줘이리의 인생적기

RANSAC(Random Sample Consensus)는 점군 안에 원통이나 평면과 같은 특정 Model이 있다는 가정하에 해당 모델의 파라미터 추정 후 cloud point가 이 model에 속하는지 Random으로 point를 Sample하여 Consensus한지 테스트하는 방법이다 평면 모델을 사용하여 바닥 포인트들을 제거할 수 있다 모델과 파라미터가 맞으면 Inlier, 맞지 않으면 Outlier RANSAC은 Outlier가 많이 포함되어 있어도 높은 정확도를 보이나, 계산 부하가 크고 대상에 따른 thresholds를 설정해주어야 하며 하나의 데이터셋에 하나의 모델만 적용가능하다는 단점이 있다

LiDAR의 경우 먼지나 오류 등으로 인해 point가 생성 이러한 point들을 noise나 outlier라 하며, 제거하는 작업을 Noise filtering or Outlier removal라고 한다 고유 특징을 가지고 있어서 쉽게 제거 가능 1. StatisticalOutlierRemoval filter - 근접 point들과 평균거리 정보 계산 후 Gaussian distribution을 따른다는 가정하에 나머지 Noise 제거 2. Radius Outlier removal - 특정 포인트의 반경(지정 값) 내 지정된 포인트(지정 값) 이하일 때 Noise 제거

Voxel(Volume + Pixel)은 이미지를 구성하는 pixel을 3D로 확장한 것 단위는 사용자가 정의 가능 Voxelization은 point cloud를 voxel로 변환하는 작업이며, PCL에서 Voxel Grid Filter를 이용하여 Voxelization이 가능하다 Voxelization 1. Voxel크기(leaf_size)를 선택 2. Voxel 중심점에서 leaf size내에 있는 포인트 계산 3. 포인트들의 중심점을 계산하고 나머지 점 제거 Voxel 단위가 클수록 데이터 양 줄일 수 있으나 물체의 표현력은 줄어 듬.

Point Cloud는 센서(LiDAR, RGB-D)로 수집되는 데이터 이미지 데이터의 픽셀 위치 정보는 항상 양수, 왼쪽 위부터 기준점, 좌표값은 정수로 표현 포인트 클라우드의 위치 정보는 양수 or 음수, 센서의 위치가 기준점, 좌표값은 실수로 표현 앞뒤는 x좌표, 좌우는 y좌표, 위아래는 z좌표 PCL(Point Cloud Library)는 Point Cloud 처리 라이브러리 위와 같은 기능들을 제공한다 pointclouds.org/documentation/tutorials/# Introduction — Point Cloud Library 1.11.1-dev documentation Introduction The following links describe a set of basic PCL tut..