عنوان پایان‌نامه
هم مرجع سازی و تلفیق خودکار تصا ویر متوالی عمق به منظور تولید ابر نقطه یکپار چه و با کیفیت بالا
- رشته تحصیلی
- مهندسی عمران - نقشه برداری - فتوگرامتری
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 2787;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 65212
- تاریخ دفاع
- ۰۴ شهریور ۱۳۹۳
- دانشجو
- شهناز نخبه زعیم
- استاد راهنما
- محمد سعادت سرشت
- چکیده
- امروزه اهمیت مدل سازی سه بعدی در طیف وسیعی از کاربردها بر همگان محرز است. به این منظور، روش های متنوعی در جهت تولید داده‌های سه بعدی از سطح اشیاء کوچک تا بزرگ توسعه یافته است. یکی از روش های نسبتاً نوین اخذ داده سه بعدی، استفاده از سنجنده ی کینکت می باشد که قادر است حجم بالایی از ابرنقاط رنگی را در زمان کوتاهی از محیط اخذ کند. البته تولید یک مدل سه بعدی کامل و باکیفیت با محدودیت های جدی همچون وجود پنهان‌شدگی اشیاء در راستای خط دید سنجنده، عدم پوشش سراسری محیط به علت میدان دید محدود سنجنده، تأثیر بازتابندگی متفاوت اشیاء در فاصله و کیفیت برداشت ابر نقاط مواجه می باشد. برای غلبه بر این محدودیتها، الزاماً اخذ داده‌های سه بعدی از مکانها و زوایای مختلف صورت می گیرد. از این رو، تعیین دقیق پارامترهای مربوط به موقعیت و وضعیت کینکت نقش کلیدی را در هم مرجع سازی ابر نقاط برای تولید مدل‌های یکپارچه و با هندسه دقیق ایفا می‌کند. از سوی دیگر، به دلیل ماهیت سنجنده کینکت در جمع آوری داده از محیط، با گذشت زمان کوتاهی حجم مشاهدات اخذ شده به شدت افزایش می یابد که موجب کندی پردازش های پیش رو را فراهم می آورد. برای جلوگیری از این موارد، بایستی ابر نقاط سه بعدی در هر فریم باهم تلفیق و یکپارچهسازی شود. روش‌های مختلفی جهت هم مرجع سازی ابر نقاط وجود دارد که یکی از ساده‌ترین و پرکاربردترین این روش‌ها، الگوریتم¬ICP میباشد. اما اجرای این الگوریتم با مشکلاتی از جمله: کاهش توانایی الگوریتم به سبب حجم بالای نقاط و به عبارت جامع‌تر، کندی همگرایی صورت گرفته و از طرفی، گرفتار شدن الگوریتم در کمینه‌های محلی، رو-به رو است. از این رو در پژوهش حاضر، هم مرجع سازی در دو گام تقریبی و دقیق پیاده سازی شده است. در هم-مرجع سازی تقریبی، دو الگوریتم OF و NCC پیشنهاد و بکارگرفته شده است که موجب رفع مشکلات فوق در هم مرجع سازی دقیق با ICP گردیده است. علاوه بر این برای تلفیق ابر نقاط، یک شبکه منظم سه بعدی مجازی روی ابر نقاط ایجاد شده و نقاط قرار گرفته در هر سلول متوسط گیری وزندار می شوند. وزن نقاط براساس کوواریانس دقت نقاط درنظر گرفته شده است. در این تحقیق، آزمون های متنوعی برای ارزیابی کیفی و کمی ابرنقاط هم مرجع سازی شده تلفیقی انجام شده است. نتایج نشان می دهند اولاً روش های پیشنهادی ICP+NCC و ICP+OF بواسطه همگرایی دقیقتر و سرعت بالاتر هم مرجع سازی ابر نقاط، عملکرد مناسبتری نسبت به روش کلاسیک ICP دارد. همچنین از بین دو روش پیشنهادی، روش ICP+NCC به واسطه کمتر شدن سطح نویز ابر نقاط حاصل، انباشتگی خطای کمتر در هم مرجع سازی متوالی و هندسه دقیقتر آن، از عملکرد بهتری نسبت به روش ICP+OF برخوردار بوده است. نتایج حاصل از محاسبه RMSE باقیمانده های برازش صفحه به ابر نقاط فریم های متعدد میز کار در ارزیابی کیفی این داده ها حاکی از آنست که نتایج در روش تلفیقی ICP+OF ، تا 3.5 برابر و در روش تلفیقی ICP+NCC ، تا 7.5 برابر نسبت به روش ICP بهبود پیدا نموده است. به منظور ارزیابی خطای انباشته از فریم های متوالی داده قیفهای مخروطی استفاده شده است. میزان انباشتگی خطا در روش تلفیقی ICP+NCC در دو فریم متوالی نسبت به روش ICP حدود 4 برابر کمتر و در فریم های متوالی حدود 5 برابر کمتر بوده است. در فاز تلفیق، ابرنقاط حاصل از سنجنده ی کینکت با هر سه روش روی داده های کمد هم مرجع سازی و تلفیق شد و RMSE صفحه دوم برآورد گردید. با استناد به نتایج حاصل شده میزان خطای روش +NC ICP، نسبت به روش ICP، 4 برابر نیز بهبود یافته است. همچنین دو روش متوسط گیری ساده و متوسط گیری وزندار مورد آزمون قرار گرفت. برای این منظور ابرنقاط داده کمد دیواری با روش ICP+NCC هم مرجع سازی شد و یکبار با روش متوسط-گیری ساده و بار دیگر با روش متوسط گیری وزندار ابرنقاط در هر مرحله افزایش فریمها تلفیق گردیدند. میزان خطای حاصل از برازش صفحه در روش تلفیقی وزندار 2.71 میلیمتر است، در حالیکه این میزان خطا در روش تلفیقی بدون وزن 3.41 میلی متر میباشد و این نتایج حاکی از آن است که روش وزندار از عملکرد بهتری در تلفیق ابرنقاط برخوردار بوده است.
- Abstract
- Nowadays, the importance of three-dimensional modeling in a wide range of applications is obvious to everyone. Therefore, various methods have been developed for producing 3D data from small to large objects. One of the known modern methods is obtaining 3D data by Kinect sensor which is able to receive high volumes of colored point cloud from environment in a short time. Of course, producing a complete and high quality 3D model encounters serious limitations such as hidden areas along sensor’s line of sight, lack of overall coverage of environment due to limited field of view of sensor, the effect of different reflectivity of objects in perception distance and quality of point cloud. In order to overcome such limitations, obtaining 3D data are performed necessarily from various locations and situations. Therefore, precise determination of parameters relevant to location and situation of Kinect plays a key role in registration of point cloud for producing integrated models with exact geometry. On the other hand, the volume of observations may be increased strictly due to essence of Kinect sensor in collecting data from environment after passing short time which caused slowness in advanced processes. In order to avoiding such items, 3D point cloud in each frame must be combined and integrated. There are several methods for registration of point cloud sets that one of the simplest and most applicable methods is ICP algorithm. But, execution of this algorithm is encountered problems such as: low performance of algorithm due to high volume of points and generally, slowness in convergence and on the other hand, algorithm trapping in local minimums. Therefore, registration is implemented in two approximate and exact steps in the present research. Two algorithms of NCC and OF were offered and applied in approximate registration which caused solving above mentioned problems in exact registration through ICP. In addition to integrate sequential point cloud sets, a regular virtual 3D cell network was considered on point cloud and position of placed points in each cell is computed by weighted average method. The weights are considered according to accuracy covariance of points. In this research, different tests were performed for quality and quantity evaluation of integration and registration phases. The results showed that both ICP+NCC and ICP+OF suggested methods are more suitable than classic ICP method due to more exact integration and higher registration speed. Also, ICP+NCC method has better result than ICP+OF method because of lower level of noise in resulted point cloud, less accumulation of error in consecutive registration and more exact geometry. Results of calculating RMSE of residuals made by plane fitting to point cloud of several frames from several flat surfaces showed that level of random noise in integrated pointy cloud registered by ICP+OF and ICP+NCC method is 3.5 and 7.5 times less than ICP method accordingly. Conical funnel is used for the purpose of evaluating cumulative error of the consecutive frame of data. Error accumulation rate in ICP+NCC method in two consecutive frames is about 4 times lower than the ICP method and in sequential frames was 5 times lower. In integration phase, point cloud resulted from Kinect sensor on data were sourced and integrated through three methods and RMSE of second plane was estimated. According to achieved results, error rate of ICP+NCC method against ICP method were improved 4 times. Also, two simple and weighted averaging methods were tested. Therefore, point cloud of data closet were sourced through ICP+NCC method and in each increment stage, once integrated through simple averaging and then through weighted averaging method. Resulted error rate from plane fitting in weighted combined method is 2.71 mm, while this rate in simple averaging method is 3.41 mm and these results showed that weighted averaging method has better function in integration of point cloud.
