Please use this identifier to cite or link to this item: http://dx.doi.org/10.14279/depositonce-7471
Main Title: A regularized fusion based 3D reconstruction framework
Subtitle: analyses, methods and applications
Translated Title: Ein reguliertes Fusion-basiertes 3D-Rekonstruktions-Framework
Translated Subtitle: Analysen Methoden und Anwendungen
Author(s): Rajput, Muhammad Asif Ali
Advisor(s): Hellwich, Olaf
Referee(s): Hellwich, Olaf
Börner, Anko
Koch, Reinhard
Granting Institution: Technische Universität Berlin
Type: Doctoral Thesis
Language Code: en
Abstract: Recent developments in depth sensing technologies enabled mobile robots to perceive surroundings with high accuracy. Robotic applications, equipped with depth perception technology, enable the capability of autonomous navigation to self-driving cars, assist in critical surgical procedures, or reconstruct the 3D model of a potentially hazardous environment. There exists a variety of 3D sensors ranging from highly accurate laser-based range sensors to low-range active depth cameras; the selection of a 3D sensor, however, directly affects the capabilities of robotic applications to perceive surroundings. Unlike self-driving autonomous vehicles, which are equipped with high-cost LiDAR 3D sensors to ensure safety, mobile robots are usually equipped with low-cost active or passive depth sensors. This means that acquired depth information from low-cost 3D sensors is prone to accumulating estimation noise. In principal, existing 3D reconstruction frameworks employ multiple instances of erroneous depth samples in an incremental fashion to produce high-quality 3D models. In this thesis, the research objective is focused on reducing the effects of error-prone depth information by employing a proposed 3D reconstruction framework capable of reducing accumulated noise, using a regularizing 3D integration system. The underlying principal of existing state-of-the-art volumetric reconstruction techniques is unchanged since the introduction in 1996. The novelty of the proposed framework lies in the use of a prior smoothing constraint that represents, on a small-scale, that the surface of the perceived object is smooth. The application of this smoothing constraint on depth information, acquired from low-cost 3D sensors, can enhance the quality of 3D information without sacrificing fine details in surface geometry. Critical experimentation and empirical evaluation of the new reconstruction framework have shown a significant increase in accuracy and quality of reconstructed shapes compared to state-of-the-art methods. Furthermore, by quantitative assessments it has been observed that employing smoothing constraints to an incremental 3D fusion process accelerates the surface estimation process. Therefore, comparatively fewer depth samples are required to generate high-quality 3D surfaces. These properties of the proposed research link well with robotic applications which rely on somehow inaccurate (say, because low-cost) image sensors.
Der heutige Stand der Technik in der mobilen Robotik ermöglicht es, die Umgebung mit hoher 3D Genauigkeit abzutasten. Dies ist von Vorteil für viele Anwendungen in den Bereichen Autonomes fahren, Medizinische Operationen oder Inspektion von schwer zugänglichen Gebieten. Die Tiefensensoren lassen sich zwischen hoch-akkurate 3D Scanner und kostengünstige Tiefenkameras klassifizieren. Grundlegend ist das Ziel kostengünstige Tiefensensoren zu nutzen und inkrementell die Genauigkeit der über die Zeit aufgebauten 3D Modelle zu verbessern. Diese Arbeit untersucht die Reduzierung der Fehlereinflüsse durch fehlerhafte und ungenaue Tiefenmessungen. Der vorgestellte technische Ansatz ist in der Lage das Rauschen mit Hilfe von Regularisierung im 3D Raum stark zu verringern. Die Neuerung des Ansatzes liegt in der Integration des Vorwissens (engl. Prior) über die differentielle Glattheit von beobachteten Oberflächen. Die Arbeit demonstriert, dass mithilfe des Ansatzes die 3D Modellierungsgenauigkeit stark verbessert werden kann, ohne den Detailgrad der beobachteten Geometrien zu verlieren. Experimente und empirische Auswertungen haben gezeigt, dass mithilfe der vorgestellten Methode die erreichten Genauigkeiten sich stark von den bekannten Ansatzen hervorheben. Zusätzlich, führt die Anwendung des Ansatzes zur effizienteren Rekonstruktion der Geometrien. Im Vergleich zu existierenden Arbeiten, erfordert die Methode weniger Datenpunkte (geringere Bildauflösungen), um dennoch vergleichbare Genauigkeit zu erreichen. Der Mehrwert der Arbeit erstreckt sich auf alle robotischen Anwendungen, wo die Wahrnehmung und Rekonstruktion der Umweltgeometrien mit kostengünstigen Tiefensensoren erreicht werden soll.
URI: https://depositonce.tu-berlin.de//handle/11303/8320
http://dx.doi.org/10.14279/depositonce-7471
Exam Date: 24-Sep-2018
Issue Date: 2018
Date Available: 10-Oct-2018
DDC Class: 000 Informatik, Informationswissenschaft, allgemeine Werke
Subject(s): 3D reconstruction
3D fusion
regularized fusion
depth sensing
3D-Rekonstruktion
regularisierte Fusion
Tiefenmessung
License: https://creativecommons.org/licenses/by/4.0/
Appears in Collections:Inst. Technische Informatik und Mikroelektronik » Publications

Files in This Item:
File Description SizeFormat 
rajput_muhammad.pdf21.98 MBAdobe PDFThumbnail
View/Open


This item is licensed under a Creative Commons License Creative Commons