Choonsikmom

춘식이와 떠나는 개발여행

학습 로드맵의 두 번째 축, 3D 데이터 표현의 시작. 센서가 뱉는 가장 원초적인 형태인 point cloud를 다듬는 기법을 본다.

1. point cloud란

point cloud는 3D 점 \(\{p_i = (x_i, y_i, z_i)\}\) 의 집합이다. 깊이 카메라·LiDAR·스테레오·triangulation·SfM·MVS의 직접 출력이라 센서에 가장 가깝다.

  • 장점: 표현이 단순하고 센서 출력 그대로
  • 단점: 표면·연결 정보가 없다. 점 사이가 비어 있고, 노이즈·밀도 편차가 크다

그래서 이후 처리(정합·mesh화·인식) 전에 정제(filtering)가 필요하다.

2. 노이즈 제거 (outlier 제거)

센서 오차·반사로 생긴 동떨어진 점(outlier)을 걷어낸다. 두 가지 대표 방식이 있다.

  • Statistical Outlier Removal: 각 점에서 k개 최근접 이웃까지의 평균 거리를 구하고, 전체 분포에서 평균 + \(\alpha\sigma\) 를 넘는 점을 제거한다. 주변보다 유독 먼 점이 걸린다
  • Radius Outlier Removal: 반경 \(r\) 안의 이웃 개수가 임계값보다 적으면 제거한다. 고립된 점을 직접 걸러낸다

원본의 밀집 point cloud와 outlier를 제거하고, voxel 격자로 downsampling해 균일·경량화하는 과정

3. downsampling

점이 너무 많으면 느리고 밀도가 불균일하다. downsampling으로 점 수를 줄이면서 형상을 보존한다.

  • Voxel Grid downsampling: 공간을 한 변 \(v\) 의 격자로 나누고, 각 voxel 안의 점들을 대표점 하나(무게중심)로 대체한다. 밀도가 균일해지고 점 수가 크게 준다
  • Uniform downsampling: 일정 간격으로 점을 골라낸다(단순·빠름)
  • 파라미터 트레이드오프: voxel 크기 \(v\) 가 크면 가볍지만 디테일이 뭉개지고, 작으면 디테일은 살지만 무겁다

4. 전형적 전처리 파이프라인

원본 point cloud
  → outlier 제거 (통계적 / 반경)
  → voxel downsample (균일·경량화)
  → (필요 시) 법선 추정
  → 정합 · mesh화 · 인식 단계로

법선(normal) 추정을 함께 해 두면 이후 surface reconstruction과 point-to-plane 정합에 쓰인다.

정리 & 다음 글

단계 목적 대표 기법
outlier 제거 노이즈 점 제거 통계적 / 반경 기반
downsampling 균일화·경량화 voxel 그리드
법선 추정 표면 정보 확보 이웃 평면 적합

참고