Как сходство ROI устраняет шум облака точек: новый стандарт для обнаружения изменений

Обнаружение изменений по лазерным облакам точек долгое время сталкивалось с серьезными проблемами из-за пространственных и структурных неопределенностей. Ошибки остаточной регистрации, неравномерная плотность точек, смещение точки обзора и окклюзия объектов часто приводили к ложным срабатываниям. Это делало точный мониторинг крайне сложной задачей. В ответ на эти вызовы исследователи разработали новый метод обнаружения изменений в 3D-облаках точек на уровне области интереса (ROI). Метод основан на сходстве ключевых точек.

Предложенный подход начинается с фильтрации потенциальных точек изменений с помощью расстояний между точками. Затем области интереса формируются с помощью кластеризации RBNN. Этот шаг превращает сравнение всего глобального облака точек в локальное сравнение единиц ROI. Внутри этих областей извлекаются ключевые точки для реконструкции поверхности. Это позволяет выявить эффективные перекрывающиеся зоны между парами ROI. Региональное сходство строится путем объединения согласованности нормалей поверхности и динамических эволюционных характеристик сложных сетей для распознавания изменений.

Эксперименты на смоделированных данных шахтных туннелей и полевых измерениях подземных гаражей подтвердили эффективность метода. В условиях непредвиденных фоновых возмущений, таких как остаточные ошибки регистрации, окклюзия и неравномерная плотность точек, предложенный метод показал лучший показатель F1 равный 0,9004 для сценария туннеля по сравнению с конкурирующими подходами. Он эффективно подавляет ложные тревоги, не снижая полноту обнаружения для реальных изменяющихся регионов.

Это достижение особенно важно для отраслей, зависящих от точного 3D-сканирования, таких как горнодобывающая промышленность, строительство и автономная навигация. Фокус на локальных сходствах вместо глобальных сравнений снижает уровень шума и повышает точность. Решение предлагает надежный инструмент для реальных приложений, где условия окружающей среды часто непредсказуемы.