Sistema de classificação e compressão para nuvens de pontos geradas por sensores LIDAR

Abstract

As mídias imersivas buscam representar a realidade em modelos 3D digitais. Por sua vez, as nuvens de pontos (Point Clouds – PC) são parte desse conjunto capaz de digitalizar estruturas, objetos e regiões. Uma PC é composta pelo conjunto de pontos que descreve a cena ou objeto e cada ponto possui uma coordenada no plano cartesiano (x,y,z) além de algumas informações adicionais como reflectância, iluminância ou camadas de cores. Essa mídia é utilizada em sistemas da atualidade nas mais diversas áreas. Algumas delas são: direção autônoma, realidade aumentada, robótica, arquitetura, vendas, planejamento, gerenciamento, saúde e educação. Entretanto, nuvens possuem na maior parte dos cenários um alto volume de dados, o que dificulta a sua utilização. Esse volume impacta as etapas de processamento, armazenamento e transmissão das nuvens de pontos. Além disso, outro problema enfrentado ao lidar com nuvens de pontos é o formato não linear. Ele interfere principalmente nas técnicas de aprendizado profundo que buscam extrair informações da nuvem, como por exemplo modelos de segmentação semântica e classificação de objetos. Nesse contexto, o presente estudo tem como objetivo desenvolver e analisar um sistema de compressão e classificação de nuvens de pontos geradas por sensores LIDAR. A quantização vetorial é o método de compressão adotado para o sistema. Já o modelo de classificação de objetos foi customizado a partir de camadas de convolução baseadas no modelo PointNet++ e PPFNet. O algoritmo de quantização vetorial obtido é capaz de alcançar altas taxas de compressão enquanto mantém a qualidade das nuvens de pontos ao serem reconstruídas. Uma arquitetura central e sete diferentes modelos de classificação foram criados. Todos eles possuem acurácia acima de 84,23%. Ademais, os algoritmos de compressão e classificação podem ser executados em conjunto e em qualquer sequência de execução necessária. Por fim, o sistema foi avaliado de modo qualitativo perante diferentes cenários e quantitativamente em função da qualidade de reconstrução e acurácia dos modelos.