KR20150051854A - 3d 포인트 클라우드 poi 검출 방법 및 장치 - Google Patents

3d 포인트 클라우드 poi 검출 방법 및 장치 Download PDF

Info

Publication number
KR20150051854A
KR20150051854A KR1020140012990A KR20140012990A KR20150051854A KR 20150051854 A KR20150051854 A KR 20150051854A KR 1020140012990 A KR1020140012990 A KR 1020140012990A KR 20140012990 A KR20140012990 A KR 20140012990A KR 20150051854 A KR20150051854 A KR 20150051854A
Authority
KR
South Korea
Prior art keywords
point
poi
shape description
point cloud
description vector
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.)
Granted
Application number
KR1020140012990A
Other languages
English (en)
Other versions
KR101822185B1 (ko
Inventor
산동 왕
루진 공
휘 장
이형욱
이선민
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to US14/324,450 priority Critical patent/US9547901B2/en
Publication of KR20150051854A publication Critical patent/KR20150051854A/ko
Application granted granted Critical
Publication of KR101822185B1 publication Critical patent/KR101822185B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

3D 포인트 클라우드 POI 검출 방법 및 장치가 제공된다. 3D 포인트 클라우드 POI 검출 장치는 3D 포인트 클라우드의 픽셀 포인트와 픽셀 포인트에 인접한 이웃 포인트가 포함된 표면의 형상을 기술하는 형상 기술 벡터를 이용하여 3D 포인트 클라우드에서 키 포인트인 POI(point of interest)를 추출할 수 있다.

Description

3D 포인트 클라우드 POI 검출 방법 및 장치{METHOD AND APPARATUS FOR POI DETECTION IN 3D POINT CLOUDS}
아래의 설명은 컴퓨터 그래픽스 또는 컴퓨터 비전(computer vision) 기술에 관한 것이다.
최근, 깊이 카메라 또는 3D(dimensional) 스캐너의 사용에 따라, 3D 포인트 클라우드 데이터(3D point cloud data)에 대한 수집 및 처리 기술에 관한 관심이 증가하고 있다. 컴퓨터 비전 및 스마트 로보틱스(robotics) 기술 분야에서, 3D 포인트 클라우드에서의 POI(point of interest) 검출 알고리즘은 표면 정합(surface registration) 또는 객체 인식(object recognition) 등의 기술에 이용된다.
POI 검출 알고리즘은 다음과 같은 세 가지 중요한 특징을 가지고 있다. (1) 희소성(Sparseness): 기술 매칭 알고리즘(description matching algorithm)을 효율적으로 수행하기 위해 POI의 개수가 적어야 한다; (2) 구별성(Distinctiveness): POI들은 각각의 표면 구조의 정보를 구별되게 표시할 수 있어야 한다; (3) 반복성(Repeatability): POI들은 서로 다른 데이터 변환 조건에서 반복적으로 검출될 수 있어야 한다.
일실시예에 따른 3D 포인트 클라우드 POI 검출 장치는, 3D 포인트 클라우드 데이터를 획득하는 3D 포인트 클라우드 데이터 획득부; 3D 포인트 클라우드의 픽셀 포인트와 상기 픽셀 포인트에 인접한 이웃 포인트가 포함된 표면의 형상을 기술하는 형상 기술 벡터를 생성하는 형상 기술부; 및 상기 형상 기술 벡터에 기초하여 POI를 추출하는 POI 추출부를 포함할 수 있다.
일실시예에 따른 3D 포인트 클라우드 POI 검출 장치에서, 상기 형상 기술부는, 상기 3D 포인트 클라우드의 픽셀 포인트에 대한 로컬 참조 프레임을 생성하는 로컬 참조 프레임 생성부; 상기 픽셀 포인트에 인접한 이웃 포인트에서 상기 픽셀 포인트가 속한 접평면까지의 유향 거리 분산도를 계산하는 유향 거리 분산도 계산부; 및 상기 유향 거리 분산도를 유한 차원의 벡터로 나타내는 것에 의해 형상 기술 벡터를 생성하는 형상 기술 벡터 생성부를 포함할 수 있다.
일실시예에 따른 3D 포인트 클라우드 POI 검출 장치에서, 상기 POI 추출부는, 상기 생성된 형상 기술 벡터에 기초하여 이익 값을 계산하는 이익 값 계산부; 상기 형상 기술 벡터에서 제로 컴포넌트의 개수를 판단하고, 픽셀 포인트가 에지 포인트 또는 에지 근처에 속하는지 여부를 결정하는 에지 포인트 식별부; 및 상기 계산된 이익 값에 기초하여 POI를 식별하는 POI 식별부를 포함할 수 있다.
일실시예에 따른 3D 포인트 클라우드 POI 검출 방법은, 3D 포인트 클라우드 데이터를 획득하는 단계; 3D 포인트 클라우드의 픽셀 포인트와 상기 픽셀 포인트에 인접한 이웃 포인트가 포함된 표면의 형상을 기술하는 형상 기술 벡터를 생성하는 단계; 및 상기 생성된 형상 기술 벡터에 기초하여 POI를 추출하는 단계를 포함할 수 있다.
일실시예에 따른 3D 포인트 클라우드 POI 검출 방법에서, 상기 형상 기술 벡터를 생성하는 단계는, 상기 3D 포인트 클라우드의 픽셀 포인트에 대한 로컬 참조 프레임을 생성하는 단계; 상기 픽셀 포인트에 인접한 이웃 포인트에서 상기 픽셀 포인트가 속한 접평면까지의 유향 거리 분산도를 계산하는 단계; 및 상기 유향 거리 분산도를 유한 차원의 벡터로 나타내는 것에 의해 형상 기술 벡터를 생성하는 단계를 포함할 수 있다.
일실시예에 따른 3D 포인트 클라우드 POI 검출 방법에서, 상기 POI를 추출하는 단계는, 상기 생성된 형상 기술 벡터에 기초하여 이익 값을 계산하는 단계; 상기 형상 기술 벡터에서 제로 컴포넌트의 개수를 판단하고, 픽셀 포인트가 에지 포인트 또는 에지 근처에 속하는지 여부를 결정하는 단계; 및 상기 계산된 이익 값에 기초하여 POI를 식별하는 단계를 포함할 수 있다.
도 1은 일실시예에 따른 3D 포인트 클라우드 POI(point of interest) 검출 장치의 구성을 도시한 도면이다.
도 2는 일실시예에 따른 형상 기술부의 세부 구성을 도시한 도면이다.
도 3은 일실시예에 따른 내부 포인트의 로컬 참조 프레임 및 이웃 포인트의 일례를 도시한 도면이다.
도 4는 일실시예에 따른 에지 포인트의 로컬 참조 프레임 및 이웃 포인트의 일례를 도시한 도면이다.
도 5는 일실시예에 따른 내부 포인트의 유향 거리 분산도(directed distance scatter diagram)의 일례를 도시한 도면이다.
도 6은 일실시예에 따른 에지 포인트의 유향 거리 분산도의 일례를 도시한 도면이다.
도 7은 일실시예에 따른 내부 포인트의 형상 기술도(shape description diagram)의 일례를 도시한 도면이다.
도 8은 일실시예에 따른 에지 포인트의 형상 기술도의 일례를 도시한 도면이다.
도 9는 일실시예에 따른 POI 추출부의 세부 구성을 도시한 도면이다.
도 10은 일실시예에 따른 에지 포인트 식별부에 의해 수행된 에지 포인트의 검출 결과의 일례를 도시한 도면이다.
도 11은 일실시예에 따른 3D 포인트 클라우드 POI 검출 방법을 도시한 흐름도이다.
도 12는 일실시예에 따른 형상 기술 벡터를 생성하는 과정을 도시한 흐름도이다.
도 13은 일실시예에 따른 POI를 추출하는 과정을 도시한 흐름도이다.
도 14는 일실시예에 따른 3D 포인트 클라우드에서 POI를 검출한 결과의 일례를 도시한 도면이다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 아래의 특정한 구조적 내지 기능적 설명들은 단지 발명의 실시예들을 설명하기 위한 목적으로 예시된 것으로, 발명의 범위가 본문에 설명된 실시예들에 한정되는 것으로 해석되어서는 안된다. 각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다.
도 1은 일실시예에 따른 3D 포인트 클라우드 POI 검출 장치(100)의 구성을 도시한 도면이다.
3D 포인트 클라우드 POI 검출 장치(100)는 3D 포인트 클라우드에서 키 포인트(key point)로서 POI(point of interest)를 검출할 수 있다. 3D 포인트 클라우드는 객체의 형상에 관한 복수의 픽셀 포인트들을 포함할 수 있다. 픽셀 포인트는 형상의 에지 영역에 위치한 에지 포인트(edge point)와 에지 영역 이외의 영역에 위치한 내부 포인트로 구별될 수 있다.
도 1을 참조하면, 3D 포인트 클라우드 POI 검출 장치(100)는 3D 포인트 클라우드 데이터 획득부(110), 형상 기술부(120), 및 POI 추출부(130)를 포함할 수 있다.
3D 포인트 클라우드 데이터 획득부(110)는 3D 포인트 클라우드 데이터를 획득할 수 있다. 예를 들어, 3D 포인트 클라우드 데이터 획득부(110)는 3D 스캐너에 의하여 획득된 포인트 클라우드, 깊이 카메라에 의하여 획득된 깊이 영상, 소프트웨어에 의하여 생성된 3D 그리드 모델(grid model) 등 다양한 형태의 3D 포인트 클라우드 데이터를 획득할 수 있다. 3D 포인트 클라우드 데이터는 물체 표면의 위치 정보를 포함할 수 있다.
다른 실시예에 따르면, 3D 포인트 클라우드 데이터 획득부(110)는 3D 포인트 클라우드 전처리부(미도시)를 포함할 수 있다. 3D 포인트 클라우드 전처리부는 획득된 3D 포인트 클라이드 데이터에 전처리 과정을 수행할 수 있다. 3D 포인트 클라우드 전처리부는 3D 포인트 클라우드 데이터에 대해 노이즈 제거, 이상치 포인트(outlier point) 제거, 다운 샘플링(down sampling) 처리 등의 프로세스를 수행할 수 있다. 예를 들어, 3D 포인트 클라우드 전처리부는 이웃 포인트의 분산 상태를 분석함으로써 노이즈 포인트 및 희소(sparseness) 포인트를 식별할 수 있다. 3D 포인트 클라우드 전처리부는 가우시안 필터 등을 이용하여 노이즈를 필터링할 수 있다. 3D 포인트 클라우드 전처리부는 임계값 또는 기존의 포인트 클라우드 분할 방법을 이용하여 이상치 포인트를 제거할 수 있다. 3D 포인트 클라우드 전처리부는 각각의 포인트의 인접 영역에 대한 통계적인 분석에 기초하여 이상치 포인트를 제거할 수 있다. 3D 포인트 클라우드 전처리부는 이동 최소 자승(Moving Least Square) 기법에 기초하여 작은 홀(hole)들을 채울 수 있다. 3D 포인트 클라우드 전처리부는 계산 속도를 향상시키기 위해 3D 필터 알고리즘을 이용하여 3D 포인트 클라우드 데이터에 대해 다운 샘플링을 수행할 수 있다. 다운 샘플링이 수행된 경우, 이후의 과정은 다운 샘플링된 3D 포인트 클라우드 데이터에 기초하여 수행될 수 있다. 여기서, 목적하는 전처리 과정을 수행하기 위해 임의의 방법들이 모두 이용될 수 있다. 또한, 전처리 과정에서 수행되는 프로세서는 여기에 기재된 예들에 한정되지 않으며, 3D 포인트 클라우드 데이터의 전처리로서 다양한 프로세스가 수행될 수 있다.
형상 기술부(120)는 3D 포인트 클라우드의 픽셀 포인트와 픽셀 포인트에 인접한 이웃 포인트(neighborhood point)가 포함된 표면의 형상을 기술하는 형상 기술 벡터(shape description vector)를 생성할 수 있다. 형상 기술부(120)는 픽셀 포인트의 이웃 포인트에서 픽셀 포인트가 포함된 접평면(tangent plane)까지의 유향 거리(directed distance)에 관한 분산 정보를 이용하여 형상 기술 벡터를 생성할 수 있다.
형상 기술 벡터는 픽셀 포인트와 이웃 포인트가 포함된 표면의 로컬 변화를 반영(reflect)할 수 있다. 형상 기술 벡터는 이웃 포인트들의 접평면까지의 유향 거리에 대한 통계적인 분석에 의해 구성될 수 있다. 형상 기술 벡터는 로컬 표면의 돌출 변화를 반영하여 표면의 변화가 클수록 이익 값이 크고, POI일 가능성이 높을 수 있다. 형상 기술 벡터를 통해 픽셀 포인트가 에지 포인트(edge point)에 속하는지 여부가 용이하게 판단될 수 있다. 또한, 형상 기술 벡터를 POI의 기술 연산자(description operator)로 설정하고, 특징 포인트 매칭 알고리즘에 적용할 수 있다.
POI 추출부(130)는 형상 기술 벡터에 기초하여 POI를 추출할 수 있다. POI 추출부(130)는 형상 기술 벡터에 기초하여 이익 값을 계산하고, 계산된 이익 값에 기초하여 3D 포인트 클라우드 데이터에서 POI를 식별할 수 있다.
위와 같은 과정을 통해, 3D 포인트 클라우드 POI 검출 장치(100)는 3D 포인트 클라우드 데이터로부터 POI를 빠르게 검출하고, POI의 특징을 기술하며 에지 포인트를 정확하게 식별한다. 또한, 3D 포인트 클라우드 POI 검출 장치(100)는 3D 포인트의 위치 정보를 통계 분석하므로 곡률과 같은 HOD(differential of higher order) 정보를 계산할 필요 없이 POI를 검출할 수 있다. 따라서, 3D 포인트 클라우드 POI 검출 장치(100)는, 노이즈, 데이터 미싱 홀(missing holes), 또는 포인트 밀도 변화（Point density variation）가 존재하는 3D 포인트 클라우드 데이터를 처리하는 경우에 높은 안정성을 제공하고, 계산의 효율을 향상시킨다.
도 2는 일실시예에 따른 형상 기술부(120)의 세부 구성을 도시한 도면이다.
도 2를 참고하면, 형상 기술부(120)는 로컬 참조 프레임 생성부(210), 유향 거리 분산도 계산부(220), 및 형상 기술 벡터 생성부(230)를 포함할 수 있다.
로컬 참조 프레임 생성부(210)는 3D 포인트 클라우드의 픽셀 포인트에 대한 로컬 참조 프레임(local reference frame)을 생성할 수 있다. 로컬 참조 프레임은 픽셀 포인트의 중심에서의 좌표계 X축, Y축, 및 Z축을 나타낸다.
예를 들어, 로컬 참조 프레임 생성부(210)는 대상 영역의 중심에 위치한 중심 포인트에 인접한 작은 영역 내 픽셀 포인트들을 이용하여 접평면의 Z축 방향(normal 방향)을 결정할 수 있다. 로컬 참조 프레임 생성부(210)는 픽셀 포인트의 인접 영역 내의 이웃 포인트를 이용하여 X축 방향을 결정할 수 있다. 로컬 참조 프레임 생성부(210)는 복수의 이웃 포인트들에서 접평면까지의 유향 거리를 계산하고, 가장 큰 유향 거리에 대응하는 이웃 포인트를 접평면에 투영시킨 후, 중심 포인트에서 투영된 포인트로 가리키는 방향을 X축 방향으로 결정할 수 있다. 로컬 참조 프레임 생성부(210)는 결정된 Z축 및 X축에 기초하여 Y축 방향을 결정할 수 있다.
도 3은 일실시예에 따른 내부 포인트의 로컬 참조 프레임 및 이웃 포인트의 일례를 도시한 도면이다. 도 3에 도시된 바와 같이, 로컬 참조 프레임에 중심 포인트(350)를 기준으로 X축(310), Y축(320), Z축(330)이 나타낸다. 딥 컬러(deep color)로 표시된 포인트들은 이웃 포인트(340)를 나타낸다. 이웃 포인트(340)의 범위를 결정하기 위한 기준(예를 들어, 반지름)은 사용자에 의하여 지정될 수 있다. 예를 들어, 이웃 포인트(340)의 범위를 결정하기 위한 반지름의 범위는 4mr-10mr로 설정될 수 있다. 중심 포인트를 기준으로 반지름 4mr-10mr 사이의 영역에 포함된 포인트들이 이웃 포인트(340)로 결정될 수 있다. 여기서, mr는 3D 포인트 클라우드의 메쉬 해상도(Mesh resolution)로서, 3D 포인트 클라우드에서 서로 인접한 포인트들 간의 평균 거리를 나타낸다. 도 4는 일실시예에 따른 에지 포인트의 로컬 참조 프레임 및 이웃 포인트의 일례를 도시한 도면이다.
다시 도 2로 돌아오면, 유향 거리 분산도 계산부(220)는 픽셀 포인트에 인접한 이웃 포인트에서 픽셀 포인트가 속한 접평면까지의 유향 거리 분산도를 계산할 수 있다. 유향 거리 분산도는 이웃 포인트에서 접평면으로의 투영 방향과 X축의 방향 간의 각도 및 접평면까지의 유향 거리 중 적어도 하나에 관한 정보를 포함할 수 있다. 예를 들어, 각각의 이웃 포인트는 다음의 수학식 1과 같은 매핑 관계에 대응될 수 있다.
Figure pat00001
여기서,
Figure pat00002
는 픽셀 포인트에서 접평면으로의 투영 방향과 X축의 방향 간의 각도를 나타내고(범위: -
Figure pat00003
~ +
Figure pat00004
), d는 픽셀 포인트에서 접평면까지의 유향 거리를 나타낸다. 유향 거리는 양(plus)의 값 또는 음(minus)의 값을 가질 수 있다.
도 5는 일실시예에 따른 내부 포인트의 유향 거리 분산도(또는, distance-angle map)의 일례를 도시한 도면이다. 유향 거리 분산도에서 가로축은 접평면으로의 투영 방향과 X축의 방향 간의 각도(단위: 라디안(radian))를 나타내고, 세로축은 이웃 포인트에서 접평면까지의 유향 거리(단위: mr)를 나타낸다. 도 6은 일실시예에 따른 에지 포인트의 유향 거리 분산도의 일례를 도시한 도면이다.
다시 도 2로 돌아오면, 형상 기술 벡터 생성부(230)는 유향 거리 분산도에 기초하여 형상 기술 벡터를 생성할 수 있다. 형상 기술 벡터 생성부(230)는 유향 거리 분산도를 유한 차원(limited dimension)의 벡터로 나타내는 것에 의해 형상 기술 벡터를 생성할 수 있다. 형상 기술 벡터 생성부(230)는 유한 차원의 벡터로 전체의 변화를 표시할 수 있다.
형상 기술 벡터 생성부(230)는 유향 거리 분산도를 임의의 자연수 N 개의 구간(interval) 또는 빈(bin)으로 분할하고, 각 구간의 포인트 개수 및 각 구간 내의 유향 거리의 합을 계산할 수 있다. 예를 들어, 도 7에 도시된 형상 기술도(700)와 같이, 형상 기술 벡터 생성부(230)는 유향 거리 분산도를 18개(N=18)의 구간으로 분할하고, 각 구간의 포인트 개수(710) 및 각 구간에서의 유향 거리의 합(720)을 계산할 수 있다. 형상 기술 벡터 생성부(230)는 각 구간의 포인트 개수(710) 및 각 구간 내의 유향 거리의 합(720)에 기초하여 형상 기술 벡터를 결정할 수 있다. 도 5는 내부 포인트의 형상 기술도의 일례를 나타내고, 도 8은 에지 포인트의 형상 기술도의 일례를 나타낸다. 도 8에 도시된 형상 기술도(800)에서도, 각 구간의 포인트 개수(810) 및 각 구간에서의 유향 거리의 합(820)이 도시되어 있다.
로컬 참조 프레임이 명확하기 때문에, 형상 기술 벡터 생성부(230)는 유향 거리 분산도에 나타난 통계 정보(각 구간의 포인트 개수 및 각 구간 내의 유향 거리의 합)를 형상 기술 벡터로 확장시킬 수 있다. 예를 들어, 각 구간의 포인트 개수(710)들은 벡터
Figure pat00005
로 정의되고, 각 구간 내의 유향 거리의 합(720)들은 벡터
Figure pat00006
으로 정의될 수 있다. 여기서, ni는 제i 번째 구간의 포인트 개수를 나타내고, di는 제i 번째 구간의 유향 거리의 합을 나타낸다. 형상 기술 벡터는 N 차원의 벡터
Figure pat00007
로 정의될 수 있다. 형상 기술 벡터의 각 컴포넌트는 각 구간에 대응하는 평균 유향 거리를 나타낸다. 여기서,
Figure pat00008
이면, 대응하는 벡터 컴포넌트는 0이고, 형상 기술 벡터를 정규화한 최종의 형상 기술 벡터는
Figure pat00009
로 나타낼 수 있다.
도 9는 일실시예에 따른 POI 추출부(130)의 세부 구성을 도시한 도면이다.
도 9를 참조하면, POI 추출부(130)는 이익 값(interest value) 계산부(910), 에지 포인트 식별부(920), POI 식별부(930)를 포함할 수 있다. 이익 값이 클수록 POI에 해당될 가능성이 높다. POI는 로컬 표면의 변동이 크고, 형상이 명확하게 식별될 수 있는 영역에 위치할 수 있다.
이익 값 계산부(910)는 형상 기술 벡터(예를 들어, N 차원의 형상 기술 벡터
Figure pat00010
)에 기초하여 이익 값을 계산할 수 있다. 예를 들어, 이익 값 계산부(910)는 아래의 수학식 2 내지 수학식 4에 기초한 3가지 방법을 이용하여 이익 값을 계산할 수 있다.
Figure pat00011
수학식 2를 이용한 방법 (1)에서, 이익 값은 형상 기술 벡터 D i 의 평균 값과 분산의 곱으로 정의될 수 있다. 여기서,
Figure pat00012
는 형상 기술 벡터의 컴포넌트
Figure pat00013
의 평균값이고,
Figure pat00014
는 형상 기술 벡터의 컴포넌트
Figure pat00015
의 분산값이다.
Figure pat00016
수학식 3을 이용한 방법 (2)에서, 이익 값은 형상 기술 벡터에 포함된 컴포넌트들
Figure pat00017
쌍이 가지는 가장 큰 변화율로 정의될 수 있다. 여기서,
Figure pat00018
,
Figure pat00019
는 형상 기술 벡터의 컴포넌트를 나타내고, N은 형상 기술 벡터의 차원을 나타낸다.
Figure pat00020
수학식 4를 이용한 방법 (3)에서, 이익 값은 형상 기술 벡터의 컴포넌트들 중 인접한 컴포넌트들 간의 차이를 누적한 값으로 정의될 수 있다. 여기서,
Figure pat00021
,
Figure pat00022
는 형상 기술 벡터의 컴포넌트를 나타내고, N은 형상 기술 벡터의 차원을 나타낸다.
에지 포인트 식별부(920)는 형상 기술 벡터에서 제로 컴포넌트(zero component)의 개수를 판단하고, 픽셀 포인트가 에지 포인트 또는 에지 근처에 속하는지 여부를 결정할 수 있다. 예를 들어, 에지 포인트 식별부(920)는 N 차원 형상 기술 벡터에서 제로 컴포넌트의 개수를 판단하고, 판단된 제로 컴포넌트의 개수를 임계값과 비교할 수 있다. 에지 포인트 식별부(920)는 제로 컴포넌트의 개수가 임계값보다 크다고 판단되면, 픽셀 포인트가 에지 포인트에 속하거나 도는 에지 근처에 속한다고 결정할 수 있다. 임계값은 사용자에 의하여 설정되거나 임의로 변경될 수 있다. 도 10은 일실시예에 따른 에지 포인트 식별부(920)에 의해 수행된 에지 포인트의 검출 결과의 일례를 도시한 도면이다. 도 10에서, 영역(1010)은 에지 포인트 또는 에지 근처가 속하는 영역을 나타낸다.
POI 식별부(930)는 계산된 이익 값에 기초하여 POI를 식별할 수 있다. POI 식별부(930)는 로컬 이웃 범위 내에서 큰 이익 값을 가진 포인트를 POI로 결정할 수 있다. 예를 들어, POI 식별부(930)는 로컬 이웃 범위 내에서 POI의 희소성(sparseness) 기준을 만족시키는 포인트를 선택하고, 선택된 포인트를 POI로 결정할 수 있다.
POI 식별부(930)는 가우스 스무스(Gauss smooth) 등의 스무스 기법을 이용하여 이익 값 계산부(910)에 의하여 계산된 이익 값에 스무스 처리를 수행할 수 있다. 스무스 처리에 의하여 노이즈로 인한 로컬 계산 에러(error)의 발생을 방지할 수 있다.
POI 식별부(930)는 Non-maximum Suppression 기법을 이용하여 로컬 범위 내에서 가장 큰 이익 값을 가진 포인트를 선택할 수 있다. POI 식별부(930)는 이웃 반지름에 의하여 POI 간의 거리 간격을 제어할 수 있다. POI 식별부(930)는 가장 큰 이익 값을 가진 포인트를 초기 3D 포인트 클라우드에서 가장 가까운 픽셀 포인트에 매핑하여 최종의 POI를 결정할 수 있다. POI 식별부(930)는 Non-maximum Suppression 기법을 이용하여 선택된 포인트와 가장 거리가 가까운 초기 3D 포인트 클라우드 내 픽셀 포인트를 최종의 POI로 결정할 수 있다.
여기서, 에지 포인트 또는 에지 근처의 포인트를 후보 POI로 설정할지 여부는 실제 응용의 필요성에 의해 결정될 수 있다. 내부 특징이 명확하지 않는 데이터에서 에지 포인트 또는 에지 근처의 포인트를 후보 POI로 설정하는 경우, 모든 포인트에 대한 이익 값을 계산하여 POI를 식별 및 포지셔닝(positioning)해야 할 필요가 있다. 또는, 임의의 기존 방법으로 이익 값을 계산하고, POI를 식별 및 포지셔닝할 수도 있다.
도 11은 일실시예에 따른 3D 포인트 클라우드 POI 검출 방법을 도시한 흐름도이다.
단계(1110)에서, 3D 포인트 클라우드 POI 검출 장치는 3D 포인트 클라우드 데이터를 획득할 수 있다. 3D 포인트 클라우드 데이터는 다양한 형식의 3D 포인트 클라우드 데이터를 포함할 수 있다.
다른 실시예에 따르면, 3D 포인트 클라우드 POI 검출 장치는 3D 포인트 클라우드 데이터에 대하여 전처리 과정(미도시)을 수행할 수 있다. 예를 들어, 3D 포인트 클라우드 POI 검출 장치는3D 포인트 클라우드 데이터에 대해 노이즈 제거, 이상치 포인트 제거, 다운 샘플링 처리 등의 프로세스를 수행할 수 있다.
단계(1120)에서, 3D 포인트 클라우드 POI 검출 장치는 3D 포인트 클라우드의 픽셀 포인트와 픽셀 포인트에 인접한 이웃 포인트가 포함된 표면의 형상을 기술하는 형상 기술 벡터를 생성할 수 있다. 3D 포인트 클라우드 POI 검출 장치는 픽셀 포인트의 이웃 포인트에서 픽셀 포인트가 포함된 접평면까지의 유향 거리에 관한 분산 정보를 이용하여 형상 기술 벡터를 생성할 수 있다.
단계(1130)에서, 3D 포인트 클라우드 POI 검출 장치는 형상 기술 벡터에 기초하여 POI를 추출할 수 있다. 3D 포인트 클라우드 POI 검출 장치는 형상 기술 벡터에 기초하여 이익 값을 계산하고, 계산된 이익 값에 기초하여 3D 포인트 클라우드 데이터에서 POI를 식별할 수 있다.
도 12는 일실시예에 따른 형상 기술 벡터를 생성하는 과정을 도시한 흐름도이다.
단계(1210)에서, 3D 포인트 클라우드 POI 검출 장치는 3D 포인트 클라우드의 픽셀 포인트에 대한 로컬 참조 프레임을 생성할 수 있다. 로컬 참조 프레임은 픽셀 포인트의 중심에서의 좌표계 X축, Y축, 및 Z축을 나타낸다.
단계(1220)에서, 3D 포인트 클라우드 POI 검출 장치는 픽셀 포인트의 이웃 포인트에서 픽셀 포인트가 속한 접평면까지의 유향 거리 분산도를 계산할 수 있다. 유향 거리 분산도는 이웃 포인트에서 접평면으로의 투영 방향과 X축의 방향 간의 각도 및 접평면까지의 유향 거리 중 적어도 하나에 관한 정보를 포함할 수 있다.
단계(1230)에서, 3D 포인트 클라우드 POI 검출 장치는 유향 거리 분산도에 기초하여 형상 기술 벡터를 생성할 수 있다. 3D 포인트 클라우드 POI 검출 장치는 유향 거리 분산도를 유한 차원의 벡터로 나타내는 것에 의해 형상 기술 벡터를 생성할 수 있다. 3D 포인트 클라우드 POI 검출 장치는 유향 거리 분산도를 임의의 자연수 N 개의 구간으로 분할하고, 각 구간의 포인트 개수 및 각 구간 내의 유향 거리의 합을 계산할 수 있다. 3D 포인트 클라우드 POI 검출 장치는 각 구간의 포인트 개수 및 각 구간 내의 유향 거리의 합에 기초하여 형상 기술 벡터를 결정할 수 있다.
도 13은 일실시예에 따른 POI를 추출하는 과정을 도시한 흐름도이다.
단계(1310)에서, 3D 포인트 클라우드 POI 검출 장치는 형상 기술 벡터에 기초하여 이익 값을 계산할 수 있다. 3D 포인트 클라우드 POI 검출 장치는 형상 기술 벡터의 평균값과 분산의 곱, 형상 기술 벡터에 포함된 컴포넌트들 쌍이 가지는 가장 큰 변화율, 및 형상 기술 벡터의 컴포넌트들 중 인접한 컴포넌트들 간의 차이를 누적한 값 중 어느 하나를 이익 값으로 계산할 수 있다.
단계(1320)에서, 3D 포인트 클라우드 POI 검출 장치는 형상 기술 벡터에서 제로 컴포넌트의 개수를 판단하고, 픽셀 포인트가 에지 포인트 또는 에지 근처에 속하는지 여부를 결정할 수 있다.
단계(1330)에서, 3D 포인트 클라우드 POI 검출 장치는 계산된 이익 값에 기초하여 POI를 식별할 수 있다. 3D 포인트 클라우드 POI 검출 장치는 로컬 이웃 범위 내에서 큰 이익 값을 가진 포인트를 POI로 결정할 수 있다. 예를 들어, 3D 포인트 클라우드 POI 검출 장치는 로컬 이웃 범위 내에서 POI의 희소성 기준을 만족시키는 포인트를 선택하고, 선택된 포인트를 POI로 결정할 수 있다. 도 14는 일실시예에 따른 3D 포인트 클라우드에서 POI를 검출한 결과의 일례를 도시한 도면이다.
실시예에 따른 동작은 하나 이상의 프로세서(processor)에 의해 수행될 수 있고, 또는 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (18)

  1. 3D 포인트 클라우드 데이터(3D point cloud data)를 획득하는 3D 포인트 클라우드 데이터 획득부;
    3D 포인트 클라우드의 픽셀 포인트와 상기 픽셀 포인트에 인접한 이웃 포인트(neighborhood point)가 포함된 표면의 형상을 기술하는 형상 기술 벡터(shape description vector)를 생성하는 형상 기술부; 및
    상기 형상 기술 벡터에 기초하여 POI(point of interest)를 추출하는 POI 추출부
    를 포함하는 3D 포인트 클라우드 POI 검출 장치.
  2. 제1항에 있어서,
    상기 형상 기술부는,
    상기 이웃 포인트에서 상기 픽셀 포인트가 포함된 접평면(tangent plane)까지의 유향 거리(directed distance)에 관한 분산 정보를 이용하여 상기 형상 기술 벡터를 생성하는 3D 포인트 클라우드 POI 검출 장치.
  3. 제1항에 있어서,
    상기 형상 기술부는,
    상기 3D 포인트 클라우드의 픽셀 포인트에 대한 로컬 참조 프레임(local reference frame)을 생성하는 로컬 참조 프레임 생성부;
    상기 픽셀 포인트에 인접한 이웃 포인트에서 상기 픽셀 포인트가 속한 접평면까지의 유향 거리 분산도(directed distance scatter diagram)를 계산하는 유향 거리 분산도 계산부; 및
    상기 유향 거리 분산도를 유한 차원(limited dimension)의 벡터로 나타내는 것에 의해 형상 기술 벡터를 생성하는 형상 기술 벡터 생성부
    를 포함하는 3D 포인트 클라우드 POI 검출 장치.
  4. 제3항에 있어서,
    상기 로컬 참조 프레임은, 상기 픽셀 포인트의 중심에서의 좌표계 X축, Y축, 및 Z축을 나타내고,
    상기 유향 거리 분산도는, 상기 이웃 포인트에서 접평면으로의 투영 방향과 X축의 방향 간의 각도, 및 상기 접평면까지의 유향 거리 중 적어도 하나에 관한 정보를 포함하는 3D 포인트 클라우드 POI 검출 장치.
  5. 제3항에 있어서,
    상기 형상 기술 벡터 생성부는,
    상기 유향 거리 분산도를 임의의 자연수 N 개의 구간(interval)으로 분할하고, 각 구간의 포인트 개수 및 각 구간 내의 유향 거리의 합에 기초하여 형상 기술 벡터를 결정하는 3D 포인트 클라우드 POI 검출 장치.
  6. 제1항에 있어서,
    상기 POI 추출부는,
    상기 생성된 형상 기술 벡터에 기초하여 이익 값을 계산하는 이익 값 계산부;
    상기 형상 기술 벡터에서 제로 컴포넌트(zero component)의 개수를 판단하고, 픽셀 포인트가 에지 포인트(edge point) 또는 에지 근처에 속하는지 여부를 결정하는 에지 포인트 식별부; 및
    상기 계산된 이익 값에 기초하여 POI를 식별하는 POI 식별부
    를 포함하는 3D 포인트 클라우드 POI 검출 장치.
  7. 제6항에 있어서,
    상기 이익 값 계산부는,
    형상 기술 벡터의 평균값과 분산의 곱, 형상 기술 벡터에 포함된 컴포넌트들 쌍이 가지는 가장 큰 변화율, 및 형상 기술 벡터의 컴포넌트들 중 인접한 컴포넌트들 간의 차이를 누적한 값 중 어느 하나를 이익 값으로 계산하는 3D 포인트 클라우드 POI 검출 장치.
  8. 제1항에 있어서,
    상기 3D 포인트 클라우드 데이터 획득부는,
    상기 획득된 3D 포인트 클라우드 데이터에 전처리 과정을 수행하는 3D 포인트 클라우드 데이터 전처리부
    를 포함하는 3D 포인트 클라우드 POI 검출 장치.
  9. 제8항에 있어서,
    상기 3D 포인트 클라우드 데이터 전처리부는,
    상기 획득된 3D 포인트 클라우드 데이터에 대해 노이즈 제거, 이상치 포인트(outlier point) 제거, 및 다운 샘플링 중 적어도 하나를 수행하는 3D 포인트 클라우드 POI 검출 장치.
  10. 3D 포인트 클라우드 데이터(3D point cloud data)를 획득하는 단계;
    3D 포인트 클라우드의 픽셀 포인트와 상기 픽셀 포인트에 인접한 이웃 포인트(neighborhood point)가 포함된 표면의 형상을 기술하는 형상 기술 벡터(shape description vector)를 생성하는 단계; 및
    상기 생성된 형상 기술 벡터에 기초하여 POI(point of interest)를 추출하는 단계
    를 포함하는 3D 포인트 클라우드 POI 검출 방법.
  11. 제10항에 있어서,
    상기 형상 기술 벡터를 생성하는 단계는,
    상기 이웃 포인트에서 상기 픽셀 포인트가 포함된 접평면 (Tangent plane)까지의 유향 거리(directed distance)에 관한 분산 정보를 이용하여 상기 형상 기술 벡터를 생성하는 단계
    를 포함하는 3D 포인트 클라우드 POI 검출 방법.
  12. 제10항에 있어서,
    상기 형상 기술 벡터를 생성하는 단계는,
    상기 3D 포인트 클라우드의 픽셀 포인트에 대한 로컬 참조 프레임(local reference frame)을 생성하는 단계;
    상기 픽셀 포인트에 인접한 이웃 포인트에서 상기 픽셀 포인트가 속한 접평면까지의 유향 거리 분산도(directed distance scatter diagram)를 계산하는 단계; 및
    상기 유향 거리 분산도를 유한 차원(limited dimension)의 벡터로 나타내는 것에 의해 형상 기술 벡터를 생성하는 단계
    를 포함하는 3D 포인트 클라우드 POI 검출 방법.
  13. 제12항에 있어서,
    상기 로컬 참조 프레임은, 상기 픽셀 포인트의 중심에서의 좌표계 X축, Y축, 및 Z축을 나타내고,
    상기 유향 거리 분산도는, 상기 이웃 포인트에서 접평면으로의 투영 방향과 X축의 방향 간의 각도, 및 상기 접평면까지의 유향 거리 중 적어도 하나에 관한 정보를 포함하는 3D 포인트 클라우드 POI 검출 방법.
  14. 제12항에 있어서,
    상기 형상 기술 벡터를 생성하는 단계는,
    상기 유향 거리 분산도를 임의의 자연수 N 개의 구간(interval)으로 분할하는 단계;
    각 구간의 포인트 개수 및 각 구간 내의 유향 거리의 합을 계산하는 단계; 및
    상기 각 구간의 포인트 개수 및 각 구간 내의 유향 거리의 합에 기초하여 형상 기술 벡터를 결정하는 단계
    를 포함하는 3D 포인트 클라우드 POI 검출 방법.
  15. 제10항에 있어서,
    상기 POI를 추출하는 단계는,
    상기 생성된 형상 기술 벡터에 기초하여 이익 값을 계산하는 단계;
    상기 형상 기술 벡터에서 제로 컴포넌트(zero component)의 개수를 판단하고, 픽셀 포인트가 에지 포인트(edge point) 또는 에지 근처에 속하는지 여부를 결정하는 단계; 및
    상기 계산된 이익 값에 기초하여 POI를 식별하는 단계
    를 포함하는 3D 포인트 클라우드 POI 검출 방법.
  16. 제15항에 있어서,
    상기 이익 값을 계산하는 단계는,
    형상 기술 벡터의 평균값과 분산의 곱, 형상 기술 벡터에 포함된 컴포넌트들 쌍이 가지는 가장 큰 변화율, 및 형상 기술 벡터의 컴포넌트들 중 인접한 컴포넌트들 간의 차이를 누적한 값 중 어느 하나를 이익 값으로 계산하는 단계
    를 포함하는 3D 포인트 클라우드 POI 검출 방법.
  17. 제10항에 있어서,
    상기 3D 포인트 클라우드 데이터를 획득하는 단계는,
    상기 획득된 3D 포인트 클라우드 데이터에 전처리 과정을 수행하는 단계를 포함하고,
    상기 전처리 과정을 수행하는 단계는, 상기 획득된 3D 포인트 클라우드 데이터에 대해 노이즈 제거, 이상치 포인트(outlier point) 제거, 및 다운 샘플링 중 적어도 하나를 수행하는 3D 포인트 클라우드 POI 검출 방법.
  18. 제10항의 방법을 실행하기 위한 프로그램이 기록된 컴퓨터에서 판독 가능한 기록 매체.
KR1020140012990A 2013-11-05 2014-02-05 3d 포인트 클라우드 poi 검출 방법 및 장치 Active KR101822185B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US14/324,450 US9547901B2 (en) 2013-11-05 2014-07-07 Method and apparatus for detecting point of interest (POI) in three-dimensional (3D) point clouds

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201310541258.8A CN104616278B (zh) 2013-11-05 2013-11-05 三维点云兴趣点检测方法和系统
CN201310541258.8 2013-11-05

Publications (2)

Publication Number Publication Date
KR20150051854A true KR20150051854A (ko) 2015-05-13
KR101822185B1 KR101822185B1 (ko) 2018-01-26

Family

ID=53150711

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140012990A Active KR101822185B1 (ko) 2013-11-05 2014-02-05 3d 포인트 클라우드 poi 검출 방법 및 장치

Country Status (2)

Country Link
KR (1) KR101822185B1 (ko)
CN (1) CN104616278B (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101640228B1 (ko) * 2016-01-14 2016-07-22 와파시스템 주식회사 배관 도면 생성 시스템, 배관 도면 생성 방법 및 기록 매체
KR20210084115A (ko) * 2019-12-27 2021-07-07 중앙대학교 산학협력단 3차원 포인트 클라우드 신뢰도 판단 시스템 및 방법
KR20210101775A (ko) * 2020-02-11 2021-08-19 한국전자통신연구원 포인트 클라우드 이상치 제거 방법 및 이를 구현하는 장치
KR102295084B1 (ko) * 2020-12-17 2021-08-27 주식회사 리안컴퍼니 문화재 디지털 복원을 위한 스캔영상 보정방법 및 문화재 디지털 복원 시스템
KR20230003646A (ko) * 2017-07-07 2023-01-06 나이앤틱, 인크. 클라우드 기반 증강 현실
WO2023282394A1 (ko) * 2021-07-08 2023-01-12 한국과학기술원 4차원 레이더의 포인트 클라우드 필터링 방법 및 데이터 처리 장치

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844639B (zh) * 2016-03-24 2019-04-12 四川大学 一种基于几何约束的深度图融合与点云过滤方法
EP3444783A1 (en) * 2017-08-17 2019-02-20 ABB Schweiz AG Robotic systems and methods for operating a robot
CN108010116B (zh) * 2017-11-30 2021-02-09 西南科技大学 点云特征点检测方法和点云特征提取方法
CN111327906B (zh) * 2018-12-13 2022-08-09 华为技术有限公司 点云编解码方法和编解码器
US11555899B2 (en) 2019-02-19 2023-01-17 Infineon Technologies Ag Random hardware fault and degradation protection apparatus for time-of-flight receiver
CN111626096B (zh) * 2020-04-08 2023-08-08 南京航空航天大学 一种三维点云数据兴趣点提取方法
KR102583675B1 (ko) * 2021-04-20 2023-09-27 아주대학교산학협력단 이미지 분류 방법 및 시스템
CN114155223A (zh) * 2021-11-18 2022-03-08 重庆大学 基于有向距离的图像清晰度筛选方法及系统
KR102706939B1 (ko) * 2021-12-21 2024-09-12 주식회사 포스코 출입 관리 시스템 및 이의 작동 방법
CN118038027B (zh) * 2024-04-11 2024-07-05 深圳市木牛机器人科技有限公司 平板运输车的兴趣点检测方法
CN118429483A (zh) * 2024-05-09 2024-08-02 北京路凯智行科技有限公司 生成地图的兴趣点的方法、电子设备、程序产品和介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5468824B2 (ja) 2009-06-22 2014-04-09 株式会社豊田自動織機 ３次元における形状の一致を判定する方法および装置
US8872851B2 (en) * 2010-09-24 2014-10-28 Intel Corporation Augmenting image data based on related 3D point cloud data
KR101681538B1 (ko) * 2010-10-20 2016-12-01 삼성전자주식회사 영상 처리 장치 및 방법
US8274508B2 (en) * 2011-02-14 2012-09-25 Mitsubishi Electric Research Laboratories, Inc. Method for representing objects with concentric ring signature descriptors for detecting 3D objects in range images
CN102945289B (zh) * 2012-11-30 2016-01-06 苏州搜客信息技术有限公司 基于cgci-sift局部特征的图像检索方法
CN103065354A (zh) * 2012-12-24 2013-04-24 中国科学院深圳先进技术研究院 点云优化方法及其装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101640228B1 (ko) * 2016-01-14 2016-07-22 와파시스템 주식회사 배관 도면 생성 시스템, 배관 도면 생성 방법 및 기록 매체
KR20230003646A (ko) * 2017-07-07 2023-01-06 나이앤틱, 인크. 클라우드 기반 증강 현실
US12307606B2 (en) 2017-07-07 2025-05-20 Niantic, Inc. Cloud assisted generation of local map data using novel viewpoints
KR20210084115A (ko) * 2019-12-27 2021-07-07 중앙대학교 산학협력단 3차원 포인트 클라우드 신뢰도 판단 시스템 및 방법
KR20210101775A (ko) * 2020-02-11 2021-08-19 한국전자통신연구원 포인트 클라우드 이상치 제거 방법 및 이를 구현하는 장치
US11354854B2 (en) 2020-02-11 2022-06-07 Electronics And Telecommunications Research Institute Method of removing outlier of point cloud and apparatus implementing the same
KR102295084B1 (ko) * 2020-12-17 2021-08-27 주식회사 리안컴퍼니 문화재 디지털 복원을 위한 스캔영상 보정방법 및 문화재 디지털 복원 시스템
WO2023282394A1 (ko) * 2021-07-08 2023-01-12 한국과학기술원 4차원 레이더의 포인트 클라우드 필터링 방법 및 데이터 처리 장치

Also Published As

Publication number Publication date
CN104616278A (zh) 2015-05-13
KR101822185B1 (ko) 2018-01-26
CN104616278B (zh) 2020-03-17

Similar Documents

Publication Publication Date Title
KR101822185B1 (ko) 3d 포인트 클라우드 poi 검출 방법 및 장치
US9547901B2 (en) Method and apparatus for detecting point of interest (POI) in three-dimensional (3D) point clouds
EP2249311B1 (en) Systems and methods for extracting planar features, matching the planar features, and estimating motion from the planar features
CN111487641B (zh) 一种利用激光雷达检测物体的方法、装置、电子设备及存储介质
Hulik et al. Continuous plane detection in point-cloud data based on 3D Hough Transform
US9142011B2 (en) Shadow detection method and device
KR101283262B1 (ko) 영상 처리 방법 및 장치
KR101495333B1 (ko) 장애물 검출 장치 및 방법
KR101609303B1 (ko) 카메라 캘리브레이션 방법 및 그 장치
EP2779025B1 (en) Method and system for detecting road edge
EP3695384A1 (en) Point cloud meshing method, apparatus, device and computer storage media
US20100315419A1 (en) Systems and Methods for Estimating a Parameter for a 3D model
Cheng et al. Building boundary extraction from high resolution imagery and lidar data
CN103714541A (zh) 一种利用山体轮廓区域约束识别定位建筑物的方法
JP2012221456A (ja) 対象物識別装置及びプログラム
KR101909544B1 (ko) 평면 검출 장치 및 방법
EP3324359B1 (en) Image processing device and image processing method
EP2677462B1 (en) Method and apparatus for segmenting object area
Qu et al. Evaluation of SIFT and SURF for vision based localization
Arachchige et al. Automatic processing of mobile laser scanner point clouds for building facade detection
JP2014134856A (ja) 被写体識別装置、被写体識別方法および被写体識別プログラム
JP2018096709A (ja) 距離測定装置および距離測定方法
JP5928010B2 (ja) 道路標示検出装置及びプログラム
KR102494552B1 (ko) 실내 복원 방법
JP6815793B2 (ja) 矩形領域検出方法、矩形領域検出装置及びプログラム

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20140205

PG1501 Laying open of application
A201 Request for examination
PA0201 Request for examination

Patent event code: PA02012R01D

Patent event date: 20160812

Comment text: Request for Examination of Application

Patent event code: PA02011R01I

Patent event date: 20140205

Comment text: Patent Application

E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20170417

Patent event code: PE09021S01D

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20171027

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20180119

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20180122

End annual number: 3

Start annual number: 1

PG1601 Publication of registration
PR1001 Payment of annual fee

Payment date: 20201217

Start annual number: 4

End annual number: 4

PR1001 Payment of annual fee

Payment date: 20211220

Start annual number: 5

End annual number: 5

PR1001 Payment of annual fee

Payment date: 20221219

Start annual number: 6

End annual number: 6

PR1001 Payment of annual fee

Payment date: 20241219

Start annual number: 8

End annual number: 8