특징 찾기 (50%)
특징이란 각 포인트들이 가진 고유 성질로 각 포인트들을 구분 할때 사용 됩니다.
2D 이미지 분석을 다루어 보신 분이라면 특징점(Keypoint/Feature)와 특징 기술자(Feature descriptor)라는 용어에 대하여 아실것입니다.
특징점이란 그림의 특징을 잘 나타내줄 수 있는 부분을 의미 합니다. 대표적으로 다각형의 꼭지점(corner)'이나 '선분의 끝점가 있습니다. 특징점은 물체 탐지, 물체 추적, 물체 매칭등에 사용됩니다. 특징점 추출을 위해서 Harris, SIFT, FAST 알고리즘들 있습니다.
특징 기술자는 특징점의 지역적 특성을 설명합니다. 따라서 특징점간 비교가 가능해 집니다. 대표적인 특징 기술자는 SIFT, HOG 등이 있습니다.
3D 포인트 클라우드 분석시에도 이러한 특징(Feature)정보들을 활용 합니다. 다음 챕터에서 다룰 분류문제 해결을 위해서는 필수적입니다.
자세한 내용은 [이곳]에 잘 기술 되어 있습니다.
1. Normal Estimation
점군에서 구할수 있는 Feature중에 가장 간단한 Surface Normal에 대하여 살펴 보도록 하겠습니다. 먼저 Normal은 삼차원 공간에서는 공간에 있는 평면 위의 한 점을 지나면서 그 평면에 수직인 직선을 의미합니다. Normal은 크게 꼭지점 법(Vertex Normals)과 평면 법선(Face/surface Normals)로 나누어 집니다. 여기서는 평면 법선만을 다루고 있으며, 줄여서 Normal이라고 표기 하였습니다.
 |
 |
|---|---|
| Normal 종류 | 3D Surface Normal |
정의 : The normal of a plane is an unit vector that is perpendicular to it
Normal Estimation은 샘플링 된 값들로부터 방향 정보를 복원해 내는 작업을 의미 합니다. 여기서 중요한 것은 샘플링된 값들입니다. 한점의 보만으로는 법선 벡터를 구할수 없습니다. 그래서 구하려고 하는 대상 점의 이웃한 점들이 가지고 있는 값들을 이용하면 샘플링하기 전에 그 점을 포함하고 있던 면의 법선 벡터를 근사적으로 추정 할수 있다. 이렇게 대상점을 중심으로 한 국소적인 정보로 부터 구해 낸 법선 벡터를 추정 법선 벡터(estimated normal)라 합니다. PCL에서는 샘플링 방법으로 이전장에서 살펴본 Octree Search를 사용합니다.
Integral images도 normal estimation방법 중 하나입니다. 하지만 RGB-D센서등에서 얻은 organized clouds를 대상으로 하고 있어 여기서는 다루지 않습니다.