Молчанов А.В.
Восстановление поверхности 3D объектов, заданных неструктурированным облаком точек, с помощью нейросетевых алгоритмов
Последнее время технологии сбора и обработки пространственных данных стремительно входят в нашу жизнь. Одним из примеров такой технологии являются лазерные сканеры. Процесс сканирования и последующей обработки результатов измерений наиболее полно вобрал в себя последние достижения компьютерных технологий. Лазерный сканер с соответствующим профессиональным программным обеспечением, являются неотъемлемыми частями сложного программно-аппаратного комплекса. Суть самого процесса лазерного сканирования заключается в определении пространственных координат точек поверхности объекта – облако точек.
Дальнейшее восстановление цифрового представления поверхности 3D объектов по облаку точек является одной из основных задач при обработке данных поверхностного лазерного сканирования. Лазерное сканирование позволяет получить цифровое представление формы какого-либо реально существующего объекта. Сканировать можно выпускаемые на серийном производстве детали, что бы оценить степень точности их изготовления, или можно сканировать городской проспект для того, чтобы органично вписать в него новое здание. Данные получаемые после сканирования, неструктурированные облака точек, невозможно использовать для дальнейшего измерения и изучения цифровой информации, эти данные не являются самодостаточными. Что бы этого избежать, необходима дополнительная их обработка.
В моей работе предлагается алгоритм, основанный на модели самоорганизующейся нейронной сети – Growing neural gas (растущий нейронный газ) [1], позволяющий восстанавливать поверхности объектов по облаку точек. Поверхностью объекта будем называть неструктурированную триангуляционную сетку, адаптированную к заданному облаку точек. Перед построением поверхности алгоритм выделяет точки из облака с наиболее выраженной геометрической структурой. Они необходимы для дальнейшей детализации поверхности, отвечающей выбранным точкам. Алгоритм также позволяет производить постобработку поверхности, т.е. сглаживание отдельных участков не нарушая целостности и структуры объекта. Алгоритм не требует дополнительной информации о точках, а также может работать на зашумленных облаках точек и на облаках с малой плотностью.
___________________________
1. B. Fritzke A Growing Neural Gas learns topologies. In G. Tesauro, D.S.Turetzky, and T.K. Leen, editors, Advances in Neural Information Processing System 7, pages 625-632. MIT Press, Cambridge MA, 1995.
| Тезисы доклада: | abstracts_175192_ru.pdf |
К списку докладов
