Plane Detection in Point Cloud Data

Plane Detection in Point Cloud Data

使用RANSAC + MDL

1.1、 Interpreting a Set of Points in a Plane

通过一个简单的例子介绍最小描述长度(MDL)编码的原理:
设平面内n0个点(xi, yi)如图1.1所。这个图表明$n_0=14$个点中$n=9$点大约位于一条直线上，而另一个$\overline{n}=n_0-n=5$个点则不属于这条直线。

图1.2显示了另一种不同的模式，我们不确定图中间的5个点属于一条直线，还是应该将图看作是由14个随机分布的点或者是3条垂直的近乎直线组成的。

我们想要推导描述长度的位，当没有模型，只有离群值，假设的情况下，当数据基本上假设是由点组成，位于一条直线上，允许一些离群值。

1. 让坐标的分辨率为(1像素)和在R范围内(如256像素);
2. 然后通过$lb(R/ϵ)$位来描述一个坐标，这里$lb(\cdot )=log2(\cdot )$;
3. 因此，当假设异常值$(O)$时，$n_0$个点的描述长度为:
   
   因此，在256·256像素图像或图1.1中224位的图中没有点的情况下，$2\cdot n_0\cdot 8=16n_0$。

如果我们现在假设n个点位于一条直线上，而另一个$\overline{n}=n_0-n$个点是异常值$(1L+O)$，我们需要

• 第一项表示用于指定一个点是好还是坏的$n_0$位，
• 第二项是描述坏点的比特数，
• 第三项是描述优点点的比特数，
• 最后一项是描述直线的2个参数，是描述模型复杂度的比特数，是(Rissanen, 1978)的变体。

我们假设好的点随机位于的直线上，也就公式中$n\ast lb(R/ϵ)$，并从这条线得到高斯分布的导数$v_i$，其标准导数为$\sigma$。
其中
当$\mu$和${\sigma }^2$四舍五入取$ϵ$的倍数,是描述变量x必须的。

在图1.1的例子中，当假设有异常值的直线时,$n=9$，$\overline{n}=5$，我们平均需要209，对点集进行编码。它小于224位，因此支持了这个解释。
对于图1.2，我们需要229位>224，假设5个点在一条直线上，这假设显然不成立。

1.2、Interpreting a Set of Points in 3D Space

在本节中，推导三维空间中解译点的描述长度。
给定一组点，我们假设几个相互竞争的假设，即离群点$(O)$、1个平面和离群点$(1P+O)$、2个平面和离群点$(2P+O)$、3个平面和离群点$(3P+O)$等。
设$n_0$个点$(x_i,y_i,z_i)$在三维坐标中给出坐标的分辨率为$ϵ$，在R范围内。当假设离群值$(O)$时，对$n_0$个点的描述长度为:
其中$lb(R/ϵ)$位描述一个坐标所必须的
如果我们现在假设一个平面上有n个点，而另一个$\overline{n}=n_0-n$个点是离群值，我们需要:

• 第一项表示用于指定一个点是好还是坏的$n_0$位，
• 第二项是描述坏点的比特数
• 第三项是描述平面3个参数的比特数，是描述模型复杂度的比特数
• 假设好的点随机分布在平面上,也就是公式中第四项产生的原因，并且服从高斯分布$N(\mu ，\Sigma )$。
• 括号内是描述服从高斯分布的变量x的必须项
• 其中$x=(x_1，\cdot \cdot \cdot ，x_k)$，则能算出$\mu$和$\Sigma$，四舍五入取$ϵ$倍数。

1.3、Plane Detection Algorithm

点云被划分为小的矩形块，以确保在一个块中最多有三个平面。

• $ϵ$ 为每次选取点为局外点的概率
• $pts2plane$从三个选定的点计算平面参数
• $dist2plane$计算点集到给定平面之间的有符号距离
  应用RANSAC提取每个块中的平面,MDL原理用于确定每个块中有多少个平面。最终，每个区块有0到3个平面。
  进一步，我们可以应用区域增长来合并一定局部范围内的相邻平面。然后提取几何特征来解释人造物体