3차원 등록을 위한 빠른 점 특징 히스토그램(FPFH)

최근 연구[1], [2]에서 우리는 3D 포인트 클라우드 데이터셋에서 점 p 주변의 국소 기하 구조를 기술하는 강건한 다차원 특징으로 Point Feature Histograms(PFH)를 제안하였다. 본 논문에서는 PFH의 수학적 표현을 수정하고, 겹치는 포인트 클라우드 뷰에 대한 3D 정합 문제에서 그 강건성과 복잡도에 대해 철저한 분석을 수행한다. 구체적으로, 이전에 계산된 값을 캐싱하거나 이론적 공식을 재정립함으로써 계산 시간을 크게 단축할 수 있는 여러 최적화 기법을 제시한다. 특히 후자의 접근은 PFH의 대부분의 구분 능력을 유지하면서도 계산 속도가 훨씬 빠른 새로운 유형의 국소 특징, 즉 Fast Point Feature Histograms(FPFH)를 도출한다. 또한 실시간 응용을 위한 FPFH 특징의 온라인 계산을 가능하게 하는 알고리즘을 제안한다. 제안된 방법의 유효성을 검증하기 위해 3D 정합에서의 효율성을 실험적으로 입증하고, 국소 비선형 최적화기의 수렴 영역으로 두 데이터셋을 유도하는 데 사용할 수 있는 새로운 샘플 컨센서스 기반 방법, 즉 SAC-IA(SAmple Consensus Initial Alignment)를 제안한다.