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により、複雑なオブジェクトとシーンの未登録の点群間の剛体/相似変換の推定において有望なパフォーマンスが示されています。
ただし、そのパフォーマンスは主に、単一のセンサー (Kinect カメラや 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。
この研究では、最先端 (SOTA) 点群登録手法の包括的なレビューを提供し、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手法を分析および評価します。
定量的分析により、これらの手法の長所、適用可能性、課題、将来の傾向を探ることができます。
総合的なプロセスとして点群の位置合わせ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位置合わせとクラウドツーによる高密度の細かい位置合わせを含むこれらのアプローチをよりよく理解するために、固有の 2 段階のプロセスに基づいています。
-クラウド（C2C）の最適化。
古典的な手作りのディープラーニングベースの機能対応や堅牢な C2C メソッドなど、10 を超えるメソッドがテストされました。
テストしたデータセットに比べて、ほとんどのアルゴリズムの成功率は 40% 未満であり、3D スパース対応検索や、複雑な形状をもつ点群を登録する機能に関しては、既存のアルゴリズムにまだ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手法を結論付け、推奨事項を提供し、今後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