Global registration of range scans with match tolerance verification

Abstract

Bei der Registrierung von Oberflächen handelt es sich um den Prozess, Punktkorrespondenzen zwischen multiplen Oberflächen zu finden und eine ausrichtende Transformation zu schätzen. Diese Transformation soll dann die beiden Oberflächen so aufeinander ausrichten, dass sie sich so gut wie möglich überlappen. Es existieren einige Ansätze, die hervorstechende Punkte identifizieren und einen lokalen Deskriptor bauen, der die lokale Nachbarschaft der identifizierten Punkte beschreibt. Korrespondenzen werden gefunden, indem die Deskriptoren der jeweiligen Punkte miteinander verglichen werden. Die globale Registierung, mit der sich die vorliegende Arbeit beschäftigt, zielt allerdings darauf ab Oberflächen auszurichten und dabei Wissen über den gesamten Überlappungsbereich einzusetzen. Durch das Erscheinen von Endverbraucher-Tiefenscannern wie der Microsoft Kinect wurde die Forschung über Registrierung von Tiefenscans weiter vorangetrieben. Ein Objekt kann von mehreren Perspektiven gescannt werden und die Teilscans können dann aufeinander registriert werden und ein vollständiges virtuelles Objekt rekonstruiert werden. Ein anderer Anwendungsfall wäre im Bereich der Augmented Reality oder in der Robotik, wo Tiefenscans der Lokalisierung der Kamera in einer Referenzszene dienen. Über Oberflächenregistrierung, lokal als auch global, existiert viel Material in der Literatur. Im Rahmen dieser Arbeit wird ein Algorithmus zur Registrierung von Tiefenscans vorgeschlagen der, anders als die von uns in der Literatur gefundenen Ansätze, eine ausrichtende Transformation nur dann extrahiert, wenn diese innerhalb eines Toleranzbereichs existiert. Ähnlich zu vielen Ansätzen identifizieren wir dazu zuerst hervorstechende Feature-Punkte auf der Oberfläche und erstellen einen globalen Deskriptor, der das räumliche Verhältnis der Punkte zueinander abbildet. Wir bauen ein Toleranzmodell für die Akzeptanz von ausrichtenden Transformationen, das auf dem Fehlermodell des verwendeten Scanners aufbaut. Wir haben unseren Algorithmus an Tiefenscans unterschiedlicher Objekte angewendet und seine Fähigkeit zur Registrierung evaluiert. Weiters haben wir Tiefenscans, die mit der Microsoft Kinect v2 aufgenommen wurden, mittels unseres Algorithmus registriert und dessen Anwendbarkeit untersucht. Des Weiteren haben wir unseren Ansatz mit einem state-of-the-art Algorithmus verglichen um zu sehen, ob er entscheiden kann ob eine ausrichtende Transformation existiert oder nicht.

Surface registration is the process of identifying correspondences between points on multiple surfaces and estimating an aligning transformation of one surface to the other so that corresponding surface patches overlap. Several approaches exist that identify salient points on the surface and extract a local descriptor of the neighborhood of those points. Correspondences are then found by comparing the descriptors. Global registration, however, aims at aligning surfaces using knowledge over the whole area of overlap. Registration of range scans has seen a lot of research since the advent of commodity range scanners like the Microsoft Kinect. An object can be captured from multiple perspectives and the scans can be registered to reconstruct the whole virtual object. Another usage can be found in the fields of augmented reality or robotics, where range scans are used to locate the camera within a reference scene. A lot of work has been conducted on surface registration, both local and global. We propose an algorithm for registration of range scans that, other than what we found in the literature, provides an aligning transformation only if such a transformation exists within a certain tolerance. Similar to many approaches, we first identify salient feature points on the surface and build a global descriptor that incorporates the spatial relation between feature points. Using the error model of the capture device, we build a tolerance model for acceptable aligning transformations. We applied our algorithm to range scans of objects of different types and evaluated its registration capabilities. Additionally, we registered range scans made with the Microsoft Kinect v2 using our algorithm and evaluated its applicability. Furthermore, we compared our approach to a state-of-the-art algorithm in global registration to see whether it is able to decide on whether an aligning transformation exists.