KR20220112072A - 점군 데이터 정합 오차 최소점 탐색 장치 및 방법 - Google Patents

점군 데이터 정합 오차 최소점 탐색 장치 및 방법 Download PDF

Info

Publication number
KR20220112072A
KR20220112072A KR1020210015602A KR20210015602A KR20220112072A KR 20220112072 A KR20220112072 A KR 20220112072A KR 1020210015602 A KR1020210015602 A KR 1020210015602A KR 20210015602 A KR20210015602 A KR 20210015602A KR 20220112072 A KR20220112072 A KR 20220112072A
Authority
KR
South Korea
Prior art keywords
point cloud
cloud data
matching
target point
source
Prior art date
Application number
KR1020210015602A
Other languages
English (en)
Inventor
권혁민
김현철
서정일
안상우
양승준
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020210015602A priority Critical patent/KR20220112072A/ko
Priority to US17/583,691 priority patent/US11893678B2/en
Publication of KR20220112072A publication Critical patent/KR20220112072A/ko

Links

Images

Classifications

    • 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
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/10—Geometric effects
    • 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
    • G06T17/005—Tree description, e.g. octree, quadtree
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/56—Particle system, point based geometry or rendering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Graphics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Image Generation (AREA)

Abstract

점군 데이터 정합 오차 최소점 탐색 장치 및 방법이 개시된다. 본 발명의 실시예에 따른 점군 데이터 정합 최소점 탐색 장치는, 적어도 하나의 프로그램이 기록된 메모리 및 프로그램을 실행하는 프로세서를 포함하며, 프로그램은, 소스 점군 데이터의 타겟 점군 데이터로의 정합 오차가 극소가 되는 복수의 정합 결과들을 후보군으로 수집하는 단계 및 수집된 후보군에 포함된 복수의 정합 결과들 중 소스 점군 데이터 및 타겟 점군 데이터 간의 정합 오차가 최소가 되는 정합 결과를 선택하는 단계를 수행하되, 후보군을 수집하는 단계에서, 소스 점군 데이터 및 타겟 점군 데이터를 랜덤하게 초기화하는 단계 및 초기화된 소스 점군 데이터를 타겟 점군 데이터로의 정합시켜 그 정합 오차가 극소가 되는 정합 결과를 탐색하는 단계를 반복 수행할 수 있다.

Description

점군 데이터 정합 오차 최소점 탐색 장치 및 방법{Apparatus and Method for Searching Global Minimum of Point Cloud Registration Error}
기재된 실시예는 복수의 3차원 점군 데이터(Point Cloud)를 정합(Registration)하는 기술에 관한 것이다.
어떠한 객체나 환경, 공간에 대한 3차원 점군 데이터를 획득할 때, 보다 정밀하고 누락되는 부분없이 획득하기 위해 다양한 위치에서 데이터 획득을 수행하게 된다. 이는 매 위치마나 센서의 중심이 원점이 되는 데이터가 되기 때문에 그대로 하나의 좌표계로 합치게 될 경우 원하는 데이터의 형태를 얻지 못한다.
이러한 문제를 해결하기 위한 가장 대표적인 방법이 ICP(Iterative Closest Point) 알고리즘인데, 이는 정합 대상인 두 점 군 데이터 집합들 간에 최근접 점끼리 매칭시켜 평균 거리, 즉 정합 오차를 최소화시키는 변환 행렬을 탐색하는 과정을 반복 수행한다.
그런데, 이러한 일반적인 ICP 알고리즘을 통해 실제로는 정합 오차가 최소점(Global Minimum)이 아니라 입력되는 초기 위치에 따라 극소점(Local Minimum)이 탐색될 수 있다는 치명적인 문제점이 존재한다.
기재된 실시예는 복수의 3차원 점군 데이터를 정합함에 있어 정합 오차의 극소점이 아닌 최소점이 되는 정합 결과를 탐색하는 데 그 목적이 있다.
실시예에 따른 점군 데이터 정합 오차 최소점 탐색 장치는, 적어도 하나의 프로그램이 기록된 메모리 및 프로그램을 실행하는 프로세서를 포함하며, 프로그램은, 소스 점군 데이터의 타겟 점군 데이터로의 정합 오차가 극소가 되는 복수의 정합 결과들을 후보군으로 수집하는 단계 및 수집된 후보군에 포함된 복수의 정합 결과들 중 소스 점군 데이터 및 타겟 점군 데이터 간의 정합 오차가 최소가 되는 정합 결과를 선택하는 단계를 수행하되, 후보군을 수집하는 단계에서, 소스 점군 데이터 및 타겟 점군 데이터를 랜덤하게 초기화하는 단계 및 초기화된 소스 점군 데이터를 타겟 점군 데이터로의 정합시켜 그 정합 오차가 극소가 되는 정합 결과를 탐색하는 단계를 반복 수행할 수 있다.
이때, 소스 점군 데이터 및 타겟 점군 데이터 각각은, 소스 점군 데이터에 포함된 점들의 중심 및 타겟 점군 데이터에 포함된 점들의 중심이 원점으로 이동된 것일 수 있다.
이때, 타겟 점군 데이터는, 다차원 트리(KD-tree)로 생성될 수 있다.
이때, 프로그램은, 타겟 점군 데이터 및 소스 점군 데이터 각각을 소정 단위 복셀로 분할하는 단계, 분할된 복셀들 각각에 대한 법선 벡터를 산출하는 단계 및 타겟 점군 데이터의 법선 벡터들 및 소스 점군 데이터의 법선 벡터들 각각을 일치시키는 복수의 제1 변환 행렬들을 산출하는 단계를 더 수행하되, 후보군을 수집하는 단계에서, 복수의 제1 변환 행렬들 중 하나를 기반으로 소스 점군 데이터 및 타겟 점군 데이터를 초기화할 수 있다.
이때, 정합 결과를 탐색하는 단계는, 타겟 점군 데이터 및 소스 점군 데이터 간의 적어도 하나의 근접 점을 매칭하는 단계, 매칭된 근접점을 기반으로 소스 점군 데이터를 강체 변환하는 단계 및 타겟 점군 데이터와 강체 변환된 소스 점군 데이터 간의 정합 오차를 산출하는 단계를 포함하되, 정합 오차가 극소점에 수렴할때까지 근접 점을 매칭하는 단계 내지 정합 오차를 산출하는 단계를 반복 수행하고, 정합 오차를 극소점에 수렴시키는 제2 변환 행렬을 후보군에 추가할 수 있다.
이때, 후보군을 수집하는 단계는, 소정 종료 조건을 만족하는지의 여부에 따라 반복 수행되되, 소정 종료 조건의 만족 여부는, 복수의 제2 변환 행렬들 각각에 의해 정합된 소스 점군 데이터와 타겟 점군 데이터 간의 정합도를 산출하고, 산출된 정합도들 중 최대값의 평균값과의 차이를 분산의 배수로 하여 산출된 종료 조건이 소정 임계치 이상인지의 여부에 따라 결정될 수 있다.
이때, 정합도는, 매칭된 점들 간의 거리 평균에 소스 점군 데이터 및 타겟 점군 데이터의 매칭된 점들의 개수를 가중치로 적용하여 산출될 수 있다.
이때, 소정 종료 조건의 만족 여부는, 복수의 제2 변환 행렬들이 적어도 세 개 이상 수집될 경우 판단될 수 있다.
실시예에 따른 점군 데이터 정합 오차 최소점 탐색 방법은, 소스 점군 데이터의 타겟 점군 데이터로의 정합 오차가 극소가 되는 복수의 정합 결과들을 후보군으로 수집하는 단계 및 수집된 후보군에 포함된 복수의 정합 결과들 중 소스 점군 데이터 및 타겟 점군 데이터 간의 정합 오차가 최소가 되는 정합 결과를 선택하는 단계를 수행하되, 후보군을 수집하는 단계는, 소스 점군 데이터 및 타겟 점군 데이터를 랜덤하게 초기화하는 단계 및 초기화된 소스 점군 데이터를 타겟 점군 데이터로의 정합시켜 그 정합 오차가 극소가 되는 정합 결과를 탐색하는 단계를 반복 수행할 수 있다.
이때, 소스 점군 데이터 및 타겟 점군 데이터 각각은, 소스 점군 데이터에 포함된 점들의 중심 및 타겟 점군 데이터에 포함된 점들의 중심이 원점으로 이동된 것일 수 있다.
이때, 타겟 점군 데이터는, 다차원 트리(KD-tree)로 생성될 수 있다.
이때, 타겟 점군 데이터 및 소스 점군 데이터 각각을 소정 단위 복셀로 분할하는 단계, 분할된 복셀들 각각에 대한 법선 벡터를 산출하는 단계 및 타겟 점군 데이터의 법선 벡터들 및 소스 점군 데이터의 법선 벡터들 각각을 일치시키는 복수의 제1 변환 행렬들을 산출하는 단계를 더 포함하되, 후보군을 수집하는 단계에서, 복수의 제1 변환 행렬들 중 하나를 기반으로 소스 점군 데이터 및 타겟 점군 데이터를 초기화할 수 있다.
이때, 정합 결과를 탐색하는 단계는, 타겟 점군 데이터 및 소스 점군 데이터 간의 적어도 하나의 근접 점을 매칭하는 단계, 매칭된 근접점을 기반으로 소스 점군 데이터를 강체 변환하는 단계 및 타겟 점군 데이터와 강체 변환된 소스 점군 데이터 간의 정합 오차를 산출하는 단계를 포함하되, 정합 오차가 극소점에 수렴할때까지 근접 점을 매칭하는 단계 내지 정합 오차를 산출하는 단계를 반복 수행하고, 정합 오차를 극소점에 수렴시키는 제2 변환 행렬을 후보군에 추가할 수 있다.
이때, 후보군을 수집하는 단계는, 소정 종료 조건을 만족하는지의 여부에 따라 반복 수행되되, 소정 종료 조건의 만족 여부는, 복수의 제2 변환 행렬들 각각에 의해 정합된 소스 점군 데이터와 타겟 점군 데이터 간의 정합도를 산출하고, 산출된 정합도들 중 최대값의 평균값과의 차이를 분산의 배수로 하여 산출된 종료 조건이 소정 임계치 이상인지의 여부에 따라 결정될 수 있다.
이때, 정합도는, 매칭된 점들 간의 거리 평균에 소스 점군 데이터 및 타겟 점군 데이터의 매칭된 점들의 개수를 가중치로 적용하여 산출될 수 있다.
이때, 소정 종료 조건의 만족 여부는, 복수의 제2 변환 행렬들이 적어도 세 개 이상 수집될 경우 판단될 수 있다.
실시예에 따른 점군 데이터 정합 오차 최소점 탐색 방법은, 소스 점군 데이터 및 타겟 점군 데이터를 랜덤하게 변환시킬 복수의 제1 변환 행렬들을 산출하는 단계, 복수의 제1 변환 행렬들 중 하나를 기반으로 소스 점군 데이터 및 타겟 점군 데이터를 초기화시키는 단계, 초기화된 소스 점군 데이터의 타겟 점군 데이터로의 정합 오차를 극소로 수렴시키는 정합 결과를 탐색하는 단계, 탐색된 정합 결과를 후보군에 추가하는 단계, 복수의 제1 변환 행렬들 중 다른 하나를 기반으로 소스 점군 데이터 및 타겟 점군 데이터를 초기화시키는 단계, 초기화된 소스 점군 데이터의 타겟 점군 데이터로의 정합 오차를 극소로 수렴시키는 다른 정합 결과를 탐색하는 단계, 탐색된 다른 정합 결과를 후보군에 추가하는 단계, 복수의 제1 변환 행렬들 중 또 다른 하나를 기반으로 소스 점군 데이터 및 타겟 점군 데이터를 초기화시키는 단계, 초기화된 소스 점군 데이터의 타겟 점군 데이터로의 정합 오차를 극소로 수렴시키는 또 다른 정합 결과를 탐색하는 단계, 탐색된 또 다른 정합 결과를 후보군에 추가하는 단계 및 소정 종료 조건이 만족되는지의 여부에 따라 선택적으로 복수의 제1 변환 행렬들 중 또 다른 하나를 기반으로 소스 점군 데이터 및 타겟 점군 데이터를 초기화시키는 단계로 궤환되거나, 수집된 후보군에 포함된 복수의 정합 결과들 중 소스 점군 데이터 및 타겟 점군 데이터 간의 정합 오차를 최소로 하는 정합 결과를 선택하는 단계를 포함할 수 있다.
이때, 복수의 제1 변환 행렬들을 산출하는 단계는, 타겟 점군 데이터 및 소스 점군 데이터 각각을 소정 단위 복셀로 분할하는 단계, 분할된 복셀들 각각에 대한 법선 벡터를 산출하는 단계 및 타겟 점군 데이터의 법선 벡터들 및 소스 점군 데이터의 법선 벡터들 각각을 일치시키는 복수의 제2 변환 행렬들을 산출하는 단계를 포함할 수 있다.
이때, 소정 종료 조건의 만족 여부는, 복수의 제2 변환 행렬들 각각에 의해 정합된 소스 점군 데이터와 타겟 점군 데이터 간의 정합도를 산출하고, 산출된 정합도들 중 최대값의 평균값과의 차이를 분산의 배수로 하여 산출된 종료 조건이 소정 임계치 이상인지의 여부에 따라 결정될 수 있다.
이때, 정합도는, 매칭된 점들 간의 거리 평균에 소스 점군 데이터 및 타겟 점군 데이터의 매칭된 점들의 개수를 가중치로 적용하여 산출될 수 있다.
실시예에 따라, 복수의 3차원 점군 데이터를 정합함에 있어 정합 오차의 극소점이 아닌 최소점이 되는 정합 결과를 탐색하여, 복수의 3차원 점군 데이터들 간의 정합도를 향상시킬 수 있다.
도 1은 동일한 객체에 대해 상이한 위치에서 획득한 3차원 점군 데이터를 정합한 예시도이다.
도 2는 실시예에 따른 정합 전 점군 데이터들의 예시도이다.
도 3은 실시예에 따른 정합 후의 점군 데이터들의 예시도이다.
도 4는 실시예에 따른 점군 데이터 정합 오차 최소점 탐색 방법을 설명하기 위한 순서도이다.
도 5는 실시예에 따른 점군 데이터 중심화 단계를 설명하기 위한 순서도이다.
도 6은 도 4에 도시된 제2 변환 행렬을 생성하는 단계(S120)를 설명하기 위한 순서도이다.
도 7은 실시예에 따른 복셀화된 점군 데이터의 예시도이다.
도 8은 도 4에 도시된 정합 최적화 단계(S140)를 설명하기 위한 순서도이다.
도 9은 도 4에 도시된 종료 조건 만족 여부 판단 단계(S160)를 설명하기 위한 순서도이다.
도 10은 실시예에 따른 컴퓨터 시스템 구성을 나타낸 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
비록 "제1" 또는 "제2" 등이 다양한 구성요소를 서술하기 위해서 사용되나, 이러한 구성요소는 상기와 같은 용어에 의해 제한되지 않는다. 상기와 같은 용어는 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용될 수 있다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있다.
본 명세서에서 사용된 용어는 실시예를 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 또는 "포함하는(comprising)"은 언급된 구성요소 또는 단계가 하나 이상의 다른 구성요소 또는 단계의 존재 또는 추가를 배제하지 않는다는 의미를 내포한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 해석될 수 있다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
이하에서는, 도 1 내지 도 10을 참조하여 실시예에 따른 점군 데이터 정합 오차 최소점 탐색 장치 및 방법이 상세히 설명된다.
도 1은 동일한 객체에 대해 상이한 위치에서 획득한 3차원 점군 데이터를 정합한 예시도이고, 도 2는 실시예에 따른 정합 전 점군 데이터들의 예시도이고, 도 3은 실시예에 따른 정합 후의 점군 데이터들의 예시도이다.
객체, 공간 또는 환경에 대한 3차원 점군 데이터를 획득할 때, 누락되는 부분없이 보다 밀도가 높은 데이터를 얻기 위해서는 센서의 위치를 바꾸어 여러 위치와 방향으로 획득해야만 한다. 각각의 위치에서 획득한 모든 점군 데이터들은 센서의 중심을 원점으로 하는 좌표계에 존재하게 된다. 이러한 점군 데이터를 그대로 하나의 좌표계로 병합하면 도 1에 도시된 바와 같이 의미를 상실한 데이터가 생성될 수 있다.
따라서, 센싱 대상인 객체, 공간 또는 환경의 형상이 잘 표현되도록 점군 데이터들을 정합(Registration)할 필요가 있다.
이때, 정합은, 도 2에 도시된 바와 같은 토끼로부터 획득된 점군 데이터들(10, 20) 중 하나를 타겟 점군 데이터(10)로 정하고, 다른 하나를 소스 점군 데이터(20)로 정한 후, 도 3에 도시된 바와 같이, 소스 점군 데이터(10)를 변환시켜 타겟 점군 데이터(10)와 겹쳐지도록 하는 것을 의미한다.
이러한 정합을 위한 방식으로 반복 최근접점(Iterative Closest Point, ICP) 알고리즘이 널리 사용되고 있다.
이러한 ICP는 타겟 점군 데이터(10) 및 소스 점군 데이터(20) 간의 근접점을 매칭하고, 매칭된 근접점을 기준으로 소스 점군 데이터(20)를 강체 변환(Rigid transformation)시켜 두 데이터들의 포즈(Pose)간의 관계를 탐색한다. 즉, 타겟 점군 데이터(10) 및 소스 점군 데이터(20) 간 일치되는 점이 무엇인지 알 수 없기 때문에 강체 변환의 기준을 최근접점으로 하는 것이다.
또한, 이러한 ICP 알고리즘은 타겟 점군 데이터(10) 및 소스 점군 데이터(20) 간의 정합 오차가 수렴할 때까지 근접점 매칭 및 강체 변환을 반복적으로 수행하게 된다. 그런데, 이때 정합 오차가 수렴되는 값은 타겟 점군 데이터(10) 및 소스 점군 데이터(20)의 초기값에 따라 결과가 달라질 수 있다. 즉, ICP 알고리즘에 의한 정합 오차가 수렴되는 값은 극소점(Local minimum) 탐색에 유효한 방식으로 최소점(Global minimum) 탐색에는 적합하지 않다는 한계가 있다.
따라서, 실시예에서는 ICP 알고리즘이 가지는 한계를 극복하기 위해 극소점이 아닌 최소점을 탐색하여 점군 데이터들 간의 정합 성능을 향상시킬 수 있는 장치 및 방법을 제안한다.
즉, 실시예에서는 소스 점군 데이터 및 타겟 점군 데이터의 정합 오차가 극소점으로 수렴되는 현상에서 강제적으로 빠져나오기 위해 소스 점군 데이터 및 타겟 점군 데이터의 초기값을 랜덤하게 반복적으로 변경시키고, 초기값이 랜덤 변경될 때마다 ICP 알고리즘에 따른 정합 오차가 극소점(Local minimum)이 되는 정합 결과들의 후보군을 구하고, 구해진 후보군에서 정합 오차가 최소점(Global minimum)이 되는 정합 결과를 탐색하는 것을 특징으로 한다.
도 4는 실시예에 따른 점군 데이터 정합 오차 최소점 탐색 방법을 설명하기 위한 순서도이고, 도 5는 실시예에 따른 점군 데이터 중심화 단계를 설명하기 위한 순서도이고, 도 6은 도 4에 도시된 제2 변환 행렬을 생성하는 단계(S120)를 설명하기 위한 순서도이고, 도 7은 실시예에 따른 복셀화된 점군 데이터의 예시도이고, 도 8은 도 4에 도시된 정합 최적화 단계(S140)를 설명하기 위한 순서도이고, 도 9은 도 4에 도시된 종료 조건 만족 여부 판단 단계(S160)를 설명하기 위한 순서도이다.
도 4를 참조하면, 실시예에 따른 점군 데이터 정합 오차 최소점 탐색 방법은, 소스 점군 데이터의 타겟 점군 데이터로의 정합 오차가 극소가 되는 복수의 정합 결과들을 후보군으로 수집하는 단계(S110~S160), 수집된 후보군에 포함된 복수의 정합 결과들 중 소스 점군 데이터 및 타겟 점군 데이터 간의 정합 오차가 최소가 되는 정합 결과를 선택하는 단계(S170)를 포함할 수 있다.
이때, 후보군을 수집하는 단계(S110~S160)에서는, 소스 점군 데이터 및 타겟 점군 데이터를 랜덤하게 초기화하는 단계(S120~S130) 및 초기화된 소스 점군 데이터를 타겟 점군 데이터로의 정합시켜 그 정합 오차가 극소가 되는 정합 결과를 탐색하는 단계(S140~S150)를 반복 수행(S160)할 수 있다.
이때, S110에서 입력되는 타겟 점군 데이터 및 소스 점군 데이터는, 동일한 하나의 객체를 상이한 위치에 놓인 센서들 각각에 의해 획득된 데이터일 수 있다.
그런데, 이는 일 실시예일뿐, 본 발명은 이에 한정되지 않는다. 즉, 본 발명은 동일한 동일한 하나의 객체에서 획득된 점군 데이터들 뿐만 아니라 상이한 객체들로부터 획득된 점군 데이터들을 정합할 때에도 적용될 수 있다. 예컨대, 유사한 형상을 갖는 상이한 객체들 각각으로부터 획득된 점군 데이터들을 정합하여 제3의 객체의 형상을 생성하기 위해 적용될 수도 있다.
이때, 실시예에 따른 점군 데이터 정합 오차 최소점 탐색 방법에서, 도 4의 S110 및 S120 사이에 도 5에 도시된 바와 같은 단계들이 추가적으로 수행될 수 있다.
즉, 도 5를 참조하면, 소스 점군 데이터 및 타겟 점군 데이터 각각은 중심화될 수 있다(S210, S220).
이때, 중심화란, 소스 점군 데이터에 포함된 점들의 중심 및 타겟 점군 데이터에 포함된 점들의 중심이 원점으로 이동되는 것일 수 있다.
이때, 중심은 하나의 점군 데이터에 포함되는 모든 점들의 3차원 좌표들의 평균 좌표로 산출될 수 있다.
이때, 추가적으로 타겟 점군 데이터는, 다차원 트리(kD-tree)로 구축(S220)될 수 있다.
이때, kD-Tree는 이진탐색트리를 다차원, 즉 k차원으로 확장한 것으로, 실시예에서는 점군 데이터들의 점을 각각 트리 형태로 인덱싱하는 것이다. 이를 통해 소스 점군 데이터에 포함된 각 점들과 최근접한 타겟 점군 데이터의 점이 신속히 탐색될 수 있다.
한편, 실시예에 따른 점군 데이터 정합 오차 최소점 탐색 방법은, 소스 점군 데이터 및 타겟 점군 데이터를 랜덤하게 초기화(S130)시키기 위해, 도 6에 도시된 바와 같은 제1 변환 행렬을 생성(S120)하는 단계를 수행할 수 있다.
도 6을 참조하면, 우선 타겟 점군 데이터 및 소스 점군 데이터 각각은 소정 단위 복셀(Voxel)화된다(S121, S123).
이때, 복셀(Voxel)이란, 3차원인 타겟 점군 데이터 및 소스 점군 데이터 각각을 분할하는 단위인 한변의 길이가 L로 일정한 정육면체일 수 있다. 예컨대, 도 7에 도시된 바와 같이, 타겟 점군 데이터 및 소스 점군 데이터 각각은 복셀들(30)로 분할될 수 있다.
그런 후, 분할된 복셀들 각각에 대한 법선 벡터(Normal Vector)들이 생성된다(S122, S124). 예컨대, 도 7을 참조하면, 복셀에 대한 법선 벡터(31)가 실선으로 도시되어 있다.
이때, 법선 벡터는, 복셀 내에 존재하는 점의 주성분 분석(Principal Components Analysis)을 통해 생성될 수 있다.
이때, 타겟 점군 데이터의 복셀들의 개수가 N이고, 소스 점군 데이터의 복셀들의 개수가 M일 경우, 법선 벡터들의 개수도 동일하게 각각 N개 및 M개일 수 있다.
다음으로, 전술한 바와 같이 생성된 타겟 점군 데이터의 법선 벡터들 및 소스 점군 데이터의 법선 벡터들을 기반으로 복수의 제1 변환 행렬들이 생성된다(S125).
이때, 제1 변환 행렬들은, 소스 점군 데이터의 법선 벡터들 및 타겟 점군 데이터의 법선 벡터들 각각이 일치되도록 하는 의사 랜덤 변환 행렬(Pseudorandom Transformation Matrix)일 수 있다.
이때, 제1 변환 행렬은, 센서의 위치와 회전의 정보를 포함하는 포즈 정보로, 4x4로 구성된 행렬일 수 있다.
또한, 타겟 점군 데이터의 법선 벡터들 수가 N이고, 소스 점군 데이터의 법선 벡터들의 수가 M일 경우, 변환 행렬의 개수는 MxN 일 수 있다.
따라서, 도 2에 도시된 소스 점군 데이터 및 타겟 점군 데이터를 랜덤하게 초기화시키는 단계(S130)에서, 복수의 제1 변환 행렬들 중 하나를 기반으로 소스 점군 데이터 및 타겟 점군 데이터를 초기화할 수 있다. 즉, 점군 데이터들을 이리 저리 이동 또는 회전시킨 후에 ICP 알고리즘이 적용되도록 하는 것이다.
이때, 제1 변환 행렬들 중 하나를 선택하여 초기화함에 있어, 내부에 포함된 점들의 수가 많은 복셀의 법선 벡터를 기반으로 생성된 제1 변환 행렬을 우선적으로 선택할 수 있다.
한편, 실시예에 따른 점군 데이터 정합 오차 최소점 탐색 방법은, 초기화된 소스 점군 데이터를 타겟 점군 데이터로의 정합시켜 그 정합 오차가 극소가 되는 정합 결과를 탐색하는 단계(S140)로, 도 8에 도시된 바와 같은 상세 단계들을 수행할 수 있다.
도 8을 참조하면, 타겟 점군 데이터 및 소스 점군 데이터 간의 적어도 하나의 근접 점이 매칭된다(S141).
그런 후, 매칭된 근접점을 기준으로 소스 점군 데이터가 강체 변환된다(S142). 즉, 매칭된 근접점들이 가까워지도록 소스 점군 데이터를 이동시키는 것이다.
그런 후, 타겟 점군 데이터와 강체 변환된 소스 점군 데이터 간의 정합 오차를 산출하여, 산출된 정합 오차가 수렴하는지를 판단(S143)하여, 정합 오차가 극소점에 수렴할때까지 S141 및 S142를 반복 수행하게 된다.
이때, 정합 오차는, 타겟 점군 데이터와 강체 변환된 소스 점군 데이터 간의 점들 간의 평균 거리를 기반으로 산출될 수 있다. 즉, 평균 거리가 작을수록 두 점군 데이터들 간의 정합이 잘 된 것이므로, 정합이 어느 정도 최적화되면 정합 오차는 일정한 극소점으로 수렴하게 되는 것이다.
S143의 판단 결과 정합 오차를 극소점에 수렴될 경우, 도 4의 S150으로 진행하여 정합 오차를 극소점에 수렴시키는 제2 변환 행렬에 의한 정합 결과를 후보군에 추가될 수 있다.
실시예에 따른 변경된 랜덤 초기값에 상응하는 극소점을 수집하는 단계(S140)에서, 수렴할 때의 제2 변환 행렬에 의한 정합 결과를 극소점 후보군에 추가한다(S140).
한편, 도 4에 도시된 바와 같이, 소스 점군 데이터의 타겟 점군 데이터로의 정합 오차가 극소가 되는 복수의 정합 결과들을 후보군으로 수집하는 단계(S130~S150)는, 소정 종료 조건을 만족하는지의 여부(S160)에 따라 반복 수행될 수 있다.
이때, 소정 종료 조건의 만족 여부는 도 9에 도시된 바와 같은 단계들에 의해 판단될 수 있다.
이때, 소정 종료 조건의 만족 여부는, 복수의 제2 변환 행렬들이 적어도 세 개 이상 수집될 경우 판단될 수 있다.
즉, 도 9를 참조하면, S161의 판단 결과 수집된 제2 변환 행렬들의 개수가 3개 이상이 아닐 경우, S130으로 진행되어 추가적인 제2 변환 행렬이 탐색된다.
반면, S161의 판단 결과 수집된 제2 변환 행렬들의 개수가 3개 이상일 경우, 수집된 복수의 제2 변환 행렬들 각각에 의해 정합된 소스 점군 데이터와 타겟 점군 데이터 간의 정합도가 산출된다(S162).
이때, 정합도는 다음의 <수학식 1>과 같이 산출되는 에너지 함수로 정의될 수 있다.
Figure pat00001
<수학식 1>의
Figure pat00002
는 에너지 함수의 값,
Figure pat00003
는 매칭된 점들 간의 평균 거리이고,
Figure pat00004
는 타겟 점군 데이터와 소스 점군 데이터 간에 매칭된 점들의 개수이다.
일반적으로 타겟 점군 데이터와 소스 점군 데이터 매칭된 점들 간의 평균 거리
Figure pat00005
만을 사용하여 산출된 에너지 함수에 비례하여 정합 정도를 판단한다. 그런데, 이와 같이 평균 거리만을 사용하게 될 경우, 실제로 에너지 함수가 정합 정도를 반영하지 못할 때가 있다. 예컨대, 도 2에 도시된 바와 같이 정합된 상태에서의 에너지 함수가 도 3에 도시된 바와 같이 정합된 상태의 에너지 함수보다 크게 나오는 오류가 발생될 수도 있다.
따라서, 종래와 다르게 실시예에 따른 에너지 함수는, 매칭된 점들 간의 평균 거리
Figure pat00006
에 소스 점군 데이터 및 타겟 점군 데이터의 매칭된 점들의 개수
Figure pat00007
를 가중치로 적용되어 산출될 수 있다.
다음으로, 소정 종료 조건의 만족 여부는, 산출된 정합도들 중 최대값의 평균값과의 차이를 분산의 배수로 하여 산출된 종료 조건이 소정 임계치 이상인지의 여부에 따라 결정될 수 있다(S163).
우선, 종료 조건값
Figure pat00008
은 다음의 <수학식 2>에 의해 정의될 수 있다.
Figure pat00009
<수학식 2>에서
Figure pat00010
는 후보군 각각에 대한 에너지 함수
Figure pat00011
값들 중에서 최대값을 의미하고,
Figure pat00012
는 후보군 각각에 대한 에너지 함수
Figure pat00013
값들의 평균값을 의미하고,
Figure pat00014
는 후보군 각각에 대한 에너지 함수
Figure pat00015
값들의분산을 의미한다.
실시예에 따라 산출되는
Figure pat00016
값은 점군 데이터의 모양, 밀도 또는 단위가 변경되더라도 항상 일정한 범위를 가진다. 따라서,
Figure pat00017
를 기반으로 하는 종료 조건 설정에 매우 용이하게 활용될 수 있다는 이점이 있다. 이는 에너지 함수
Figure pat00018
값들의 최대값
Figure pat00019
을 기반으로 종료 조건을 설정하는 것이 아닌, <수학식 2>에와 같이 평균
Figure pat00020
과 최대값
Figure pat00021
간의 차이를 분산의 배수로 표현하기 때문이다.
다음으로, S563에서 산출된 정의된
Figure pat00022
가 소정 임계치이 이상인지에 따라 종료 조건 만족 여부가 판단될 수 있다(S164). S164의 판단 결과 종료 조건이 만족되는지의 여부에 따라 선택적으로 도 4의 S130 또는 S170으로 진행한다.
다시 도 4를 참조하면, 수집된 후보군에 포함된 복수의 정합 결과들 중 소스 점군 데이터 및 타겟 점군 데이터 간의 정합 오차가 최소가 되는 정합 결과를 선택한다(S170). 즉, <수학식 1>에 의해 산출된 에너지 함수
Figure pat00023
값이 최대가 되도록 하는 정합 결과가 선택될 수 있다.
그런 후, 도면에는 도시되어 있지 않지만, 선택된 정합 결과를 ICP 알고리즘에 의한 수렴 과정을 더 거쳐 정제된 후, 출력(S180)될 수 있다.
도 10은 실시예에 따른 컴퓨터 시스템 구성을 나타낸 도면이다.
실시예에 따른 점군 데이터 정합 오차 최소점 탐색 장치는 컴퓨터로 읽을 수 있는 기록매체와 같은 컴퓨터 시스템(1000)에서 구현될 수 있다.
컴퓨터 시스템(1000)은 버스(1020)를 통하여 서로 통신하는 하나 이상의 프로세서(1010), 메모리(1030), 사용자 인터페이스 입력 장치(1040), 사용자 인터페이스 출력 장치(1050) 및 스토리지(1060)를 포함할 수 있다. 또한, 컴퓨터 시스템(1000)은 네트워크(1080)에 연결되는 네트워크 인터페이스(1070)를 더 포함할 수 있다. 프로세서(1010)는 중앙 처리 장치 또는 메모리(1030)나 스토리지(1060)에 저장된 프로그램 또는 프로세싱 인스트럭션들을 실행하는 반도체 장치일 수 있다. 메모리(1030) 및 스토리지(1060)는 휘발성 매체, 비휘발성 매체, 분리형 매체, 비분리형 매체, 통신 매체, 또는 정보 전달 매체 중에서 적어도 하나 이상을 포함하는 저장 매체일 수 있다. 예를 들어, 메모리(1030)는 ROM(1031)이나 RAM(1032)을 포함할 수 있다.
이상에서 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.

Claims (20)

  1. 적어도 하나의 프로그램이 기록된 메모리; 및
    프로그램을 실행하는 프로세서를 포함하며,
    프로그램은,
    소스 점군 데이터의 타겟 점군 데이터로의 정합 오차가 극소가 되는 복수의 정합 결과들을 후보군으로 수집하는 단계; 및
    수집된 후보군에 포함된 복수의 정합 결과들 중 소스 점군 데이터 및 타겟 점군 데이터 간의 정합 오차가 최소가 되는 정합 결과를 선택하는 단계를 수행하되,
    후보군을 수집하는 단계에서,
    소스 점군 데이터 및 타겟 점군 데이터를 랜덤하게 초기화하는 단계; 및
    초기화된 소스 점군 데이터를 타겟 점군 데이터로의 정합시켜 그 정합 오차가 극소가 되는 정합 결과를 탐색하는 단계를 반복 수행하는, 점군 데이터 정합 오차 최소점 탐색 장치.
  2. 제1 항에 있어서, 소스 점군 데이터 및 타겟 점군 데이터 각각은,
    소스 점군 데이터에 포함된 점들의 중심 및 타겟 점군 데이터에 포함된 점들의 중심이 원점으로 이동된 것인, 점군 데이터 정합 오차 최소점 탐색 장치.
  3. 제2 항에 있어서, 타겟 점군 데이터는,
    다차원 트리(KD-tree)로 생성되는, 점군 데이터 정합 오차 최소점 탐색 장치.
  4. 제1 항에 있어서, 프로그램은,
    타겟 점군 데이터 및 소스 점군 데이터 각각을 소정 단위 복셀로 분할하는 단계;
    분할된 복셀들 각각에 대한 법선 벡터를 산출하는 단계; 및
    타겟 점군 데이터의 법선 벡터들 및 소스 점군 데이터의 법선 벡터들 각각을 일치시키는 복수의 제1 변환 행렬들을 산출하는 단계를 더 수행하되,
    후보군을 수집하는 단계에서,
    복수의 제1 변환 행렬들 중 하나를 기반으로 소스 점군 데이터 및 타겟 점군 데이터를 초기화하는, 점군 데이터 정합 오차 최소점 탐색 장치.
  5. 제1 항에 있어서, 정합 결과를 탐색하는 단계는,
    타겟 점군 데이터 및 소스 점군 데이터 간의 적어도 하나의 근접 점을 매칭하는 단계;
    매칭된 근접점을 기반으로 소스 점군 데이터를 강체 변환하는 단계; 및
    타겟 점군 데이터와 강체 변환된 소스 점군 데이터 간의 정합 오차를 산출하는 단계를 포함하되,
    정합 오차가 극소점에 수렴할때까지 근접 점을 매칭하는 단계 내지 정합 오차를 산출하는 단계를 반복 수행하고,
    정합 오차를 극소점에 수렴시키는 제2 변환 행렬을 후보군에 추가하는, 점군 데이터 정합 오차 최소점 탐색 장치.
  6. 제5 항에 있어서, 후보군을 수집하는 단계는,
    소정 종료 조건을 만족하는지의 여부에 따라 반복 수행되되,
    소정 종료 조건의 만족 여부는,
    복수의 제2 변환 행렬들 각각에 의해 정합된 소스 점군 데이터와 타겟 점군 데이터 간의 정합도를 산출하고, 산출된 정합도들 중 최대값의 평균값과의 차이를 분산의 배수로 하여 산출된 종료 조건이 소정 임계치 이상인지의 여부에 따라 결정되는, 점군 데이터 정합 오차 최소점 탐색 장치.
  7. 제6 항에 있어서, 정합도는,
    매칭된 점들 간의 거리 평균에 소스 점군 데이터 및 타겟 점군 데이터의 매칭된 점들의 개수를 가중치로 적용하여 산출되는, 점군 데이터 정합 오차 최소점 탐색 장치.
  8. 제6 항에 있어서, 소정 종료 조건의 만족 여부는,
    복수의 제2 변환 행렬들이 적어도 세 개 이상 수집될 경우 판단되는, 점군 데이터 정합 오차 최소점 탐색 장치.
  9. 소스 점군 데이터의 타겟 점군 데이터로의 정합 오차가 극소가 되는 복수의 정합 결과들을 후보군으로 수집하는 단계; 및
    수집된 후보군에 포함된 복수의 정합 결과들 중 소스 점군 데이터 및 타겟 점군 데이터 간의 정합 오차가 최소가 되는 정합 결과를 선택하는 단계를 수행하되,
    후보군을 수집하는 단계는,
    소스 점군 데이터 및 타겟 점군 데이터를 랜덤하게 초기화하는 단계; 및
    초기화된 소스 점군 데이터를 타겟 점군 데이터로의 정합시켜 그 정합 오차가 극소가 되는 정합 결과를 탐색하는 단계를 반복 수행하는, 점군 데이터 정합 오차 최소점 탐색 방법.
  10. 제9 항에 있어서, 소스 점군 데이터 및 타겟 점군 데이터 각각은,
    소스 점군 데이터에 포함된 점들의 중심 및 타겟 점군 데이터에 포함된 점들의 중심이 원점으로 이동된 것인, 점군 데이터 정합 오차 최소점 탐색 방법.
  11. 제10 항에 있어서, 타겟 점군 데이터는,
    다차원 트리(KD-tree)로 생성되는, 점군 데이터 정합 오차 최소점 탐색 방법.
  12. 제9 항에 있어서,
    타겟 점군 데이터 및 소스 점군 데이터 각각을 소정 단위 복셀로 분할하는 단계;
    분할된 복셀들 각각에 대한 법선 벡터를 산출하는 단계; 및
    타겟 점군 데이터의 법선 벡터들 및 소스 점군 데이터의 법선 벡터들 각각을 일치시키는 복수의 제1 변환 행렬들을 산출하는 단계를 더 포함하되,
    후보군을 수집하는 단계에서,
    복수의 제1 변환 행렬들 중 하나를 기반으로 소스 점군 데이터 및 타겟 점군 데이터를 초기화하는, 점군 데이터 정합 오차 최소점 탐색 방법.
  13. 제9 항에 있어서, 정합 결과를 탐색하는 단계는,
    타겟 점군 데이터 및 소스 점군 데이터 간의 적어도 하나의 근접 점을 매칭하는 단계;
    매칭된 근접점을 기반으로 소스 점군 데이터를 강체 변환하는 단계; 및
    타겟 점군 데이터와 강체 변환된 소스 점군 데이터 간의 정합 오차를 산출하는 단계를 포함하되,
    정합 오차가 극소점에 수렴할때까지 근접 점을 매칭하는 단계 내지 정합 오차를 산출하는 단계를 반복 수행하고,
    정합 오차를 극소점에 수렴시키는 제2 변환 행렬을 후보군에 추가하는, 점군 데이터 정합 오차 최소점 탐색 방법.
  14. 제9 항에 있어서, 후보군을 수집하는 단계는,
    소정 종료 조건을 만족하는지의 여부에 따라 반복 수행되되,
    소정 종료 조건의 만족 여부는,
    복수의 제2 변환 행렬들 각각에 의해 정합된 소스 점군 데이터와 타겟 점군 데이터 간의 정합도를 산출하고, 산출된 정합도들 중 최대값의 평균값과의 차이를 분산의 배수로 하여 산출된 종료 조건이 소정 임계치 이상인지의 여부에 따라 결정되는, 점군 데이터 정합 오차 최소점 탐색 방법.
  15. 제14 항에 있어서, 정합도는,
    매칭된 점들 간의 거리 평균에 소스 점군 데이터 및 타겟 점군 데이터의 매칭된 점들의 개수를 가중치로 적용하여 산출되는, 점군 데이터 정합 오차 최소점 탐색 방법.
  16. 제14 항에 있어서, 소정 종료 조건의 만족 여부는,
    복수의 제2 변환 행렬들이 적어도 세 개 이상 수집될 경우 판단되는, 점군 데이터 정합 오차 최소점 탐색 방법.
  17. 소스 점군 데이터 및 타겟 점군 데이터를 랜덤하게 변환시킬 복수의 제1 변환 행렬들을 산출하는 단계;
    복수의 제1 변환 행렬들 중 하나를 기반으로 소스 점군 데이터 및 타겟 점군 데이터를 초기화시키는 단계;
    초기화된 소스 점군 데이터의 타겟 점군 데이터로의 정합 오차를 극소로 수렴시키는 정합 결과를 탐색하는 단계;
    탐색된 정합 결과를 후보군에 추가하는 단계;
    복수의 제1 변환 행렬들 중 다른 하나를 기반으로 소스 점군 데이터 및 타겟 점군 데이터를 초기화시키는 단계;
    초기화된 소스 점군 데이터의 타겟 점군 데이터로의 정합 오차를 극소로 수렴시키는 다른 정합 결과를 탐색하는 단계;
    탐색된 다른 정합 결과를 후보군에 추가하는 단계;
    복수의 제1 변환 행렬들 중 또 다른 하나를 기반으로 소스 점군 데이터 및 타겟 점군 데이터를 초기화시키는 단계;
    초기화된 소스 점군 데이터의 타겟 점군 데이터로의 정합 오차를 극소로 수렴시키는 또 다른 정합 결과를 탐색하는 단계;
    탐색된 또 다른 정합 결과를 후보군에 추가하는 단계; 및
    소정 종료 조건이 만족되는지의 여부에 따라 선택적으로 복수의 제1 변환 행렬들 중 또 다른 하나를 기반으로 소스 점군 데이터 및 타겟 점군 데이터를 초기화시키는 단계로 궤환되거나, 수집된 후보군에 포함된 복수의 정합 결과들 중 소스 점군 데이터 및 타겟 점군 데이터 간의 정합 오차를 최소로 하는 정합 결과를 선택하는 단계를 포함하는, 점군 데이터 정합 오차 최소점 탐색 방법.
  18. 제17 항에 있어서, 복수의 제1 변환 행렬들을 산출하는 단계는,
    타겟 점군 데이터 및 소스 점군 데이터 각각을 소정 단위 복셀로 분할하는 단계;
    분할된 복셀들 각각에 대한 법선 벡터를 산출하는 단계; 및
    타겟 점군 데이터의 법선 벡터들 및 소스 점군 데이터의 법선 벡터들 각각을 일치시키는 복수의 제2 변환 행렬들을 산출하는 단계를 포함하는, 점군 데이터 정합 오차 최소점 탐색 방법.
  19. 제17항에 있어서, 소정 종료 조건의 만족 여부는,
    복수의 제2 변환 행렬들 각각에 의해 정합된 소스 점군 데이터와 타겟 점군 데이터 간의 정합도를 산출하고, 산출된 정합도들 중 최대값의 평균값과의 차이를 분산의 배수로 하여 산출된 종료 조건이 소정 임계치 이상인지의 여부에 따라 결정되는, 점군 데이터 정합 오차 최소점 탐색 방법.
  20. 제19 항에 있어서, 정합도는,
    매칭된 점들 간의 거리 평균에 소스 점군 데이터 및 타겟 점군 데이터의 매칭된 점들의 개수를 가중치로 적용하여 산출되는, 점군 데이터 정합 오차 최소점 탐색 방법.
KR1020210015602A 2021-02-03 2021-02-03 점군 데이터 정합 오차 최소점 탐색 장치 및 방법 KR20220112072A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210015602A KR20220112072A (ko) 2021-02-03 2021-02-03 점군 데이터 정합 오차 최소점 탐색 장치 및 방법
US17/583,691 US11893678B2 (en) 2021-02-03 2022-01-25 Apparatus and method for searching for global minimum of point cloud registration error

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210015602A KR20220112072A (ko) 2021-02-03 2021-02-03 점군 데이터 정합 오차 최소점 탐색 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20220112072A true KR20220112072A (ko) 2022-08-10

Family

ID=82705010

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210015602A KR20220112072A (ko) 2021-02-03 2021-02-03 점군 데이터 정합 오차 최소점 탐색 장치 및 방법

Country Status (2)

Country Link
US (1) US11893678B2 (ko)
KR (1) KR20220112072A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117572454A (zh) * 2023-11-15 2024-02-20 武汉万曦智能科技有限公司 场车蓄电池安全间隙测量方法及系统

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115439644B (zh) * 2022-08-19 2023-08-08 广东领慧数字空间科技有限公司 一种相似点云数据对齐方法
CN115797418A (zh) * 2022-09-27 2023-03-14 湖南科技大学 一种基于改进icp的复杂机械零件测量点云配准方法及系统
WO2024065343A1 (zh) * 2022-09-29 2024-04-04 中国科学院深圳先进技术研究院 术前术中肝脏点云数据配准系统、方法、终端以及存储介质
CN116228825B (zh) * 2023-01-29 2024-01-23 武汉天宝耐特科技有限公司 一种基于显著锚点几何嵌入的点云配准方法
CN115830015B (zh) * 2023-02-09 2023-04-25 深圳市威祥五金制品有限公司 基于计算机视觉的五金冲压配件质量检测方法
CN117495674A (zh) * 2023-10-31 2024-02-02 北京建筑大学 一种文物碎片的点云拼接方法
CN117314987B (zh) * 2023-11-29 2024-01-26 法奥意威(苏州)机器人系统有限公司 点云配准方法和装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090123342A (ko) 2008-05-27 2009-12-02 삼성전자주식회사 연관성 있는 메시지 표시 장치 및 방법
US9280825B2 (en) 2014-03-10 2016-03-08 Sony Corporation Image processing system with registration mechanism and method of operation thereof
US10360469B2 (en) 2015-01-15 2019-07-23 Samsung Electronics Co., Ltd. Registration method and apparatus for 3D image data
CN105844582B (zh) 2015-01-15 2019-08-20 北京三星通信技术研究有限公司 3d图像数据的注册方法和装置
KR101714701B1 (ko) 2015-06-19 2017-03-09 삼성중공업(주) 점군 정합 장치
CN108228798B (zh) 2017-12-29 2021-09-17 百度在线网络技术（北京）有限公司 确定点云数据之间的匹配关系的方法和装置
AU2020408068A1 (en) * 2019-12-19 2022-07-28 Noah Medical Corporation Systems and methods for robotic bronchoscopy navigation

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117572454A (zh) * 2023-11-15 2024-02-20 武汉万曦智能科技有限公司 场车蓄电池安全间隙测量方法及系统
CN117572454B (zh) * 2023-11-15 2024-05-10 武汉万曦智能科技有限公司 场车蓄电池安全间隙测量方法及系统

Also Published As

Publication number Publication date
US11893678B2 (en) 2024-02-06
US20220254095A1 (en) 2022-08-11

Similar Documents

Publication Publication Date Title
KR20220112072A (ko) 점군 데이터 정합 오차 최소점 탐색 장치 및 방법
CN110287873B (zh) 基于深度神经网络的非合作目标位姿测量方法、系统及终端设备
JP4556120B2 (ja) 情報処理装置および方法、並びにプログラム
EP1966760A2 (en) Automatic 3-d object detection
CN112651944B (zh) 基于cad模型的3c部件高精度六维位姿估计方法及系统
US9613457B2 (en) Multi-primitive fitting device and operation method thereof
CN105654483A (zh) 三维点云全自动配准方法
CN112200915B (zh) 一种基于靶标三维模型纹理影像的前后形变量检测方法
JP2020109626A5 (ko)
CN114783068A (zh) 姿态识别方法、装置、电子装置和存储介质
CN111311651A (zh) 点云配准方法和装置
He et al. An improved ICP registration algorithm by combining PointNet++ and ICP algorithm
CN114840925A (zh) 一种车身部分测量数据到整体cad模型的配准方法
CN114020953A (zh) 外观设计产品的多图检索方法及装置
Dreher et al. Global localization in meshes
CN117132630A (zh) 一种基于二阶空间兼容性度量的点云配准方法
CN110675507A (zh) 一种三维模型处理方法、装置和存储介质
CN115168326A (zh) Hadoop大数据平台分布式能源数据清洗方法及系统
Xing et al. Extracting multiple planar surfaces effectively and efficiently based on 3d depth sensors
CN111080517B (zh) 基于改进蝴蝶优化算法的三维点云拼接方法
CN114528453A (zh) 全局重定位方法、装置、电子设备及存储介质
Potapov et al. Neural networks for estimating intrinsic dimension
US9098776B2 (en) Information processing apparatus and information processing method that determine whether any one of a plurality of pixels in an obtained partial image has an invalid value to select an appropriate acquisition method
Park et al. Encouraging second-order consistency for multiple graph matching
Zakarauskas et al. Complexity analysis for partitioning nearest neighbor searching algorithms