Extracting feature lines from point clouds based on smooth shrink and iterative thinning

Paper（8500 words，Graphical Models 2016）

www.sciencedirect.com

Abstract

• 本研究では，ノイズや非一様サンプリングに対するロバスト性を実現する，サーフェス上の変化を計測する指標（smooth shrink index（以下，SSI））を提案する．
• その後，特徴線を抽出するための新しいアルゴリズムも提案する．

6. Conclusions

• SSIは，ノイジーで非一様な点群から特徴線を抽出するための，単純かつ効果的なアルゴリズムである．
• SSIは，サーフェスの凹凸を正確に表現でき，ノイズや非一様な点群にも対応できる．
• 今後の課題は，特徴線が交差する場合に，それぞれを分割して扱えるような解決策を見つけること．

1. Introduction

• 特徴線の抽出は，3次元モデルの認識において重要な情報を提供する．
• 特徴線は，特徴点を順番につないだもの．
• 特徴点を抽出するための方法として，PCA，curvature method，M estimationが提案されている．
• 本研究では，ノイズを含む非一様にサンプリングされた点群から特徴線を抽出するための，新しいアルゴリズムを提案する．
  
  1. 新たな指標SSI（サーフェスの変化の度合いを計測する）を用いて，潜在的な特徴点を抽出する．
  2. 次に，潜在的な特徴点に対して，曲率や距離に基づくバイラテラルフィルタを適用する．
  3. 最後に，抽出した特徴点を接続して特徴線を形成する．
  
  
• 本論文の主な貢献は，以下の3点である．
  1. サーフェスの変化の度合いを計測するための新しい指標SSIを提案する．
  2. 異なる特徴線に属する可能性がある特徴点を識別する方法を提案する．
  3. 潜在的な特徴点を細線化する既存手法を改善する．

5. Experiment and analysis

• C++，OpenMP，Intel Core i7-4770 CPU，3GB RAM．
• Venusには様々な特徴線が含まれているため，アルゴリズムの性能を検証するための理想的なモデル．
• DragonとHappyBuddhaに対して，提案手法を用いて特徴線を抽出した結果をFig.12,13に示す．
• 特徴線の方向ベクトルを求めている．

• Table1に，各実験の統計データを示す．
• すべてのModelに対して，SSIが最速，

• 特徴線の量がノイズによってどれぐらい変化するかを検証するために，ノイズフリーで一様な点群に対して適用した結果をFig.14に示す．

4. The algorithm proposed in this research

4.1. A summary of the algorithm

• 提案するアルゴリズムの流れをFig.4に示す．
• 入力点群には，法線情報が必要．
• 点群のSSI値を計算した後，閾値よりも大きな絶対SSI値を有する点を，潜在的な特徴点とする．

4.2.3. Thinning of potential feature points

• 特徴点の接続に適切なデータを提供するために，潜在的な特徴点を細線化する必要がある．
• 計数球内の潜在的な特徴点に対してPCAを実行し，第1主成分方向を特徴線の方向ベクトルv_qとする．（Fig.5）
• ベクトルd_qは，ベクトルv_qと点qにおける法線ベクトルn_qとの外積．

• Algorithm 2は，最急降下法を用いて最小値を探索する過程に類似しているため，収束を保証することができる．
• 入力は潜在的な特徴点P_pf，出力は最終的な特徴点P_f．

• Fig.6,7は，それぞれArmadilloおよびFootprintモデルを用いて，特徴点の繰り返し細線化を行うプロセスを示している． 

2. Related work

3. Smooth shrink index（SSI）