1 |
1
객체의 포인트 클라우드(point cloud) 데이터를 처리하는 방법에 있어서,상기 객체의 포인트 클라우드 데이터로부터, 기 설정된 개수의 샘플링 포인트를 추출하는 단계와,상기 샘플링 포인트 각각에 대하여, 기 학습된 형상 분할 모델을 적용하여, 각 샘플링 포인트가 상기 대상 객체의 복수의 형상 요소 중 어느 형상 요소로 분류되는지를 결정하는 단계와,각 샘플링 포인트가 분류되는 형상 요소를 맵핑하여 각각 기준 포인트로서 정의하는 단계와,상기 기준 포인트에 인접한 근접 포인트에 대하여, 상기 기준 포인트로부터의 거리 정보를 기초로, 각 근접 포인트가 어느 형상 요소로 분류되는지를 결정하는 단계를 포함하는포인트 클라우드 데이터를 처리하는 방법
|
2 |
2
제1항에 있어서,상기 각 근접 포인트가 어느 형상 요소로 분류되는지를 결정하는 단계는,상기 기준 포인트에 인접한 근접 포인트에 대하여, 상기 기준 포인트로부터의 거리 정보에 따른 확률적 분포에 대한 가중치를 확인하는 단계와, 상기 확인된 가중치를 반영하여, 각 근접 포인트가 어느 형상 요소로 분류되는지를 결정하는 단계를 포함하는포인트 클라우드 데이터 처리 방법
|
3 |
3
제2항에 있어서,상기 각 근접 포인트가 어느 형상 요소로 분류되는지를 결정하는 단계는,상기 기준 포인트와 적어도 두 개의 근접 포인트와의 거리 값을 각각 확인하는 단계와,상기 확인된 거리 값을 소정값에 대한 상대적 거리 정보로 변환하는 단계를 포함하는포인트 클라우드 데이터 처리 방법
|
4 |
4
제3항에 있어서,상기 소정값은, 상기 적어도 두 개의 근접 포인트 중에서, 상기 기준 포인트로부터 가장 먼 근접 포인트까지의 거리인포인트 클라우드 데이터 처리 방법
|
5 |
5
제3항에 있어서,상기 소정값은, 상기 기준 포인트와 적어도 두 개의 근접 포인트와의 평균 거리 값인포인트 클라우드 데이터 처리 방법
|
6 |
6
제3항에 있어서,상기 각 근접 포인트가 어느 형상 요소로 분류되는지를 결정하는 단계에서,상기 상대적 거리 정보에 대응되는 상기 가중치 정보를 나타내는 가우시안 분포(Gaussian distribution) 함수, 선형 감소 함수(Linear Decay Function), 및 단계적 감소 함수(Step Decay Function) 중, 적어도 하나를 이용하여, 상기 가중치 정보를 결정하는포인트 클라우드 데이터 처리 방법
|
7 |
7
제2항에 있어서,상기 각 근접 포인트가 어느 형상 요소로 분류되는지를 결정하는 단계에서,가장 큰 값의 상기 가중치 정보를 갖는 상기 기준 포인트가 속하는 형상 요소를, 상기 근접 포인트가 속하는 형상 요소로서 결정하는포인트 클라우드 데이터 처리 방법
|
8 |
8
제2항에 있어서,상기 각 근접 포인트가 어느 형상 요소로 분류되는지를 결정하는 단계는,상기 기준 포인트와 상기 기준 포인트에 인접한 제1근접 포인트 사이의 제1거리 정보, 상기 제1거리 정보를 기반으로 하는 제1가중치 정보, 및 상기 기준 포인트가 속하는 형상 요소를 기초로, 제1근접 포인트가 속하는 형상 요소를 결정하는 단계와,상기 제1근접 포인트와 상기 제1근접 포인트에 인접한 제2근접 포인트 사이의 제2거리 정보, 상기 제2거리 정보를 기반으로 하는 제2가중치 정보, 및 상기 제1근접 포인트가 속하는 형상 요소를 기초로, 제2근접 포인트가 속한 형상 요소를 결정하는 단계를 포함하는포인트 클라우드 데이터 처리 방법
|
9 |
9
제2항에 있어서,상기 각 근접 포인트가 어느 형상 요소로 분류되는지를 결정하는 단계는,상기 기준 포인트로부터 미리 정해진 거리 범위 내에 포함된 상기 근접 포인트를 확인하는 단계와, 상기 기준 포인트의 형상 요소별 확률 값에, 상기 각 근접 포인트의 가중치를 적용하여 상기 각 근접 포인트의 형상 요소별 확률 값을 확인하는 단계와, 상기 각 근접 포인트의 형상 요소별 확률 값에 따라, 상기 각 근접 포인트가 어느 형상 요소로 분류되는지를 결정하는 단계를 포함하는포인트 클라우드 데이터 처리 방법
|
10 |
10
제2항에 있어서,상기 각 근접 포인트가 어느 형상 요소로 분류되는지를 결정하는 단계는,상기 제1근접 포인트로부터 미리 정해진 거리 범위 내에 포함된 제2근접 포인트를 확인하는 단계와, 상기 제1근접 포인트의 형상 요소별 확률 값에, 각 제2근접 포인트의 가중치를 적용하여 상기 각 제2근접 포인트의 형상 요소별 확률 값을 확인하는 단계와, 상기 각 제2근접 포인트의 형상 요소별 확률 값을 기초로, 상기 각 제2근접 포인트가 어느 형상 요소로 분류되는지를 결정하는 단계를 포함하는포인트 클라우드 데이터 처리 방법
|
11 |
11
객체의 포인트 클라우드 데이터 처리 프로그램과, 형상 분할(Shape Segmentation)을 수행하는 기 학습된 형상 분할 모델이 저장된 저장장치; 및상기 포인트 클라우드 데이터 처리 프로그램을 수행하는 프로세서를 포함하고, 상기 프로세서는,상기 객체의 포인트 클라우드 데이터로부터, 기 설정된 개수의 샘플링 포인트를 추출하고, 상기 샘플링 포인트 각각에 대하여, 기 학습된 형상 분할 모델을 적용하여, 각 샘플링 포인트가 상기 대상 객체의 복수의 형상 요소 중 어느 형상 요소로 분류되는지를 결정하고, 각 샘플링 포인트가 분류되는 형상 요소를 맵핑하여 각각 기준 포인트로서 정의하고, 상기 기준 포인트에 인접한 근접 포인트에 대하여, 상기 기준 포인트로부터의 거리 정보를 기초로, 각 근접 포인트가 어느 형상 요소로 분류되는지를 결정하는포인트 클라우드 데이터 처리 장치
|
12 |
12
컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,객체의 포인트 클라우드 데이터로부터, 기 설정된 개수의 샘플링 포인트를 추출하는 단계와,상기 샘플링 포인트 각각에 대하여, 기 학습된 형상 분할 모델을 적용하여, 각 샘플링 포인트가 상기 대상 객체의 복수의 형상 요소 중 어느 형상 요소로 분류되는지를 결정하는 단계와,각 샘플링 포인트가 분류되는 형상 요소를 맵핑하여 각각 기준 포인트로서 정의하는 단계와,상기 기준 포인트에 인접한 근접 포인트에 대하여, 상기 기준 포인트로부터의 거리 정보를 기초로, 각 근접 포인트가 어느 형상 요소로 분류되는지를 결정하는 단계를 포함하는 동작을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하는 컴퓨터 판독 가능한 기록매체
|
13 |
13
컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서,상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,상기 객체의 포인트 클라우드 데이터로부터, 기 설정된 개수의 샘플링 포인트를 추출하는 단계와,상기 샘플링 포인트 각각에 대하여, 기 학습된 형상 분할 모델을 적용하여, 각 샘플링 포인트가 상기 대상 객체의 복수의 형상 요소 중 어느 형상 요소로 분류되는지를 결정하는 단계와,각 샘플링 포인트가 분류되는 형상 요소를 맵핑하여 각각 기준 포인트로서 정의하는 단계와,상기 기준 포인트에 인접한 근접 포인트에 대하여, 상기 기준 포인트로부터의 거리 정보를 기초로, 각 근접 포인트가 어느 형상 요소로 분류되는지를 결정하는 단계를 포함하는동작을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하는 컴퓨터 판독 가능한 프로그램
|