Cómo la similitud de ROI resuelve el ruido en nubes de puntos: un nuevo estándar para la detección de cambios

La detección de cambios en nubes de puntos láser ha enfrentado obstáculos persistentes debido a incertidumbres espaciales y estructurales. Los errores residuales de registro, la densidad desigual de puntos, los cambios de punto de vista y la oclusión de objetos generan frecuentemente falsas alarmas. Esto dificulta el monitoreo preciso. Para abordar estos desafíos, los investigadores han desarrollado un método novedoso de detección de cambios en nubes de puntos 3D a nivel de Región de Interés (ROI). Este enfoque se basa en la similitud de puntos clave.

El método propuesto comienza filtrando los posibles puntos de cambio mediante distancias punto a punto. Luego, genera las Regiones de Interés a través de clústeres RBNN. Este proceso convierte la comparación global de la nube de puntos en una comparación local entre unidades ROI. Se extraen los puntos clave dentro de estas regiones para reconstruir la superficie. Esto permite identificar las áreas de superposición efectivas entre pares de ROIs. La similitud regional se construye fusionando la consistencia de las normales superficiales con características de evolución dinámica de redes complejas para discriminar los cambios.

Los experimentos realizados con datos simulados de túneles mineros y datos de garajes subterráneos medidos en campo demuestran la eficacia del método. Bajo perturbaciones de fondo invisibles, como errores residuales de registro, oclusión y densidad desigual de puntos, el método alcanzó la puntuación F1 más alta de 0.9004 en el escenario de túnel simulado en comparación con métodos competidores. Suprime eficazmente las falsas alarmas sin degradar el recall de detección en las regiones reales de cambio.

Este avance es particularmente significativo para industrias que dependen de escaneos 3D precisos, como minería, construcción y navegación autónoma. Al centrarse en similitudes locales en lugar de comparaciones globales, el método reduce el ruido y mejora la precisión. Ofrece una solución robusta para aplicaciones del mundo real donde las condiciones ambientales suelen ser impredecibles.