[论文解读] 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 61

一句话总结

本文提出一种简单高效的基于平面的三维线路段检测方法，通过将平面区域投影到二维，检测二维直线，再重投影回三维，并进行后处理以去除离群点和合并线段。

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.

研究动机与目标

• 促进并实现对大型无序点云中 3D 线段的快速检测。
• 通过利用平面分割和 2D 直线检测，避免依赖脆弱的边缘点提取。
• 提供一个简单的流水线，具备鲁棒的后处理以抑制离群点并合并相邻线段。
• 在公开数据集上展示效率与鲁棒性，并与现有方法进行对比。

提出的方法

• 通过法线估计、区域生长和区域合并将输入点云分割为 3D 平面。
• 对每个平面，将点投影到该平面以形成一个 2D 图像，并通过最小二乘拟合提取 2D 等高线/轮廓与直线。
• 将 2D 线段重新投影回 3D 平面以获得 3D 线段。
• 利用结构信息进行后处理以去除离群点并合并相近的线段。
• 可选地在公开数据集上与 Lin 等人进行性能对比，以展示加速效果。

实验结果

研究问题

• RQ1 是否可以利用基于平面的、类图像的方法在无序点云中可靠地检测到 3D 线段？
• RQ2 将平面投影到 2D 以进行直线检测是否在显著提升速度的同时提供可比的精度？
• RQ3 所提出的后处理（离群点移除和线段合并）在结构化规则场景中的结果质量有何影响？

主要发现

数据集	点云	点数	线段数	平面数	分割（s）	直线检测（s）	后处理（s）	总时间（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

• 该方法在大规模数据集上高效，3D 线段检测在测试总时间中约占 1/6。
• 在八个公开点云数据集上，总时间及组成部分的拆分显示分割为主要时间成本，3D 线段检测相对较快，后处理可忽略。
• 该方法能够恢复大型结构和更细的细节（如窗户、块状结构），并保持那些可能被其他方法视为离群的结构线。
• 与 Lin 等人相比，所提方法显著更快（大约为 Lin 等人总时间的 20–30%），同时实现可比的结构恢复。
• 该流水线具有可扩展的性能，时间报道在数十到数百秒之间，取决于点云规模（例如，对于一个 22M 点的街景云，约 98.983s）。