Comment la similarité ROI résout le bruit des nuages de points : une nouvelle norme pour la détection de changement

La détection de changements dans les nuages de points laser fait face à des obstacles persistants dus aux incertitudes spatiales et structurelles. Les erreurs résiduelles d'enregistrement, la densité inégale des points, les variations de point de vue et l'occlusion des objets entraînent souvent de faux positifs. Cela rend la surveillance précise difficile. Pour répondre à ces défis, les chercheurs ont développé une méthode novatrice de détection de changements basée sur la similarité des points clés au niveau de la Région d'Intérêt (ROI).

La méthode proposée commence par filtrer les points de changement potentiels en utilisant les distances entre points. Les Régions d'Intérêt sont ensuite générées grâce au clustering RBNN. Cette approche transforme la comparaison globale du nuage de points en une comparaison locale entre les unités ROI. Les points clés extraits de ces ROIs permettent la reconstruction de surface. Elle identifie ainsi les zones de chevauchement efficaces entre les paires de ROIs. La similarité régionale est construite en fusionnant la cohérence des normales de surface et les caractéristiques d'évolution dynamique des réseaux complexes pour discriminer les changements.

Des expériences menées sur des données simulées de tunnels miniers et des données de mesure sur site de garages souterrains montrent l'efficacité de la méthode. Dans des scénarios perturbés par des bruits de fond invisibles, incluant les erreurs résiduelles d'enregistrement, l'occlusion et la densité inégale des points, la méthode proposée a obtenu le meilleur score F1 de 0,9004 pour le scénario de tunnel simulé par rapport aux méthodes concurrentes. Elle supprime efficacement les faux positifs sans dégrader le rappel de détection pour les régions réellement modifiées.

Cette avancée est particulièrement significative pour les industries qui dépendent d'un scan 3D précis, comme l'extraction minière, la construction et la navigation autonome. En se concentrant sur les similarités locales plutôt que sur les comparaisons globales, la méthode réduit le bruit et améliore la précision. Elle offre une solution robuste pour les applications réelles où les conditions environnementales sont souvent imprévisibles.