Loading…
Object shape estimation from point clouds using mesh-based and volumetric-based shape priors
Krenzin, Jens
This thesis presents and evaluates two novel methods for the object shape estimation from point clouds. Both methods use prior knowledge of the expected object shape.
In the first part of this thesis a novel robust mesh-based shape estimation method is presented. The estimation method uses the prior knowledge from a statistical shape model. The statistical shape model is used to define a similarity error. This similarity error is used to stabilize the estimation procedure. Different functions for a similarity error are evaluated and it is shown that a quadratic similarity error function achieved the lowest error in dependency of the noise in the point cloud. It is shown that the implemented method achieves more accurate results for noisy point clouds than other reconstruction methods like the Poisson, SSD and Wavelet reconstruction. It is shown that the implemented method achieves a smaller reconstruction error for incomplete point clouds than other reconstruction methods like the Poisson, SSD and Wavelet reconstruction. It is evaluated how the weight of the similarity error influences the achieved accuracy. It is shown how a point cloud uncertainty value can be computed to set the weight of the similarity error. In addition the runtime behaviour, the influence of the number of used shapes, the influence of the object pose error and the estimation for missing areas in point clouds is evaluated.
In the second part of this thesis a novel volumetric-based shape estimation method is presented. The estimation method uses the prior knowledge from a Gaussian process latent variable model. The latent space of the Gaussian process latent variable model is used for the optimization. Two different similarity errors are introduced to stabilize the estimation procedure. It is shown how the similarity errors can reduce possible distortions on the estimated object surface. It is evaluated how the number of DCT coefficients and the size of the latent space influence the estimated shape. It is demonstrated how different artifacts can occur on the object surface during the interpolation between multiple shapes. It is also shown how these artifacts can be reduced. In addition different failure cases during the interpolation between multiple shapes are evaluated. It is shown how the estimated shape can be used to increase the accuracy and completeness of the measured point cloud. In addition the runtime behaviour is evaluated.
Diese Arbeit präsentiert und evaluiert zwei neue Methoden zur Schätzung von Formen aus Punktwolken. Beide Methoden nutzen Vorwissen über die erwartete Objektform.
Im ersten Teil der Arbeit wird eine neue robuste mesh-basierte Schätzungsmethode präsentiert. Die Schätzungsmethode nutzt das Vorwissen von einem Statistical Shape Model. Das Statistical Shape Model wird verwendet, um einen Ähnlichkeitsfehler zu definieren, mit dem der Schätzungsprozess stabilisiert wird. Mehrere Ähnlichkeitsfehlerfunktionen werden evaluiert und es wird gezeigt, dass eine quadratische Ähnlichkeitsfehlerfunktion den geringesten Fehler in Abhängigkeit des Rauschens in der Punktwolke aufweist. Die Methode erreicht genauere Resultate für verrauschte Punktwolken, als die Poisson, SSD und Wavelet Rekonstruktion. Weiterhin erreicht die Methode einen geringeren Rekonstruktionsfehler für unvollständige Punktwolken, als die Poisson, SSD und Wavelet Rekonstruktion. Es wird evaluiert, wie das Gewicht des Ähnlichkeitsfehlers die erreichbare Genauigkeit beeinflusst. Weiterhin wird gezeigt, wie ein Unsicherheitswert für eine Punktwolke berechnet werden kann, um das Gewicht des Ähnlichkeitsfehlers zu setzen. Zusätzlich wird das Laufzeitverhalten, der Einfluss von der Anzahl der Formen, der Einfluss des Posenfehlers und die Schätzung für fehlende Bereiche in der Punktwolke evaluiert.
Im zweiten Teil der Arbeit wird eine neue volumetrisch-basierte Schätzungsmethode präsentiert. Die Schätzungsmethode nutzt das Vorwissen von einem Gaussian Process Latent Variable Model. Der latente Raum des Gaussian Process Latent Variable Models wird für die Optimierung genutzt. Zwei verschiedene Ähnlichkeitsfehler werden eingeführt, um den Schätzungsprozess zu stabilisieren. Es wird gezeigt, wie die Ähnlichkeitsfehler mögliche Verzerrungen auf der geschätzten Oberfläche reduzieren. Weiterhin wird evaluiert, wie die Anzahl der DCT Koeffizienten und die Größe des latenten Raumes die geschätzte Form beeinflussen. Es wird gezeigt, wie verschiedene Artefakte auf der Objektoberfläche während der Interpolation zwischen Formen auftreten können. Dabei wird gezeigt, wie diese Artefakte reduziert werden können. Zusätzlich werden mehrere verschiedene Fehlerfälle während der Interpolation zwischen Formen evaluiert. Weiterhin wird gezeigt, wie die geschätzte Form verwendet werden kann, um die Genauigkeit und Vollständigkeit der gemessenen Punktwolke zu verbessern. Zusätzlich wird das Laufzeitverhalten evaluiert.
