最新のリリースでは、このページがまだ翻訳されていません。 このページの最新版は英語でご覧になれます。

点群のレジストレーションの概要

点群とは、3 次元空間における点の集合です。点群は、通常、LIDAR や Kinect® デバイスなどの 3 次元スキャナーから取得されます。点群はロボットの操縦および認識、深度推定、ステレオ ビジョン、視覚レジストレーションおよび先進運転者支援システム (ADAS) といった分野に応用されています。Computer Vision Toolbox™ のアルゴリズムは、点群のレジストレーション ワークフローに不可欠な関数を備えています。ワークフローでは、pcmergepcdownsamplepctransformpcdenoise などの点群関数と pcregistericppcregistercpdpcregisterndt などの複数のレジストレーション関数を使用します。

点群のレジストレーションとは、同じシーンの 2 つ以上の 3 次元点群を位置合わせするプロセスです。たとえば、このプロセスには、Kinect デバイスからの 3 次元シーンの再構成、自動車用道路の地図の作成、変形可能なモーション トラッキングなどが含まれる場合があります。

点群のレジストレーション プロセス

点群のレジストレーション プロセスには以下の 3 つの手順が含まれます。

  1. 前処理 — 各点群のノイズや不要なオブジェクトを除去します。レジストレーションの速度と精度を向上させるために点群をダウンサンプリングします。

  2. レジストレーション — 2 つ以上の点群のレジストレーションを行います。

  3. 配置と繋ぎ合わせ — 必要に応じて、点群を変換し、マージして繋ぎ合わせます。

点群のレジストレーション手法

関数 pcregistericppcregistercpd または pcregisterndt を使用して、移動点群を固定点群にレジストレーションすることができます。これらの関数で使用されているレジストレーション アルゴリズムは、それぞれ反復最近接点 (ICP) アルゴリズム、コヒーレント点ドリフト (CPD) アルゴリズム、および正規分布変換 (NDT) アルゴリズムに基づいています。これらのアルゴリズムの詳細については、参照を参照してください。

点群のレジストレーションを行う際には、シーン内のオブジェクトが点群間でどのように変化するかを表す変換のタイプを選択できます。

変換説明
剛体剛体変換は、シーン内のオブジェクトの形状とサイズを保持します。シーン内のオブジェクトには、平行移動、回転、またはその両方を実行できます。同じ変換がすべての点に適用されます。
アフィンアフィン変換では、オブジェクトの平行移動と回転に加え、せん断とスケール変更が可能です。
非剛体非剛体変換では、シーン内のオブジェクトの形状を変更できます。点は異なる方法で変換されます。変換を表すために変位場が使用されます。

次の表では、点群レジストレーション関数の選択肢と、それぞれの変換タイプおよびパフォーマンス特性を比較しています。この表を使用して、ケースに応じた適切なレジストレーション関数を選択してください。

レジストレーション手法 (関数)変換タイプ説明パフォーマンス特性
pcregisterndt剛体
  • 初期変換推定値に依存するローカルなレジストレーション手法

  • 外れ値に対してロバスト

  • 解像度と密度が異なる点群により適している

高速なレジストレーション手法だが、一般に ICP よりも低速
pcregistericp剛体

初期変換推定値に依存するローカルなレジストレーション手法

最も高速なレジストレーション手法
pcregistercpd剛体、アフィンおよび非剛体

初期変換推定値に依存しないグローバルな手法

最も低速なレジストレーション手法

ヒント

  • レジストレーションの精度と計算速度を向上させるには、レジストレーションの前に関数 pcdownsample を使用して点群をダウンサンプリングします。

  • 不要な特徴は、次のような関数を使用して点群から除去します。

    • segmentGroundFromLidarData — 整理された LIDAR データから地上点をセグメント化する

    • pcsegdist — ユークリッド距離に基づいて点群をクラスターにセグメント化する

    • pcfitplane — 平面を 3 次元点群に近似する

    • select — 点群内の点を選択する

  • NDT または ICP を使用するようなローカル レジストレーション手法 (それぞれ pcregisterndt または pcregistericp) では初期推定値が必要です。初期推定値を取得するには、慣性測定装置 (IMU) などの別のセンサーや、他の形式のオドメトリを使用します。初期推定値を改善すると、レジストレーション アルゴリズムの収束が速くなります。

  • 'MaxIterations' プロパティの値を増やすか、'Tolerance' プロパティの値を減らすと、レジストレーションの結果はより正確になりますが、レジストレーション速度は遅くなります。

参照

[1] Myronenko, A., and X. Song. "Point Set Registration: Coherent Point Drift. "Proceedings of IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI). Vol. 32, Number 12, December 2010, pp. 2262–2275.

[2] Chen, Y. and G. Medioni. “Object Modelling by Registration of Multiple Range Images.” Image Vision Computing. Butterworth-Heinemann . Vol. 10, Issue 3, April 1992, pp. 145–155.

[3] Besl, Paul J., N. D. McKay. “A Method for Registration of 3-D Shapes.” IEEE Transactions on Pattern Analysis and Machine Intelligence. Los Alamitos, CA: IEEE Computer Society. Vol. 14, Issue 2, 1992, pp. 239–256.

[4] Biber, P., and W. Straßer. “The Normal Distributions Transform: A New Approach to Laser Scan Matching.” Proceedings of IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). Las Vegas, NV. Vol. 3, November 2003, pp. 2743–2748.

[5] Magnusson, M. “The Three-Dimensional Normal-Distributions Transform — an Efficient Representation for Registration, Surface Analysis, and Loop Detection.” Ph.D. Thesis. Örebro University, Örebro, Sweden, 2013.

参考

| |

関連するトピック