Point Cloud Registration for LiDAR and Photogrammetric Data: a Critical Synthesis and Performance Analysis on Classic and Deep Learning Algorithms

要約

コンピューター ビジョンとディープ ラーニングの最近の進歩は、複雑なオブジェクトとシーンの登録されていない点群間の剛体/相似変換の推定において有望なパフォーマンスを示しています。
ただし、それらのパフォーマンスは主に、単一のセンサー (Kinect や RealSense カメラなど) からの限られた数のデータセットを使用して評価されており、写真測量 3D マッピング シナリオでの適用性の包括的な概要が不足しています。
この作業では、最先端の (SOTA) 点群登録方法の包括的なレビューを提供します。そこでは、屋内から衛星ソースまでのさまざまな点群データのセットを使用してこれらの方法を分析および評価します。
定量分析により、これらの方法の強み、適用性、課題、および将来の傾向を調べることができます。
全体的なプロセスとして点群登録を導入する既存の分析作業とは対照的に、私たちの実験的分析は、特徴/キーポイントベースの初期の粗い登録とクラウドツーによる高密度の細かい登録を含むこれらのアプローチをよりよく理解するための固有の2段階プロセスに基づいています。
-クラウド (C2C) の最適化。
従来の手作り、深層学習ベースの機能対応、堅牢な C2C メソッドなど、10 以上のメソッドがテストされました。
ほとんどのアルゴリズムの成功率は、テストしたデータセットよりも 40% 未満であり、3D スパース コレスポンデンス検索、および点群を複雑なジオメトリと登録する機能に関して、既存のアルゴリズムに大きな改善の余地があることがわかりました。
閉塞。
3 つのデータセットで評価された統計を使用して、各ステップで最もパフォーマンスの高い方法を結論付け、推奨事項を提供し、将来の取り組みを展望します。

要約(オリジナル)

Recent advances in computer vision and deep learning have shown promising performance in estimating rigid/similarity transformation between unregistered point clouds of complex objects and scenes. However, their performances are mostly evaluated using a limited number of datasets from a single sensor (e.g. Kinect or RealSense cameras), lacking a comprehensive overview of their applicability in photogrammetric 3D mapping scenarios. In this work, we provide a comprehensive review of the state-of-the-art (SOTA) point cloud registration methods, where we analyze and evaluate these methods using a diverse set of point cloud data from indoor to satellite sources. The quantitative analysis allows for exploring the strengths, applicability, challenges, and future trends of these methods. In contrast to existing analysis works that introduce point cloud registration as a holistic process, our experimental analysis is based on its inherent two-step process to better comprehend these approaches including feature/keypoint-based initial coarse registration and dense fine registration through cloud-to-cloud (C2C) optimization. More than ten methods, including classic hand-crafted, deep-learning-based feature correspondence, and robust C2C methods were tested. We observed that the success rate of most of the algorithms are fewer than 40% over the datasets we tested and there are still are large margin of improvement upon existing algorithms concerning 3D sparse corresopondence search, and the ability to register point clouds with complex geometry and occlusions. With the evaluated statistics on three datasets, we conclude the best-performing methods for each step and provide our recommendations, and outlook future efforts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google