Identificación de nubes de puntos utilizando etiquetado parcial
| Autor: | Arturo Sair García Amador |
|---|---|
| Přispěvatelé: | Edgar Leonel Chávez González |
| Jazyk: | Spanish; Castilian |
| Rok vydání: | 2021 |
| Předmět: | |
| Zdroj: | Centro de Investigación Científica y de Educación Superior de Ensenada CICESE Repositorio Institucional CICESE |
| Popis: | La identificación de nubes de puntos es un problema central en computación, con aplicaciones que van desde identificadores biométricos hasta aplicaciones en astronáutica y medicina. RANSAC es esencialmente el único algoritmo que existe para emparejar una nube de puntos con un modelo específico. En esta tesis se proponen modificaciones al algoritmo RANSAC basadas en la siguiente hipótesis de trabajo: los puntos correspondientes de un modelo tienen una mayor densidad relativa, en comparación con puntos que corresponden a ruido que normalmente se encuentran más dispersos. Esta hipótesis se traduce a tres propuestas algorítmicas descritas en el trabajo. Estas nuevas versiones del algoritmo son presentadas como: DD-RANSAC, siglas del término en inglés ‘Density Driven RANSAC’. Los tres algoritmos derivados de esta investigación fueron medidos y comparados con el algoritmo base de RANSAC en términos de eficiencia y trabajo, con tres modelos diferentes; cada uno con diferente dimensionalidad. A partir de los resultados obtenidos, se concluye que la heurística de procesar primero las zonas con mayor densidad resulta efectiva en términos de eficiencia y trabajo del algoritmo, siempre y cuando los puntos tengan coherencia espacial. Point cloud registration is a central problem in computing, with applications from awide range of biometric identifiers to astronautics and medicine. RANSAC is essentially the only existing algorithm to match a point cloud to a specific model. This work proposes different modifications to the RANSAC algorithm, based on the following hypothesis: Inlier points model has higher relative density than the usually more dispersed outliers. The above work hypothesis translates to three algorithmic proposals described herein. We present these new versions of RANSAC as ’Density Driven RANSAC’ or DD-RANSAC. We compared three algorithms derived from this thesis with the base RANSAC algorithm for efficiency and performance, testing three different models, each with different dimensionality. From the results of the experiments, we conclude our heuristic, i.e., processing first areas with the highest density, is effective in terms of efficiency and performance if the points have spatial coherence. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|