論文の概要: Automatic marker-free registration based on similar tetrahedras for single-tree point clouds

• arxiv url: http://arxiv.org/abs/2411.13069v1
• Date: Wed, 20 Nov 2024 06:34:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-21 16:12:13.224750
• Title: Automatic marker-free registration based on similar tetrahedras for single-tree point clouds
• Title（参考訳）: 類似テトラヘドラを用いた単木点雲の自動マーカーフリー登録
• Authors: Jing Ren, Pei Wang, Hanlong Li, Yuhan Wu, Yuhang Gao, Wenxin Chen, Mingtai Zhang, Lingyun Zhang,
• Abstract要約: 本稿では,類似のテトラヘドラに基づく単一ツリー点雲のマーカーフリー自動登録法を提案する。 提案手法はICPとNDTの両方の登録精度を著しく上回り、ICPとNDTの最大速度は593倍、NDTの最大速度は113倍である。
• 参考スコア（独自算出の注目度）: 14.043846409201112
• License:
• Abstract: In recent years, terrestrial laser scanning technology has been widely used to collect tree point cloud data, aiding in measurements of diameter at breast height, biomass, and other forestry survey data. Since a single scan from terrestrial laser systems captures data from only one angle, multiple scans must be registered and fused to obtain complete tree point cloud data. This paper proposes a marker-free automatic registration method for single-tree point clouds based on similar tetrahedras. First, two point clouds from two scans of the same tree are used to generate tree skeletons, and key point sets are constructed from these skeletons. Tetrahedra are then filtered and matched according to similarity principles, with the vertices of these two matched tetrahedras selected as matching point pairs, thus completing the coarse registration of the point clouds from the two scans. Subsequently, the ICP method is applied to the coarse-registered leaf point clouds to obtain fine registration parameters, completing the precise registration of the two tree point clouds. Experiments were conducted using terrestrial laser scanning data from eight trees, each from different species and with varying shapes. The proposed method was evaluated using RMSE and Hausdorff distance, compared against the traditional ICP and NDT methods. The experimental results demonstrate that the proposed method significantly outperforms both ICP and NDT in registration accuracy, achieving speeds up to 593 times and 113 times faster than ICP and NDT, respectively. In summary, the proposed method shows good robustness in single-tree point cloud registration, with significant advantages in accuracy and speed compared to traditional ICP and NDT methods, indicating excellent application prospects in practical registration scenarios.
• Abstract（参考訳）: 近年、地上レーザースキャン技術は、胸の高さの直径、バイオマス、その他の森林調査データの測定を補助する、樹木点雲のデータ収集に広く用いられている。 地上レーザーシステムからの1つのスキャンが1つの角度からのみデータをキャプチャするため、複数のスキャンを登録して融合し、完全なツリーポイントクラウドデータを取得する必要がある。 本稿では,類似のテトラヘドラに基づく単一ツリー点雲のマーカーフリー自動登録法を提案する。 まず、同じ木の2つのスキャンから2つの点雲を用いて木の骨格を生成し、これらの骨格からキーポイントセットを構築する。 テトラヘドラは、類似性の原理に従ってフィルタリングされ、一致する点対として選択された2つの一致するテトラヘドラの頂点により、2つのスキャンから点雲の粗い登録が完了する。 その後、粗い登録された葉点雲にICP法を適用し、微細な登録パラメータを求め、2つの樹点雲の正確な登録を完了する。 異なる種と異なる形状の8本の木からの地上レーザースキャンデータを用いて実験を行った。 提案手法は従来のICP法とNDT法と比較してRMSE法とハウスドルフ距離を用いて評価した。 実験の結果,提案手法はICPおよびNDTの登録精度が有意に向上し,ICPおよびNDTの最大速度は593倍,NDTの最大速度は113倍であった。 要約して,本手法は,従来のICP法やNDT法と比較して,精度と速度の面で有意な優位性を示し,実際的な登録シナリオにおける優れた適用可能性を示している。

関連論文リスト

• Point Cloud Classification via Deep Set Linearized Optimal Transport [51.99765487172328]
  我々は,点雲をL2-$spaceに効率的に同時埋め込むアルゴリズムであるDeep Set Linearized Optimal Transportを紹介した。 この埋め込みはワッサーシュタイン空間内の特定の低次元構造を保持し、点雲の様々なクラスを区別する分類器を構成する。 我々は,有限個のラベル付き点雲を持つフローデータセットの実験を通じて,標準的な深層集合アプローチに対するアルゴリズムの利点を実証する。
  論文  参考訳（メタデータ） (2024-01-02T23:26:33Z)
• Overlap-guided Gaussian Mixture Models for Point Cloud Registration [61.250516170418784]
  確率的3Dポイントクラウド登録法は、ノイズ、アウトレーヤ、密度変動を克服する競合性能を示した。 本稿では,一致したガウス混合モデル(GMM)パラメータから最適変換を演算する,重複誘導確率登録手法を提案する。
  論文  参考訳（メタデータ） (2022-10-17T08:02:33Z)
• Efficient divide-and-conquer registration of UAV and ground LiDAR point clouds through canopy shape context [35.08788703582076]
  本研究では,森林におけるTLSと地上のLiDAR点雲を自動かつ効率的に登録する手法を提案する。 提案手法は粗いアライメントと細かな登録を用い, 点雲の粗いアライメントを垂直および水平のアライメントに分割する。 実験結果から,異なるプロットにおけるLSデータと地上LiDARデータを登録し,水平方向のアライメント誤差が0.02m未満であることが確認された。
  論文  参考訳（メタデータ） (2022-01-27T03:29:56Z)
• GlobalMatch: Registration of Forest Terrestrial Point Clouds by Global Matching of Relative Stem Positions [1.3192560874022086]
  本稿では,森林点雲の自動登録方法を提案する。 提案手法は,まず原点雲から樹幹を抽出し,その相対的空間関係に基づいて樹幹をマッチングし,登録変換を決定する。 このアルゴリズムは、追加の個々の木の属性を必要とせず、環境内の木の数に二次的な複雑さを持ち、大きな森林環境の点雲を整列させることができる。
  論文  参考訳（メタデータ） (2021-12-21T11:47:51Z)
• Fast and Robust Registration of Partially Overlapping Point Clouds [5.073765501263891]
  部分的に重なる点雲のリアルタイム登録は、自動運転車の協調認識に新たな応用をもたらす。 これらのアプリケーションにおける点雲間の相対的な変換は、従来のSLAMやオドメトリーアプリケーションよりも高い。 本稿では,効率の良い特徴エンコーダを用いて対応を学習する部分重複点群に対する新しい登録法を提案する。
  論文  参考訳（メタデータ） (2021-12-18T12:39:05Z)
• GPCO: An Unsupervised Green Point Cloud Odometry Method [64.86292006892093]
  軽量な点状クラウド・オドメトリー法を提案し, GPCO法と名付けた。 GPCOは、連続点雲スキャンの特徴と一致することによって物体の動きを予測する教師なし学習法である。 GPCOは、モデルサイズが大幅に小さく、トレーニング時間も少ないのに対して、ディープラーニング手法のベンチマークを精度で上回ることが観察された。
  論文  参考訳（メタデータ） (2021-12-08T00:24:03Z)
• Learning Semantic Segmentation of Large-Scale Point Clouds with Random Sampling [52.464516118826765]
  我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。 我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。 我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
  論文  参考訳（メタデータ） (2021-07-06T05:08:34Z)
• Consistent Two-Flow Network for Tele-Registration of Point Clouds [74.51029406361997]
  任意のポーズで提示される点群間の登録を可能とし,重複がほとんどあるいは全くない学習ベースの手法を提案する。 本手法は,一群の形状の先行を学習し,部分的な形状を完遂できる新しいニューラルネットワーク設計に基づいている。 個別のフローと比較して、この2フローのトレーニングが堅牢で信頼性の高い遠隔登録につながることを示す。
  論文  参考訳（メタデータ） (2021-06-01T09:03:21Z)
• Automatic sampling and training method for wood-leaf classification based on tree terrestrial point cloud [23.296851669213012]
  植物点雲データの葉木分類は、林業や生物研究の基本的なステップである。 木点雲データに基づく分類のための自動サンプリングおよびトレーニング手法を提案した。 その結果,提案手法は手動選択法よりも効率と精度がよいことがわかった。
  論文  参考訳（メタデータ） (2020-12-06T00:18:41Z)
• Automatic marker-free registration of tree point-cloud data based on rotating projection [23.08199833637939]
  本研究では,1本の木を複数スキャンした点クラウドデータの登録のための粗大な自動登録手法を提案する。 粗い登録では、各スキャンによって生成された点雲を球面に投影して一連の2次元画像を生成する。 対応する特徴点対は、これらの一連の2次元画像から抽出される。 微細な登録では、点雲データスライシングとフィッティング法を用いて、対応する中心茎と分岐中心を抽出する。
  論文  参考訳（メタデータ） (2020-01-30T06:53:59Z)
• Learning multiview 3D point cloud registration [74.39499501822682]
  本稿では,エンドツーエンドで学習可能なマルチビュー3Dポイントクラウド登録アルゴリズムを提案する。 このアプローチは、エンドツーエンドのトレーニングが可能で、計算コストが小さく、最先端のマージンよりも優れています。
  論文  参考訳（メタデータ） (2020-01-15T03:42:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。