PCLで点群処理

PCLで点群処理したあれこれを書いていきます。

【論文100本ノックの83】位相限定相関法に基づく動画像からの高精度 3 次元復元とその性能評価

1 目 的

 点群に関する研究論文を読み、点群処理に関する知識を得るとともに、新たな研究のための気づきを得る。

 

2 はじめに

 100本計画の83本目として、和文2ページの本論文を読む。

 

3 対象論文と要約

3.1 対象論文

位相限定相関法に基づく動画像からの高精度 3 次元復元とその性能評価

山尾創輔, 酒井修二, 伊藤康一, & 青木孝文 東北大学

第 76 回全国大会講演論文集 2014.1 (2014): 213-214. 2014

https://ipsj.ixsq.nii.ac.jp/ej/?action=repository_action_common_download&item_id=104668&item_no=1&attribute_id=1&file_no=1

3.2 研究内容

(社会的ニーズ)

 なし。

(提案手法)

 同画像から3次元復元に最適な画像を選択肢、高精度に3次元復元を行う手法を提案する。
 カメラの位置推定と同時に、対象物体の大まかな3次元形状を復元し、その形状に基づいて、詳細な3次元復元のためのフレームを選択する。そして、位相限定相関法(POC)に基づく対応付手法を用いて、高精度かつ密な3次元点群を復元する。

3.3 従来の問題点と解決法

 なし。

3.4 提案手法

(1)動画像のトラッキング

 POC(Phase-Only Correlation/位相限定相関法)に基づく対応付手法を用い、画像から検出された特徴点を追跡する

(2)疎な3次元復元

 5点アルゴリズムとkneipらの手法により、カメラ位置の推定と疎な3次元点群の復元を行う

(3)三角形メッシュモデルの生成

 疎な3次元点群をドロネー四面体分割し、グラフカットにより物体の粗い三角メッシュモデルを生成する

(4)密な3次元復元

 各三角形メッシュごとに、画像マッチングに適したフレームを選択し、密な3次元点群を復元する

3.5 検証実験

 猫と犬の置物に対して提案手法を適用し、3次元スキャナで取得した点群を真値として性能比較を実施した。

 その結果、従来手法よりも高精度かつ密な3次元点群を復元できることを確認した。

3.6 今後の検討

・なし

4 出現用語

 ・5点アルゴリズム

・Kneipらの手法

5 おわりに

 動画像から3次元物体を復元するという試みはたくさんあるように思う。

 ただ、大抵の場合、復元したい対象が決まってから撮影した動画で実験が行われており、また対象以外の情報も少なくなっている。

 画像処理のディープラーニングを推進したのは、ディープラーニング技術そのものというよりは、IMAGENET等の画像データベースである。

 もし点群処理技術を爆進させたいなら、同様の点群データベースが必要であるが、現在のところ、XtionやKinectが多少一般に広まったとは言え、2次元画像や動画ほど気軽に点群データを取得できる環境にはない。

 もし、一般人が気軽に撮影した動画から、人間なり車なり何らかの種類の点群を勝手に抽出してくれるアルゴリズムやソフトがあれば、点群データベースの作成も容易だろう。

 どこか金のある研究所に、でっかいデータベースを作ってもらいたい。

6 今後調査したい事項