[論文レビュー] Fast 3D Line Segment Detection From Unorganized Point Cloud

Xiaohu Lu, Yahui Liu+1 more|arXiv (Cornell University)|Jan 8, 2019

Image and Object Detection Techniques参考文献 16被引用数 61

ひとこと要約

この論文は、平面領域を2Dに投影し2D線を検出し、再投影して3Dの線分を検出する、外れ値処理とマージを備えた、単純で効率的な平面ベースの3D線分検出法を提案します。

ABSTRACT

This paper presents a very simple but efficient algorithm for 3D line segment detection from large scale unorganized point cloud. Unlike traditional methods which usually extract 3D edge points first and then link them to fit for 3D line segments, we propose a very simple 3D line segment detection algorithm based on point cloud segmentation and 2D line detection. Given the input unorganized point cloud, three steps are performed to detect 3D line segments. Firstly, the point cloud is segmented into 3D planes via region growing and region merging. Secondly, for each 3D plane, all the points belonging to it are projected onto the plane itself to form a 2D image, which is followed by 2D contour extraction and Least Square Fitting to get the 2D line segments. Those 2D line segments are then re-projected onto the 3D plane to get the corresponding 3D line segments. Finally, a post-processing procedure is proposed to eliminate outliers and merge adjacent 3D line segments. Experiments on several public datasets demonstrate the efficiency and robustness of our method. More results and the C++ source code of the proposed algorithm are publicly available at https://github.com/xiaohulugo/3DLineDetection.

研究の動機と目的

• 大規模な無組織点群における3D線分の高速検出を動機づけ、実現する。
• 平面的セグメンテーションと2D線検出を活用して、壊れやすいエッジ点抽出への依存を避ける。
• 外れ値を抑制し隣接する線を結合する堅牢なポストプロセシングを備えた、単純なワークフローを提供する。
• 公開データセットでの効率性と堅牢性を示し、既存手法と比較する。

提案手法

• 法線推定、領域成長、および領域マージによって入力点群を3D平面にセグメントする。
• 各平面上の点を平面に投影して2D画像を作成し、最小二乗フィッティングによって2D輪郭と直線を抽出する。
• 2Dの直線セグメントを再投影して3D平面上に戻し、3D線分を得る。
• 構造情報を用いて外れ値を除去し、近接する線分を統合するポスト処理を適用する。
• 公開データセットでLin et al.とパフォーマンスを比較して速度向上を示すことを任意で行う。

実験結果

リサーチクエスチョン

• RQ1 平面ベースの画像様アプローチを用いて、無組織点群から3D線分を信頼性高く検出できるか？
• RQ2 線検出のために平面を2Dに投影して検出することは、精度を保ちつつ大幅な高速化を提供するか？
• RQ3 提案されたポスト処理（外れ値除去と線のマージ）は、構造的に規則な場面で結果の品質にどのような影響を与えるか？

主な発見

データセット	点群	点の数	線分の数	平面の数	セグメンテーション（s）	線検出（s）	ポスト処理（s）	合計時間（s）
Semantic3D	Bildstein1	29,697,591	4856	2596	110.276	20.452	0.327	131.055
Bildstein3	23,995,481	3543	2256	91.466	17.3	0.172	108.938
Bildstein5	24,919,498	5001	2545	95.257	19.281	0.234	114.772
Stgallen1	31,179,769	10268	5722	112.508	28.392	1.294	142.194
Stgallen3	31,643,853	11052	6495	102.945	32.557	1.638	137.14
Shape Repertory Castle	32,754,893	12376	9752	94.365	51.277	5.382	151.024
Church	7,632,351	2031	1176	23.057	10.483	0.078	33.618
Facade	29,465,648	12925	10362	91.385	37.44	6.177	135.002

• 本手法は大規模データセットで効率的で、テストでは3D線検出が総時間の約1/6を占める。
• 8つの公開点群で、総時間と構成の内訳はセグメンテーションが主な時間コストであることを示し、3D線検出は比較的高速でポスト処理はほとんど無視できる。
• このアプローチは大規模な構造とより細かなディテール（例: 窓、ブロック）を回復し、他手法で外れ値とみなされる可能性のある構造線も保持する。
• Lin et al.との比較では、提案手法は総時間の約20–30%程度と大幅に高速で、構造回復は同等程度を達成する。
• パイプラインはスケーラブルな性能を示し、点群サイズに応じて数十秒から数百秒程度の報告時間（例: 22Mポイントのストリートビュー点群で98.983s）となっている。