AN IMPROVED SEGMENTATION APPROACH FOR PLANAR SURFACES FROM UNSTRUCTURED 3D POINT CLOUDS

摘要

Die Erfassung von Objektmerkmalen gro?er, unstrukturierten Punktwolken mit unterschiedlich lokalen Dichten und bei verrauschten Punkten ist keine einfache Aufgabe, auch wenn nur eine ebene Oberfl?che extrahiert werden soll. Segmentierung ist der wichtigste Schritt bei der Merkmalsextraktion. In der Praxis nutzen die meisten Segmentierungsans?tze geometrische Information, um die 3D Punktwolke zu segmentieren. Die Merkmale umfassen üblicherweise die Lage jeden Punktes (X, Y und Z), die lokal bestimmte Oberfl?chennormale und Verbesserungen für angepasste Oberfl?chen: allerdings k?nnen diese Merkmale durch verrauschte Punkte beeinflusst werden, und damit auch die Ergebnisse der nachfolgenden Segmentierung. Daher k?nnen stark unstrukturierte und verrauschte Punktwolken zu schlechten Segmentierungen führen (übersegmentierung, Untersegmentierung oder sogar keiner Segmentierung). W?hrend der RANSAC (Random Sample Consensus) Algorithmus effektiv bei Rauschen und groben Fehlern arbeitet, hat er doch zwei signifikante Nachteile: seine Effizienz und die Ebene, die mit RANSAC delektiert wurde muss nicht unbedingt zu der gleichen Oberfl?che geh?ren, d.h. unechte Oberfl?chen k?nnen generiert werden. Dies ist vor allem im Fall von stufenweise ebenen Oberfl?chen wie hei Treppen gegeben. Die Innovation dieses Beitrages liegt in der Modifizierung des RANSAC Algorithmus, dem sogenannten Seq-NV-RANSAC. Dieser Algorithmus prüft, mit Hilfe eines intuitiven Schwellwertes, den Normalenvektor (NV) zwischen den existierenden Punktwolken und der Hypothese der RANSAC Ebene, die durch 3 zuf?llige Punkte festgelegt wird. Nach der Extraktion der ersten Ebene, wird dieser Prozess sequentiell (Seq) automatisch wiederholt, bis keine weiteren ebenen Oberfl?chen aus den verbliebenen Punkten bei den gegebene Schwellwert extrahiert werden k?nnen. Dies verhindert die Extraktion von virtuellen Oberfl?chen, ergibt eine Qualit?tsverbesserung der berechneten Attribute und erh?ht den Grad der Automation bei der Oberfl?chenextraktion. Damit wird die beste übereinstimmung für die vorliegenden Oberfl?chen erreicht.%The extraction of object features from massive unstructured point clouds with different local densities, especially in the presence of random noisy points, is not a trivial task even if that feature is a planar surface. Segmentation is the most important step in the feature extraction process. In practice, most segmentation approaches use geometrical information to segment the 3D point cloud. The features generally include the position of each point (X, Y and Z), locally estimated surface normals and residuals of best fitting surfaces; however, these features could be affected by noisy points and in consequence directly affect the segmentation results. Therefore, massive unstructured and noisy point clouds also lead to bad segmentation (over-segmentation, under-segmentation or no segmentation). While the RANSAC (random sample consensus) algorithm is effective in the presence of noise and outliers, it has two significant disadvantages, namely, its efficiency and the fact that the plane detected by RANSAC may not necessarily belong to the same object surface; that is, spurious surfaces may appear, especially in the case of parallel-gradual planar surfaces such as stairs. The innovative idea proposed in this paper is a modification for the RANSAC algorithm called Seq-NV-RANSAC. This algorithm checks the normal vector (NV) between the existing point clouds and the hypothesised RANSAC plane, which is created by three random points, under an intuitive threshold value. After extracting the first plane, this process is repeated sequentially (Seq) and automatically, until no planar surfaces can be extracted from the remaining points under the existing threshold value. This prevents the extraction of spurious surfaces, brings an improvement in quality to the computed attributes and increases the degree of automation of surface extraction. Thus the best fit is achieved for the real existing surfaces.