the point cloud, the RANSAC algorithm is used. The RANSAC algorithm is well known for its use in basic shape recognition. Since the pipe shape can be expressed by a cylinder, which is a basic shape, it is easily recognizable.

도 5는 본 발명의 일 실시예에 따른 실린더의 수학적 모델을 나타내는 도면이다.5 is a diagram illustrating a mathematical model of a cylinder according to an embodiment of the present invention.

도 5에 도시한 바와 같이, 실린더는 축, 지름, 반경, 길이로 정의할 수 있다. 이러한 실린더 모델을 수학적으로 간략화하면 다음의 [수학식 3]과 같이 나타낼 수 있다.As shown in Fig. 5, the cylinder can be defined as an axis, a diameter, a radius, and a length. If this cylinder model is mathematically simplified, it can be expressed as the following equation (3).

Figure 112016045861106-pat00003
Figure 112016045861106-pat00003

파이프 형상을 추출하기 위한 RANSAC 알고리즘 모델은 다음의 [표 2]와 같으며, 이를 이용하여 실린더 형상을 만족하는 포인트들을 얻을 때까지 각 단계를 반복한다.The RANSAC algorithm model for extracting the pipe shape is as shown in [Table 2], and each step is repeated until the points satisfying the cylinder shape are obtained.

1. P1 = SelectRandomPoint(PCD)
2. P2 = SelectRandomPoint(PCD)
3. P3 = SelectRandomPoint(PCD)
4. Plane = GetPlane(P1, P2, P3)
5. Pc = GetCenterPoint(P1, P2, P3, Plane)
6. R = GetRadius(Pc, P1, P2, P3)
7. AxisVector = GetAxis(Plane, Pc)
8. Cylinder = GetCylinder(AxisVector, Pc, R)
9. InlierNum = GetInlierNum(PCD, Cylinder, Tol)1. P1 = SelectRandomPoint (PCD)
2. P2 = SelectRandomPoint (PCD)
3. P3 = SelectRandomPoint (PCD)
4. Plane = GetPlane (P1, P2, P3)
5. Pc = GetCenterPoint (P1, P2, P3, Plane)
6. R = GetRadius (Pc, P1, P2, P3)
7. AxisVector = GetAxis (Plane, Pc)
8. Cylinder = GetCylinder (AxisVector, Pc, R)
9. InlierNum = GetInlierNum (PCD, Cylinder, Tol)

여기서, P1-P3은 실린더 탐색을 위한 시드(seed) 포인트를 의미한다. SelectRandomPoint() 함수는 PCD 포인트 클라우드로부터 임의의 포인트를 선택해 리턴한다. GetPlane() 함수는 시드 포인트로부터 평면을 얻는 함수이다. 평면과 시드 포인트들을 이용해, 원을 구성하고, 원의 중심점 Pc를 얻을 수 있으며, 반경 R도 함께 얻을 수 있다. 평면과 원의 중심점 Pc를 이용해 축을 획득하면, 실린더 형상을 계산할 수 있다. 그리고 나서 계산된 실린더 형상에 허용오차 Tol를 적용하여, 포함되는 포인트들을 탐색한 후, 그 포인트 개수를 InlierNum으로 리턴한다.Here, P1-P3 denotes a seed point for the cylinder search. The SelectRandomPoint () function returns an arbitrary point from the PCD point cloud. The GetPlane () function is a function that obtains a plane from a seed point. Using the plane and seed points, we can construct a circle, get the center point Pc of the circle, and get the radius R together. If the axis is obtained by using the plane and the center point Pc of the circle, the cylinder shape can be calculated. Then, the tolerance Tol is applied to the calculated cylinder shape to search for included points, and the number of points is returned to InlierNum.

위 알고리즘을 최대 InlierNum가 되도록, 반복한다. 여기서, PCD의 임의 포인트를 어떻게 선택하느냐에 따라, 알고리즘의 수행 성능과 품질을 크게 달라질 수 있다.The above algorithm is repeated so as to be the maximum InlierNum. Here, the execution performance and quality of the algorithm can be greatly changed depending on how the arbitrary point of the PCD is selected.

4. 대용량 포인트 클라우드 처리 모델 정의4. Define large point cloud processing model

대용량 포인트 클라우드를 처리하기 위해서는 포인트 클라우드를 3차원 공간상에서 격자 그리드 구조로 분할하여, 각 그리드가 포함하는 포인트 클라우드의 LOD를 역설계 처리에 문제가 없는 수준에서 줄일 필요가 있다.In order to process a large-capacity point cloud, it is necessary to divide the point cloud into a grid grid structure in a three-dimensional space, and to reduce the LOD of the point clouds included in each grid at a level that does not cause a problem in the reverse design processing.

이를 고려한 대용량 포인트 클라우드 처리 알고리즘 의사코드는 다음의 [표 3]과 같다.The pseudo code of the large-capacity point cloud processing algorithm considering this is shown in [Table 3].

1: Grids = CreateGrid(PCD, GridPointNumber)
2: Loop Grid in Grids
3: Loop p in PCD
4: IF IsIn(Grid, p) Then
5: Grid = Grid + p
6: End
7: End
8: End
9:
10: Loop Grid in Grids
11: LODpoints = GetLODpoints(LODindex, Grid)
12: Grid[LODindex] = LODpoints
13: End1: Grids = CreateGrid (PCD, GridPointNumber)
2: Loop Grid in Grids
3: Loop p in PCD
4: IF Isin (Grid, p) Then
5: Grid = Grid + p
6: End
7: End
8: End
9:
10: Loop Grid in Grids
11: LODpoints = GetLODpoints (LODindex, Grid)
12: Grid [LODindex] = LODpoints
13: End

LOD 포인트를 얻는 GetLODpoints() 함수는 Grid의 전체 포인트 클라우드에서 주어진 LOD index로 정해진 포인트 최대 개수보다 같거나 낮은 포인트들을 얻기 위해, 해당 그리드를 Octree 공간으로 분할하고, 분할된 공간의 중심점에 가장 가까운 포인트를 LOD 포인트들로 추가한다.The GetLODpoints () function that obtains the LOD points divides the grid into Octree spaces to obtain points equal to or lower than the maximum number of points determined by the given LOD index in the entire point cloud of the Grid, To the LOD points.

도 6은 본 발명의 일 실시예에 따른 대용량 데이터를 처리하기 위한 장치를 나타내는 도면이다.6 is a block diagram illustrating an apparatus for processing large amounts of data according to an embodiment of the present invention.

도 6에 도시한 바와 같이, 본 발명에 따른 대용량 데이터를 처리하기 위한 장치는 데이터 처리부(310), 필터링부(320), 세그먼트부(330), 형상 추출부(340)를 포함할 수 있다.6, the apparatus for processing mass data according to the present invention may include a data processing unit 310, a filtering unit 320, a segment unit 330, and a shape extracting unit 340.

데이터 처리부(310)는 포인트 클라우드가 입력되면, 입력되는 포인트 클라우드를 그리드 형태의 공간으로 분할하여 분할된 공간의 중심점에 가장 가까운 포인트를 LOD 포인트들로 선택할 수 있다.When the point cloud is input, the data processing unit 310 may divide the input point cloud into grid-shaped spaces and select a point closest to the center point of the divided space as the LOD points.

필터링부(320)는 선택된 LOD 포인트들에 기반한 포인트 클라우드에서 노이즈를 제거할 수 있는데, 포인트 클라우드 공간 영역을 이용하여 일정한 규격의 복셀 그리드를 생성하고 각 복셀에 할당된 포인트 셋의 평균치로 모든 복셀의 무게 중심 점을 포인트들로 산정할 수 있다.The filtering unit 320 may remove noise from the point cloud based on the selected LOD points. The voxel grid generating unit 320 generates a voxel grid of a predetermined size using the point cloud space region, and calculates the average value of all the voxels The center of gravity point can be calculated as points.

세그먼트부(330)는 필터링된 포인트 클라우드를 클러스터링할 수 있는데, 필터링된 포인트 클라우드를 특정 기준에 따라 분류하여 그 분류한 결과로 다수의 세그먼트(segment)를 산정할 수 있다. 이때, 세그먼트부(330)는 필터링된 포인트 클라우드에 곡률 유사도에 기반한 지역 성장 방식을 적용하여 세그먼트를 획득할 수 있다.The segmenting unit 330 may cluster the filtered point clouds. The filtered point clouds may be classified according to a specific criterion, and a plurality of segments may be calculated as a result of classification. At this time, the segment unit 330 can acquire a segment by applying a local growth method based on curvature similarity to the filtered point cloud.

형상 추출부(340)는 클러스터링된 포인트 클라우드로부터 임의의 포인트를 선택하고 선택된 임의의 포인트를 기반으로 RANSAC 알고리즘을 이용하여 파이프 형상을 산출할 수 있다.The shape extracting unit 340 can select any point from the clustered point cloud and calculate the pipe shape using the RANSAC algorithm based on the selected arbitrary point.

제안된 방식을 검증하기 위해, 앞서 정의한 대용량 클라우드 기반 파이프 형상 역설계 자동화 구조를 바탕으로 프로토타입을 구현해 보았다. 샘플은 MEP 설비를 레이저 스캔으로 얻은 포인트 클라우드를 사용하였다. 샘플의 개수는 41,790,655 포인트이다. 각 포인트마다 좌표 x,y,z 실수값(8x3 바이트), 반사강도값(8바이트) 실수값, 포인트 번호 n 정수값(4바이트)을 포함하고 있다. 전체 포인트 클라우드 용량은 1,504,463,580 바이트이다.In order to verify the proposed method, we implemented a prototype based on the above-described large-capacity cloud-based pipeline shape design automation structure. The samples were point cloud obtained by laser scanning MEP equipment. The number of samples is 41,790,655 points. Each point includes a coordinate x, y, z real number value (8x3 bytes), reflection intensity value (8 bytes) real number value, and point number n integer value (4 bytes). The total point cloud capacity is 1,504,463,580 bytes.

이를 A=10만, B=100만, C=300만, D=원본 포인트 클라우드의 경우로 구분하여, 로딩 시간과 렌더링 시간에 대한 성능을 테스트해 보았다. 테스트한 컴퓨터의 재원인 CPU는 쿼드코어, 메모리는 4G이다.We have tested performance against loading time and rendering time, dividing into A = 100,000, B = 100,000, C = 300,000, and D = source point cloud. The CPU of the tested computer is quad-core and the memory is 4G.

로딩 시간과 렌더링 시간에 대한 성능 결과는 다음의 [표 4]와 같이 나타난다.The performance results for loading time and rendering time are shown in [Table 4].

casecase Loading Time(second)Loading Time (second) Rendering Time(second)Rendering Time (second) AA 3.583.58 0.0080.008 BB 21.9321.93 0.0080.008 CC 146.21146.21 0.0150.015 DD 919.5919.5 0.0160.016 STDSTD 435.8435.8 0.0040.004

상기 [표 4]는 테스트 결과로 로딩 시간은 대용량 포인트 클라우드 처리를 위한 그리드와 LOD를 생성하고, RANSAC 등 알고리즘에 필요한 포인트별 법선 벡터를 계산하는 시간으로 인해, 각 경우마다 로딩 시간(Loading Time)은 표준편차 435.8로 차이가 많으나, 그리드와 LOD가 생성된 후에는 포인트 클라우드 검색과 관련된 렌더링 시간(Rendering Time)은 표준편차 0.004로 큰 차이가 없음을 알 수 있어, 대용량 데이터 처리에 적합함을 알 수 있다.In Table 4, as a result of the test, the loading time is the loading time (loading time) in each case due to the time for generating grid and LOD for mass point cloud processing and calculating a point-by-point normal vector necessary for an algorithm such as RANSAC. The standard deviation is 435.8. However, after the grid and the LOD are generated, the rendering time related to the point cloud search has a standard deviation of 0.004, which means that there is no significant difference, .

한편, 이상에서 설명한 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합하거나 결합하여 동작하는 것으로 기재되어 있다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성 요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 또한, 이와 같은 컴퓨터 프로그램은 USB 메모리, CD 디스크, 플래쉬 메모리 등과 같은 컴퓨터가 읽을 수 있는 저장매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 저장매체로서는 자기 기록매체, 광 기록매체, 캐리어 웨이브 매체 등이 포함될 수 있다.It is to be understood that the present invention is not limited to these embodiments, and all of the elements constituting the embodiments of the present invention described above are described as being combined or operated together. That is, within the scope of the present invention, all of the components may be selectively coupled to one or more of them. In addition, although all of the components may be implemented as one independent hardware, some or all of the components may be selectively combined to perform a part or all of the functions in one or a plurality of hardware. As shown in FIG. In addition, such a computer program may be stored in a computer-readable medium such as a USB memory, a CD disk, a flash memory, etc., and read and executed by a computer, thereby implementing embodiments of the present invention. As the storage medium of the computer program, a magnetic recording medium, an optical recording medium, a carrier wave medium, or the like may be included.

이상에서 설명한 실시예들은 그 일 예로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.While the invention has been shown and described with reference to certain embodiments thereof, it will be apparent to those skilled in the art that various changes and modifications may be made therein without departing from the spirit and scope of the invention as defined by the appended claims. Therefore, the embodiments disclosed in the present invention are intended to illustrate rather than limit the scope of the present invention, and the scope of the technical idea of the present invention is not limited by these embodiments. The scope of protection of the present invention should be construed according to the following claims, and all technical ideas within the scope of equivalents should be construed as falling within the scope of the present invention.

310: 데이터 처리부
320: 필터링부
330: 세그먼트부
340: 형상 추출부310:
320:
330:
340: shape extracting unit

Claims (10)

대용량의 포인트 클라우드가 입력되면, 입력된 상기 포인트 클라우드를 그리드 형태의 공간으로 분할하여 분할된 상기 공간에서 LOD(Level of Detail) 포인트들을 선택하는 데이터 처리부;
상기 선택된 LOD 포인트들에 기반한 포인트 클라우드에서 노이즈를 제거하는 필터링부;
상기 필터링된 포인트 클라우드를 클러스터링하는 세그먼테이션부; 및
상기 클러스터링된 포인트 클라우드를 이용하여 파이프 형상을 추출하는 형상 추출부;를 포함하며,
상기 형상 추출부는,
상기 클러스터링된 포인트 클라우드를 상기 분할된 그리드 형태의 공간 별로 역설계하여 형상들을 추출하고, 상기 그리드 형태의 공간 별로 추출된 형상들을 병합하여 상기 파이프 형상을 추출하는 것을 특징으로 하는 포인트 클라우드 대용량 데이터를 처리하기 위한 장치.A data processing unit for dividing the input point cloud into a grid-like space and selecting LOD (Level of Detail) points in the divided space when a large-capacity point cloud is input;
A filtering unit for removing noise from a point cloud based on the selected LOD points;
A segmentation unit for clustering the filtered point clouds; And
And a shape extracting unit for extracting a pipe shape using the clustered point cloud,
The shape extracting unit,
Wherein the point cloud data is processed by inversely designing the clustered point cloud for each space of the divided grid type to extract shapes and merging the shapes extracted for each grid type space to extract the pipe shape. / RTI > 제1 항에 있어서,
상기 데이터 처리부는,
분할된 상기 공간의 중심점에 가장 가까운 포인트를 상기 LOD 포인트들로 선택하는 것을 특징으로 하는 포인트 클라우드 대용량 데이터를 처리하기 위한 장치.The method according to claim 1,
Wherein the data processing unit comprises:
And selects a point closest to a center point of the divided space as the LOD points. 제1 항에 있어서,
상기 필터링부는,
상기 선택된 LOD 포인트들에 기반한 포인트 클라우드의 공간 영역을 이용하여 일정한 규격의 복셀 그리드를 생성하고
상기 각 복셀 그리드에 할당된 포인트 셋의 평균치로 모든 복셀의 무게 중심 점을 포인트들로 산정하는 것을 특징으로 하는 포인트 클라우드 대용량 데이터를 처리하기 위한 장치.The method according to claim 1,
Wherein the filtering unit comprises:
A voxel grid of a predetermined size is generated using the spatial region of the point clouds based on the selected LOD points
And calculating the center of gravity of all the voxels as an average value of the points set allocated to each of the voxel grids as points. 제1 항에 있어서,
상기 세그먼테이션부는,
상기 필터링된 포인트 클라우드에 곡률 유사도에 기반한 지역 성장 방식을 적용하여 세그먼트를 획득하는 것을 특징으로 하는 포인트 클라우드 대용량 데이터를 처리하기 위한 장치.The method according to claim 1,
Wherein the segmentation unit comprises:
And applying a local growth method based on curvature similarity to the filtered point cloud to obtain a segment. 제1 항에 있어서,
상기 형상 추출부는,
클러스터링된 포인트 클라우드로부터 임의의 포인트를 선택하고
상기 선택된 임의의 포인트를 기반으로 RANSAC 알고리즘을 이용하여 상기 파이프 형상을 산출하는 것을 특징으로 하는 포인트 클라우드 대용량 데이터를 처리하기 위한 장치.The method according to claim 1,
The shape extracting unit,
Select any point from the clustered point cloud
And the pipe shape is calculated using the RANSAC algorithm based on the selected arbitrary point. 대용량의 포인트 클라우드가 입력되면, 입력된 상기 포인트 클라우드를 그리드 형태의 공간으로 분할하여 분할된 상기 공간에서 LOD(Level of Detail) 포인트들을 선택하는 데이터 처리단계;
상기 선택된 LOD 포인트들에 기반한 포인트 클라우드에서 노이즈를 제거하는 필터링 단계;
상기 필터링된 포인트 클라우드를 클러스터링하는 세그먼테이션 단계; 및
상기 클러스터링된 포인트 클라우드를 이용하여 파이프 형상을 추출하는 형상 추출 단계;를 포함하며,
상기 형상 추출단계는,
상기 클러스터링된 포인트 클라우드를 상기 분할된 그리드 형태의 공간 별로 역설계하여 형상들을 추출하고, 상기 그리드 형태의 공간 별로 추출된 형상들을 병합하여 상기 파이프 형상을 추출하는 것을 특징으로 하는 포인트 클라우드 대용량 데이터를 처리하기 위한 방법.A data processing step of, when the point cloud of large capacity is input, dividing the input point cloud into a grid-shaped space and selecting LOD (Level of Detail) points in the divided space;
Filtering out noise in a point cloud based on the selected LOD points;
A segmentation step of clustering the filtered point clouds; And
And a shape extracting step of extracting a pipe shape using the clustered point cloud,
In the shape extracting step,
Wherein the point cloud data is processed by inversely designing the clustered point cloud for each space of the divided grid type to extract shapes and merging the shapes extracted for each grid type space to extract the pipe shape. Lt; / RTI > 제6 항에 있어서,
상기 필터링 단계는,
분할된 상기 공간의 중심점에 가장 가까운 포인트를 상기 LOD 포인트들로 선택하는 것을 특징으로 하는 포인트 클라우드 대용량 데이터를 처리하기 위한 방법.The method according to claim 6,
Wherein the filtering step comprises:
And selecting the point closest to the center point of the divided space as the LOD points. ≪ Desc / Clms Page number 19 > 제6 항에 있어서,
상기 필터링 단계는,
상기 선택된 LOD 포인트들에 기반한 포인트 클라우드의 공간 영역을 이용하여 일정한 규격의 복셀 그리드를 생성하고
상기 각 복셀 그리드에 할당된 포인트 셋의 평균치로 모든 복셀의 무게 중심 점을 포인트들로 산정하는 것을 특징으로 하는 포인트 클라우드 대용량 데이터를 처리하기 위한 방법.The method according to claim 6,
Wherein the filtering step comprises:
A voxel grid of a predetermined size is generated using the spatial region of the point clouds based on the selected LOD points
And calculating the center-of-gravity point of all the voxels as the average of the set of points assigned to each of the voxel grids as points. 제6 항에 있어서,
상기 세그먼테이션 단계는,
상기 필터링된 포인트 클라우드에 곡률 유사도에 기반한 지역 성장 방식을 적용하여 세그먼트를 획득하는 것을 특징으로 하는 포인트 클라우드 대용량 데이터를 처리하기 위한 방법.The method according to claim 6,
Wherein the segmentation step comprises:
And applying a local growth method based on curvature similarity to the filtered point cloud to obtain a segment. 제6 항에 있어서,
상기 형상 추출단계는,
클러스터링된 포인트 클라우드로부터 임의의 포인트를 선택하고,
상기 선택된 임의의 포인트를 기반으로 RANSAC 알고리즘을 이용하여 상기 파이프 형상을 산출하는 것을 특징으로 하는 포인트 클라우드 대용량 데이터를 처리하기 위한 방법.The method according to claim 6,
In the shape extracting step,
Selects an arbitrary point from the clustered point cloud,
And calculating the pipe shape using a RANSAC algorithm based on the selected arbitrary point. ≪ RTI ID = 0.0 > 11. < / RTI >
KR1020160058800A 2016-05-13 2016-05-13 Apparatus for processing large data of 3 dimentional point cloud and method thereof KR101666937B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160058800A KR101666937B1 (en) 2016-05-13 2016-05-13 Apparatus for processing large data of 3 dimentional point cloud and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160058800A KR101666937B1 (en) 2016-05-13 2016-05-13 Apparatus for processing large data of 3 dimentional point cloud and method thereof

Publications (1)

Publication Number Publication Date
KR101666937B1 true KR101666937B1 (en) 2016-10-17

Family

ID=57250287

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160058800A KR101666937B1 (en) 2016-05-13 2016-05-13 Apparatus for processing large data of 3 dimentional point cloud and method thereof

Country Status (1)

Country Link
KR (1) KR101666937B1 (en)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108732586A (en) * 2018-05-31 2018-11-02 山东理工大学 A kind of super large Three Dimensional Ground laser scanning original point cloud Spatial Rules method
KR101944021B1 (en) * 2018-05-04 2019-04-17 한국건설기술연구원 System and method for mapping shape using building scan data
CN109961440A (en) * 2019-03-11 2019-07-02 重庆邮电大学 A kind of three-dimensional laser radar point cloud Target Segmentation method based on depth map
KR102038590B1 (en) * 2019-06-27 2019-10-30 주식회사 우리아이씨티 System, method and computer program for producing multidimensional measure information using multi measurement equipment
KR20200064421A (en) * 2018-11-29 2020-06-08 광주과학기술원 Automated system for detecting 3D pipeline
CN112385217A (en) * 2018-07-11 2021-02-19 索尼公司 Image processing apparatus, image processing method, and program
KR20210063841A (en) * 2019-11-25 2021-06-02 숭실대학교산학협력단 Method of clustering 3d point cloud data and apparatuses operating the same
KR102291532B1 (en) * 2020-12-31 2021-08-20 경북대학교 산학협력단 Apparatus and method for processing terrain information using filters
KR20220016427A (en) * 2020-07-31 2022-02-09 한국로봇융합연구원 Apparatus and method for managing robotic tasks for applying adhesive to shoe soles
KR102393345B1 (en) * 2021-12-28 2022-05-02 주식회사 맥스트 System and method for processing of 3 dimensional point cloud
CN114612627A (en) * 2022-03-11 2022-06-10 广东汇天航空航天科技有限公司 Processing method and device of terrain elevation map, vehicle and medium
WO2023003349A1 (en) * 2021-07-20 2023-01-26 엘지전자 주식회사 Point cloud data transmission device, point cloud data transmission method, point cloud data reception device, and point cloud data reception method
WO2023101150A1 (en) * 2021-11-30 2023-06-08 주식회사 애니캐스팅 소프트웨어 System and method for predicting casting product microstructure characteristic value

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130037996A (en) * 2011-10-07 2013-04-17 한국전자통신연구원 Auto segmentation method of 3d point clouds
KR20140103407A (en) * 2013-02-18 2014-08-27 인하대학교 산학협력단 Method for terrain rendering using bimodal vertex splitting

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130037996A (en) * 2011-10-07 2013-04-17 한국전자통신연구원 Auto segmentation method of 3d point clouds
KR20140103407A (en) * 2013-02-18 2014-08-27 인하대학교 산학협력단 Method for terrain rendering using bimodal vertex splitting

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"SP3D를 이용한 포인트 클라우드 파이프라인 자동화 역설계의 상호보완적 모델링", 대한기계학회 춘추학술대회(페이지 1703-1708), 2015년 11월 *
"다단계 정육면체 격자 기반의 가상점 생성을 통한 대용량 3D point cloud 가시화", 한국측량학회지 30(4)(페이지 335-342), 2012년 8월 *
"다단계 정육면체 격자 기반의 가상점 생성을 통한 대용량 3D point cloud 가시화", 한국측량학회지 30(4)(페이지 335-342), 2012년 8월*

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101944021B1 (en) * 2018-05-04 2019-04-17 한국건설기술연구원 System and method for mapping shape using building scan data
CN108732586A (en) * 2018-05-31 2018-11-02 山东理工大学 A kind of super large Three Dimensional Ground laser scanning original point cloud Spatial Rules method
CN112385217A (en) * 2018-07-11 2021-02-19 索尼公司 Image processing apparatus, image processing method, and program
KR102135828B1 (en) 2018-11-29 2020-07-21 광주과학기술원 Automated system for detecting 3D pipeline
KR20200064421A (en) * 2018-11-29 2020-06-08 광주과학기술원 Automated system for detecting 3D pipeline
CN109961440B (en) * 2019-03-11 2021-06-18 重庆邮电大学 Three-dimensional laser radar point cloud target segmentation method based on depth map
CN109961440A (en) * 2019-03-11 2019-07-02 重庆邮电大学 A kind of three-dimensional laser radar point cloud Target Segmentation method based on depth map
KR102038590B1 (en) * 2019-06-27 2019-10-30 주식회사 우리아이씨티 System, method and computer program for producing multidimensional measure information using multi measurement equipment
KR20210063841A (en) * 2019-11-25 2021-06-02 숭실대학교산학협력단 Method of clustering 3d point cloud data and apparatuses operating the same
KR102276044B1 (en) 2019-11-25 2021-07-12 숭실대학교산학협력단 Method of clustering 3d point cloud data and apparatuses operating the same
KR20220016427A (en) * 2020-07-31 2022-02-09 한국로봇융합연구원 Apparatus and method for managing robotic tasks for applying adhesive to shoe soles
KR102394323B1 (en) * 2020-07-31 2022-05-06 한국로봇융합연구원 Apparatus and method for managing robotic tasks for applying adhesive to shoe soles
KR102291532B1 (en) * 2020-12-31 2021-08-20 경북대학교 산학협력단 Apparatus and method for processing terrain information using filters
WO2023003349A1 (en) * 2021-07-20 2023-01-26 엘지전자 주식회사 Point cloud data transmission device, point cloud data transmission method, point cloud data reception device, and point cloud data reception method
WO2023101150A1 (en) * 2021-11-30 2023-06-08 주식회사 애니캐스팅 소프트웨어 System and method for predicting casting product microstructure characteristic value
KR102393345B1 (en) * 2021-12-28 2022-05-02 주식회사 맥스트 System and method for processing of 3 dimensional point cloud
CN114612627A (en) * 2022-03-11 2022-06-10 广东汇天航空航天科技有限公司 Processing method and device of terrain elevation map, vehicle and medium

Similar Documents

Publication Publication Date Title
KR101666937B1 (en) Apparatus for processing large data of 3 dimentional point cloud and method thereof
Cao et al. Graph representation of 3D CAD models for machining feature recognition with deep learning
CN105718480B (en) A method of the magnanimity three-dimensional data scheduling based on geography information
CN110544298B (en) Substation modeling method, device, computer equipment and storage medium
WO2018148267A1 (en) System and method associated with progressive spatial analysis of prodigious 3d data including complex structures
Takahashi et al. Topological volume skeletonization using adaptive tetrahedralization
CN112669463A (en) Method for reconstructing curved surface of three-dimensional point cloud, computer device and computer-readable storage medium
Perumal New approaches for Delaunay triangulation and optimisation
CN113012063A (en) Dynamic point cloud repairing method and device and computer equipment
JP6869023B2 (en) 3D to 2D reimaging for exploration
US10943037B2 (en) Generating a CAD model from a finite element mesh
WO2020023811A1 (en) 3d object design synthesis and optimization using existing designs
Adolphy et al. Method for automated structuring of product data and its applications
CN112825199A (en) Collision detection method, device, equipment and storage medium
CN111583268B (en) Point cloud virtual selection and cutting method, device and equipment
CN113034663A (en) GIM model lightweight processing method, device, equipment and storage medium
WO2005066901A1 (en) Isosurface extraction into splat hierarchy
CN114723898B (en) Method and device for lightening large-volume point cloud model
Andre Sorensen et al. A RANSAC based CAD mesh reconstruction method using point clustering for mesh connectivity
KR101640913B1 (en) Feature-based simplification method of CAD models using unit feature simplification and its system
Burić et al. A tool for idealisation of CAD models
CN108876885B (en) Point cloud data processing method and device for power equipment
KR101530262B1 (en) Mechanical, Electrical, and Plumbing Pipe Object Reverse Engineering System
US7593011B2 (en) Light map compression
WO2020005274A1 (en) Tracking a topology optimization to construct an editable topology

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant