[논문 리뷰] Fast 3D Line Segment Detection From Unorganized Point Cloud

Xiaohu Lu, Yahui Liu외 1명|arXiv (Cornell University)|2019. 01. 08.

Image and Object Detection Techniques참고 문헌 16인용 수 61

한 줄 요약

이 논문은 비정렬 점군으로부터 3D 선분을 탐지하기 위한 간단하고 효율적인 평면 기반 방법을 제시한다. 평면 영역을 2D로 투영하고 2D 선을 탐지한 뒤 다시 3D로 재투영하며 이상치 제거 및 병합을 위한 후처리를 수행한다.

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.

연구 동기 및 목표

• 대형의 비정렬 점군에서 3D 선분의 신속한 탐지를 동기 부여하고 가능하게 한다.
• 약한 에지-포인트 추출에 의존하기보다는 평면 분할 및 2D 선 탐지를 활용한다.
• 이상치를 억제하고 인접한 선을 병합하는 견고한 후처리가 포함된 간단한 파이프라인을 제공한다.
• 공개 데이터셋에서의 효율성과 견고성을 입증하고 기존 방법들과 비교한다.

제안 방법

• 입력 점군을 법선 추정, 영역 확장(region growing), 영역 병합(region merging)을 통해 3D 평면으로 분할한다.
• 각 평면에 대해 평면에 점을 투사하여 2D 이미지를 형성하고 최소제곱 적합을 통해 2D 윤곽선과 선을 추출한다.
• 2D 선분을 다시 3D 평면에 재투영하여 3D 선분을 얻는다.
• 구조적 정보를 이용한 이상치 제거 및 근처 선분 병합으로 후처리를 적용한다.
• 공개 데이터셋에서 Lin 등과의 성능 비교를 통해 속도 향상을 보일 수 있는지 확인할 수 있다.

실험 결과

연구 질문

• RQ1 비정렬 점군에서 평면 기반의 이미지 유사 접근법으로 3D 선분을 신뢰성 있게 탐지할 수 있는가?
• RQ2 평면을 2D로 투영하여 선 탐지를 수행하면 정확도와 더불어 속도가 현저히 향상되는가?
• RQ3 제안된 후처리(이상치 제거 및 선 병합)가 구조적으로 규칙적인 장면에서 결과 품질에 어떤 영향을 미치는가?

주요 결과

Data set	Point cloud	Points number	Lines number	Planes number	Segmentation (s)	Line detection (s)	Post-processing (s)	Total time (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

• 대규모 데이터셋에서 효율적이며, 테스트에서 3D 선 탐지는 전체 시간의 약 1/6를 차지한다.
• 여덟 개의 공개 점군에서 전체 시간 및 구성 요소 분석은 분할이 주요 시간 비용이며, 3D 선 탐지는 비교적 빠르고 후처리는 미미하다.
• 이 접근 방식은 큰 구조적 디테일과 미세한 디테일(예: 창문, 블록)을 복구하고 다른 방법에서 이상치로 간주될 수 있는 구조 선도 유지한다.
• Lin 등과 비교했을 때 제안된 방법은 구조 복원은 비슷하게 달성하면서도 총 시간의 약 20–30% 수준으로 훨씬 빠르다.
• 파이프라인은 점군 크기에 따라 수십 초에서 수백 초 수준의 확장 가능한 성능을 보이며 예를 들어 22M 포인트의 스트리트 뷰 점군에서 98.983초를 기록했다.