| Summary: | Submitted by Luciana Ferreira (lucgeral@gmail.com) on 2016-08-18T11:09:56Z
No. of bitstreams: 2
Dissertação - Gilberto Antônio Marcon dos Santos - 2016.pdf: 15378242 bytes, checksum: d10f5df08686b55ad63c406e648a2b8e (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) === Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2016-08-18T11:12:10Z (GMT) No. of bitstreams: 2
Dissertação - Gilberto Antônio Marcon dos Santos - 2016.pdf: 15378242 bytes, checksum: d10f5df08686b55ad63c406e648a2b8e (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) === Made available in DSpace on 2016-08-18T11:12:10Z (GMT). No. of bitstreams: 2
Dissertação - Gilberto Antônio Marcon dos Santos - 2016.pdf: 15378242 bytes, checksum: d10f5df08686b55ad63c406e648a2b8e (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
Previous issue date: 2016-08-12 === Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES === Depth sensing methods yield point clouds that represent neighboring surfaces. Interpreting
and extracting information from point clouds is an established field, full of yet unsolved
challenges. Classic image processing algorithms are not applicable or must be adapted
because the organized structure of 2D images is not available. This work presents three
contribution to the field of point cloud processing and segmentation. These contributions
are the results of investigations carried out at the Laboratory for Education and Innovation
in Automation – LEIA, aiming to advance the knowledges related to applying spacial
sensing to autonomous robotics. The first contribution consists of a new algorithm, based
on evolutionary methods, for extracting planes from point clouds. Based on the method
proposed by Bazargani, Mateus e Loja (2015), this contribution consists of adopting
evolutionary strategies in place of genetic algorithms making the process less sensitive to
user-defined parameters. The second contribution is a method for segmenting ground and
obstacles from point clouds for autonomous navigation, that utilizes the proposed plane
extraction algorithm. The use of a quadtree for adaptive area segmentation allows for
classifying points with high accuracy efficiently and with a time performance compatible
with low cost embedded devices. The third contribution is a variant of the proposed
segmentation method that is more noise tolerant and robust by incorporating a neural
classifier. The use of a neural classifier in place of simple thresholding makes the process
less sensitive to point cloud noise and faults, making it specially interesting for processing
point clouds obtained from real time stereo reconstruction methods. A through sensitivity,
accuracy, and efficiency analysis is presented for each algorithm. The dihedral angle
metric (angle between the detected plane and the reference polygons that share at least
one point) proposed by Bazargani, Mateus e Loja (2015) is used to quantify the plane
detection method accuracy. The ratio between the correctly classified points and the total
number of points is utilized as an accuracy metric for the ground segmentation methods.
Additionally, computing costs and execution times are considered and compared to the
main state-of-the-art methods. === Métodos de sensoriamento de profundidade produzem nuvens de pontos que representam
as superfícies vizinhas. Interpretar e extrair informações de nuvens de pontos é um campo
estabelecido e repleto de desafios ainda não superados. Algoritmos de processamento de
imagens clássicos não se aplicam ou têm de ser adaptados porque a estrutura organizada que
se poderia supor em imagens bidimensionais não se faz presente. Este trabalho apresenta
três contribuições ao campo de processamento e segmentação de nuvens de pontos. Tais
contribuições são resultados da investigação realizada no Laboratório para Educação e
Inovação em Automação – LEIA, com o fim de avançar os conhecimentos relacionados a
aplicações de sensoriamento espacial para robótica autônoma. A primeira contribuição
consiste de um novo algoritmo para extração de planos de nuvens de pontos, que se
baseia em métodos evolutivos. Partindo do método proposto por Bazargani, Mateus e
Loja (2015), esta contribuição consiste em utilizar estratégias evolucionárias no lugar
de algoritmos genéticos, de forma a tornar o processo menos sensível aos parâmetros
definidos pelo usuário. A segunda contribuição é um método para segmentação de piso
e obstáculos em nuvens de pontos para navegação autônoma, que utiliza o algoritmo
de extração de planos proposto. O uso de uma árvore quaternária para segmentação
adaptativa de área permite classificar os pontos com elevada taxa de acerto de forma
eficiente e com desempenho compatível com dispositivos embarcados de baixo custo. A
terceira contribuição é uma variação do método de segmentação proposto que se faz
mais robusta e tolerante a ruído através da agregação de um classificador neural. O uso
do classificador neural no lugar da limiarização simples torna o processo menos sensível
a ruídos e falhas nas nuvens de pontos, o tornando especialmente interessante para o
processamento de nuvens de pontos obtidas por métodos de reconstrução estéreo de tempo
real. Uma completa análise de sensibilidade, acurácia e eficiência é apresentada para cada
algoritmo. A métrica de ângulo diedral (ângulo entre os planos detectados e os polígonos
de referência que compartilham ao menos um ponto em comum) proposta por Bazargani,
Mateus e Loja (2015) é utilizada para quantificar a acurácia do método de detecção de
planos. A razão entre os pontos corretamente classificados e o número total de pontos é
utilizada como métrica de acurácia para os métodos de segmentação de piso. Também são
considerados os custos computacionais e o tempo de execução, comparados aos principais
métodos estado-da-arte.
|
|---|
