2D 포인트 클라우드에서 원 (엘리 프) 감지


14

즉 점 (2D)의 집합을 감안할 때, 포인트 클라우드 (PC)는 질문이에 관한 것입니다 robust, accuratecomputing-friendly방법 (고급 버전 또는 타원) 원을 찾을 수 있습니다.

직관적 인 아이디어는 가능한 모든 지점 (중심) {infinite!} 및 radii (다시 무한대)에서 Brute-Force Search를 사용하는 것입니다. 이것은 매우 느리고 비효율적입니다.

아래에 나와있는 것처럼 각 적합 원은 nn임계 값 ( t) 보다 짧은 거리에서 원주에 위치한 포인트 수 ( ) 를 기준으로 순위가 매겨 집니다 . 따라서 derr평균 거리를 제시해야합니다.

고급 형태의 타원이 적합합니다.

아이디어, 브레인 스토밍, 경험, 의견이 있습니까? 여기에 이미지 설명을 입력하십시오


좋은 질문. 해당 다이어그램을 생성하기 위해 어떤 프로그램을 사용 했습니까?
Jason R

@JasonR 언제나처럼 Python + MatPlotLib .
개발자

답변:


14

이 문제 를 정확하게 해결 하는 가장 좋은 아이디어 는 Hough Transform 입니다.

기본적으로 허프 공간의 신호는 r, x, y좌표가됩니다. 여기는 r 반경을 x,y나타내며 중심을 나타냅니다. 모든 포인트는 하나 이상의 원에 속할 수 있습니다. 에 따라서 호우면 이 점에 속하는 단지 일을 할 수있는 가능한 모든 원을 통해 이동합니다. 이것은 검색이 아니라 컬렉션입니다.

이제 실제 원이 존재하면 많은 점수가 추가되고 그러한 점수는 r, x, y다른 모든 점수 보다 훨씬 높습니다. 그러한 점을 선택하면 올바른 원을 선택할 수 있습니다.

여기에 1971 년 (태어나 기 전에)이 개념을 발명 한 고전적인 종이가 있습니다.

  1. 그림에서 선과 곡선을 감지하기 위해 충분한 궤적 사용 작성자 : Richard O. Duda, Peter E. Hart Tech는 1971 년 4 월 인공 지능 센터를보고합니다.

튜토리얼의 경우 아래 참조를 제안합니다.

  1. HIPR2-링크
  2. 아모스 스토 키
  3. IDL 참조

특히 원 감지의 경우 아래를 참조하십시오.

  1. AI 판잣집
  2. 시카고 대학 기술 보고서
  3. 로체스터 인스티튜트의 강의 노트

이러한 방법은 매우 효율적이며 컴퓨터 친화적입니다.


1
AI Shack 기사를 보증 할 수 있습니다. 다른 곳에서 읽을 수있는보다 엄격한 수학을 실제로 도와줍니다.
Ivo Flipse 2012

1
좋은 대답입니다. 이미 Hough Transform (HT)에 익숙합니다. 내가 사용한 것은 선 감지였습니다. 선분을 결정하는 데 약간의 어려움이있었습니다. PHT (Probabilistic Hough Transform)를 사용하는 것이 좋습니다. 확장에 대한 명확한 아이디어를 얻지 못했습니다. 나는 서클에 너무 복잡하거나 다른 어려움으로 보일 수 있다고 생각했습니다. 내 경험에 관해 HT는 훌륭하지만 완벽하지는 않습니다. 또한 HT를 3D로 확장하는 방법에 대한 우려입니다. 제공된 링크를 검토하겠습니다. 귀하의 답변은 답변의 후보가되기에 상당히 좋습니다.
개발자

AI Shack 및 Chicaco 링크의 기술 보고서가 종료되었습니다.
Mehdi
당사 사이트를 사용함과 동시에 당사의 쿠키 정책개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.