Please use this identifier to cite or link to this item: http://www.repositorio.ufc.br/handle/riufc/51748
Title in Portuguese: Generalized cloud partitioning iterative closest point: uma avaliação quantitativa do registro de nuvens de pontos 3D
Author: Souza Neto, Polycarpo
Advisor(s): Thé, George André Pereira
Co-advisor(s): Soares, José Marques
Keywords: Teleinformática
Processamento de imagens
Internet das coisas
Point cloud registration
Iterative closest point
Micro-misalignment
Issue Date: 4-Feb-2019
Citation: SOUZA NETO, P. Generalized cloud partitioning iterative closest point: uma avaliação quantitativa do registro de nuvens de pontos 3D. 2019. 86 f. Dissertação (Mestrado em Engenharia de Teleinformática) – Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2019.
Abstract in Portuguese: Em aplicações de reconstrução 3D, uma questão importante é a correspondência de nuvens de pontos de diferentes perspectivas de um determinado objeto ou cena. Tradicionalmente, esse pro- blema é resolvido pelo uso do algoritmo Iterative Closest Point (ICP). Para melhorar a eficiência desta técnica, foi proposta uma metodologia de redução dos conjuntos de dados em sub-nuvens nos três eixos ortogonais. Foi ainda proposto um critério de convergência automático baseado numa medida de micro-desalinhamento. Neste trabalho, a técnica proposta foi comparada com outras dez técnicas. A avaliação dos resultados foi feita usando a métrica RMSE, uma análise da representação eixo-ângulo equivalente de rotação, e o custo computacional. Os testes foram realizados em condições ideais e em condições que simulam adversidades, como a existência de ruído, rotações em um eixo genérico e a diferença de densidade entre os conjuntos de dados. Os experimentos foram realizados em diversos conjuntos de dados diferentes, adquiridos por vários sensores, e revelou que a abordagem autoral alcançou uma correspondência de nuvem mais precisa, em um tempo menor que as outras técnicas do estado da arte.
Abstract: In 3D reconstruction applications, an important issue is the matching of point clouds from different perspectives of a particular object or scene. Traditionally, this problem is solved by using the Iterative Closest Point (ICP) algorithm. To improve the efficiency of this technique, a methodology for reducing data sets in sub-clouds on the three orthogonal axes was proposed. An automatic convergence criterion was also proposed based on a micro-misalignment measure. In this work, the proposed technique was compared with ten other techniques. The results were evaluated using the RMSE metric, an analysis of the equivalent axis-angle representation of rotation, and the computational cost. The tests were carried out under ideal conditions and in conditions that simulate adversities, such as the existence of noise, rotations on a generic axis and the difference in density between the data sets. The experiments were carried out on several different data sets, acquired by several sensors, and revealed that the authorial approach achieved a more accurate cloud match, in a shorter time than other state-of-the-art techniques.
URI: http://www.repositorio.ufc.br/handle/riufc/51748
metadata.dc.type: Dissertação
Appears in Collections:DETE - Dissertações defendidas na UFC

Files in This Item:
File Description SizeFormat 
2019_dis_psouzaneto.pdf6,87 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.