Como a Similaridade de ROI Resolve o Ruído em Nuvens de Pontos: Um Novo Padrão para Detecção de Mudanças

A detecção de mudanças em nuvens de pontos a laser sempre enfrentou obstáculos persistentes devido às incertezas espaciais e estruturais. Erros residuais no registro, densidade irregular de pontos, mudanças de ponto de vista e oclusão de objetos frequentemente geram falsos alarmes. Isso torna o monitoramento preciso muito difícil. Para resolver esses problemas, pesquisadores desenvolveram um novo método de detecção de mudanças em nuvens de pontos 3D baseado na similaridade de keypoints em nível de Região de Interesse (ROI).

O método proposto começa filtrando possíveis pontos de mudança usando distâncias entre pontos. As Regiões de Interesse são então geradas por meio de agrupamento RBNN. Essa etapa converte a comparação global da nuvem de pontos em uma comparação local entre unidades de ROI. Os keypoints dentro dessas ROIs são extraídos para reconstrução superficial. Isso permite identificar as regiões de sobreposição efetiva entre pares de ROIs. A similaridade regional é construída ao fundir a consistência das normais superficiais com características de evolução dinâmica de redes complexas para discriminar mudanças.

Experimentos realizados com dados simulados de túneis de mineração e dados reais de garagens subterrâneas demonstraram a eficácia do método. Sob perturbações de fundo não vistas anteriormente, incluindo erro residual de registro, oclusão e densidade irregular de pontos, o método alcançou a maior pontuação F1 de 0,9004 no cenário de túnel simulado, superando métodos concorrentes. Ele suprime eficazmente os falsos alarmes sem reduzir a taxa de detecção nas regiões que realmente mudaram.

Este avanço é especialmente significativo para indústrias que dependem de varredura 3D precisa, como mineração, construção e navegação autônoma. Ao focar nas similaridades locais em vez de comparações globais, o método reduz o ruído e melhora a precisão. Ele oferece uma solução robusta para aplicações reais, onde as condições ambientais costumam ser imprevisíveis.