[論文レビュー] A Fast Method For Computing Principal Curvatures From Range Images

Andrew Spek, Wai Ho Li+1 more|arXiv (Cornell University)|Jul 3, 2017

Robotics and Sensor-Based Localization参考文献 6被引用数 3

ひとこと要約

本論文は、反復的放物型二次曲面パッチフィッティングを用いて、ノイズの多い範囲画像から正確なメトリック主曲率をリアルタイムにGPUアクセラレートで計算する手法を提案する。従来の二重微分に依存する手法とは異なり、ノイズの増幅を抑えるために、局所的な点群に直接二次曲面をフィッティングする。この手法により、Microsoft Kinectなどの低コストRGB-Dデータにおいて、優れた曲率推定が可能となり、フレームレート性能とノイズに対するより高いロバスト性を実現する。

ABSTRACT

Estimation of surface curvature from range data is important for a range of tasks in computer vision and robotics, object segmentation, object recognition and robotic grasping estimation. This work presents a fast method of robustly computing accurate metric principal curvature values from noisy point clouds which was implemented on GPU. In contrast to existing readily available solutions which first differentiate the surface to estimate surface normals and then differentiate these to obtain curvature, amplifying noise, our method iteratively fits parabolic quadric surface patches to the data. Additionally previous methods with a similar formulation use less robust techniques less applicable to a high noise sensor. We demonstrate that our method is fast and provides better curvature estimates than existing techniques. In particular we compare our method to several alternatives to demonstrate the improvement.

研究の動機と目的

• 低コストのRGB-Dセンサ（例：Microsoft Kinect）から生成される現実世界のノイズの多い範囲データからの正確な主曲率推定の課題に対処すること。
• 表面法線の微分に依存する従来の二重微分手法に内在するノイズ増幅を克服すること。
• ロボティクスやコンピュータビジョン応用に適した、視点不変の幾何的特徴を必要とするリアルタイム曲率推定システムを開発すること。
• 複数の視点にわたる曲率に基づく物体対応推定の精度と一貫性を向上させること。
• 高密度な点群における高性能な曲率計算を実現する、ロバストでオープンソースのGPU実装を提供すること。

提案手法

• 最小二乗最適化を用いて、局所的な3次元点群パッチに放物型二次曲面を反復的にフィッティングし、主曲率を直接推定する。
• 曲率推定を直接的な幾何的フィッティング問題としてモデル化することで、表面法線の微分を回避し、ノイズの増幅を低減する。
• GPU上でアルゴリズムを実装し、高密度なRGB-Dデータに対してフレームレートでのリアルタイム処理を可能にする。
• 局所的表面フィッティングに37×37のパッチサイズを用い、パフォーマンスを維持するためのスパarselyサンプリングを実施する。
• 推定された二次曲面から導かれるヘッセ行列の固有値に基づいて曲率を算出し、メトリック主曲率値を提供する。
• 本手法は、実世界および合成データセットを用いて、PCLのPCAベースの曲率推定法や他のベースライン手法と比較されている。

実験結果

リサーチクエスチョン

• RQ1 直接的な二次曲面フィッティングアプローチは、ノイズの多い範囲データからの主曲率推定において、従来の二重微分手法を上回ることができるか？
• RQ2 本手法は、実世界のRGB-Dスキャンにおいて、PCLのPCAベースの曲率推定法と比較して、精度とロバスト性において優れているか？
• RQ3 本手法は、複数の視点にわたって一貫性のある曲率推定を維持できるか。これにより、信頼性の高い対応推定が可能になるか？
• RQ4 本手法は、消費者向けセンサからの高密度でノイズの多い範囲画像に対してGPU上でリアルタイム性能を達成できるか？
• RQ5 本手法は、物体セグメンテーションや認識タスクにおける曲率の識別力の向上に寄与するか？

主な発見

• 本手法は、PCLのPCAベースの手法と比較して、特に低コストRGB-Dセンサからのノイズの多いデータにおいて、はるかに正確なメトリック曲率推定を達成している。
• PCAベースの微分とは異なり、本手法は滑らかで信頼性の高い表面法線推定を提供し、ノイズ由来のアーティファクトを低減している。
• 本システムはGPU上でフレームレートで動作し、ロボットのハンドリングやシーン理解などの動的応用に適したリアルタイム曲率推定を実現している。
• 本手法を用いた曲率に基づく対応推定は、複数の視点にわたって高い一貫性を示しており、混同行列から明確な物体固有の一致が確認されている。
• 一方、PCLの手法は対応の一貫性が著しく低く、ノイズに敏感であるため、しばしば背景や誤った物体に点が一致してしまう。
• 本手法は、ストレステストボールやチョコA、バドミントンボールなど、同様の曲率プロファイルを示す高曲率物体に対しても優れた性能を示しているが、依然としてこれらの物体は同様の曲率を示すため、挑戦的である。