Pré-alinhamento baseado na distância de Wasserstein para o registro de nuvens de pontos
DOI:
https://doi.org/10.5540/03.2025.011.01.0467Keywords:
Nuvens de Pontos, Registro de Nuvens de Pontos, Distância de WassersteinAbstract
O registro de nuvens de pontos é uma atividade desafiadora devido às transformações geométricas complexas e à dificuldade de encontrar correspondências entre os pontos. Quanto maior o desalinhamento entre as nuvens, maior a dificuldade imposta aos algoritmos destinados ao registro. Para viabilizar o uso de algoritmos disponíveis em bibliotecas que apresentam essa limitação, propõe-se neste trabalho uma técnica baseada na distância de Wasserstein em uma etapa prévia ao registro, permitindo resultados satisfatórios em casos de desalinhamentos severos. Além de aumentar significativamente a qualidade do alinhamento feito exclusivamente por algoritmos de registro, a técnica é simples e possui potencial para ser otimizada para diferentes cenários e necessidades.
Downloads
References
J. Aleotti, D. L. Rizzini e S. Caselli. “Perception and Grasping of Object Parts from Active Robot Exploration”. Em: Journal of Intelligent Robotic Systems 76.3–4 (mar. de 2014), pp. 401–425. doi: 10.1007/s10846-014-0045-6.
P.J. Besl e N. D. McKay. “A method for registration of 3-D shapes”. Em: IEEE Transactions on Pattern Analysis and Machine Intelligence 14.2 (fev. de 1992), pp. 239–256. doi: 10.1109/34.121791.
R. Bhatia, T. Jain e Y. Lim. “On the bures–wasserstein distance between positive definite matrices”. Em: Expositiones Mathematicae 37.2 (jun. de 2019), pp. 165–191. doi: 10.1016/j.exmath.2018.01.002.
N. Brightman, L. Fan e Y. Zhao. “Point cloud registration: a mini-review of current state, challenging issues and future directions”. Em: AIMS Geosciences 9.1 (2023), pp. 68–85. issn: 2471-2132. doi: 10.3934/geosci.2023005.
EPFL. Statues Model Repository. Online. Acessado em 11/03/2024, https://lgg.epfl.ch/statues_dataset.php.
X. Huang, G. Mei e J. Zhang. “Feature-Metric Registration: A Fast Semi-Supervised Approach for Robust Point Cloud Registration Without Correspondences”. Em: 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, jun. de 2020. doi: 10.1109/cvpr42600.2020.01138.
P. S. Neto, J. M. Soares e G. A. P. Thé. “Uniaxial partitioning strategy for Efficient Point Cloud Registration”. Em: Sensors 22.8 (abr. de 2022), p. 2887. doi: 10.3390/s22082887.
Stanford. The Stanford 3D Scanning Repository. Online. Acessado em 11/03/2024, https://graphics.stanford.edu/data/3Dscanrep/.
A. Takatsu. “On wasserstein geometry of gaussian measures”. Em: Advanced Studies in Pure Mathematics 57 (jan. de 2010). doi: 10.2969/aspm/05710463.
D. Xie, W. Zhu, F. Rong, X. Xia e H. Shang. “Registration of Point Clouds: A Survey”. Em: 2021 International Conference on Networking Systems of AI (INSAI). 2021, pp. 136–142. doi: 10.1109/INSAI54028.2021.00034.
N. Xu, R. Qin e S. Song. “Point cloud registration for LiDAR and photogrammetric data: A critical synthesis and performance analysis on classic and deep learning algorithms”. Em: ISPRS Open Journal of Photogrammetry and Remote Sensing 8 (2023), p. 100032. issn: 2667-3932. doi: https://doi.org/10.1016/j.ophoto.2023.100032.
