[별첨] 바닥제거 (RANSAC) (70%)

다음장에서 살펴볼 segmentation을 위해서 바닥제거는 필수적인 절차 입니다. 지면을 제거하게 되면 각각의 오브젝트 들이 서로 연결되지 않고 떨어지기때문에 구분이 쉬워집니다. 또한, 불필요한 영역을 제거하여 계산 부하를 줄일 수 있습니다.

이전 관심영역설정 챕터에서 z값을 이용하여 지표면에서 가까운 point cloud를 바닥으로 인지하고 제거 하는 방법을 간단히 살펴 보았습니다. 하지만 이 방법은 센서 설치에 대한 고려와 경사 등 평면이 아닌 바닥을 제대로 탐지 할 수 없습니다.

본 챕터에서는 RANSAC의 평면(Plane)모델을 이용하여 바닥을 제거 하는 방법에 대하여 다루고 있습니다.

일부 문서에서는 바닥(floor)제거를 배경(background)제거라고도 표현 하고 있습니다. 본 문서에서는 [중급-배경제거]와 구분하기 위하여 바닥제거라고 표기 하고 있습니다.

RANSAC이란.

RANSAC은 Random Sample Consensus의 약어로 1981년 Martin A에 의해 제안된 방법입니다. 점군 안에 선, 원통, 평면 등과 같은 특정 Model이 있다는 가정하에 해당 모델의 파라미터를 추정 하고 이 후 cloud point가 이 model에 속하는지 아닌지를 무작위(Random)로 point들을 선별(sample)하여 일치(Consensus)하는지 테스트 하는 방법을 이야기 합니다. 평면모델을 사용하여 바닥제거를 수행 할수 있습니다.

왼쪽 이미지의 회색은 입력 데이터로 사용되는 Point cloud입니다. 오른쪽 이미지에서 파란색 Line은 사용하고자 하는 Model입니다. RANSAC에서는 모델+파라미터에 맞으면 Inlier라 하고 맞지 않으면 outlier라고 합니다. 즉, 빨간색 점은 Outlier이고, 파란색 점은 Inlier입니다.

동작과정

수행 방법은 무작위로 샘플을 선택(hypothetical inliers라고함) 하여 반복적으로 아래 절차를 진행 한다. 

1. A model is fitted to the hypothetical inliers, i.e. all free parameters of the model are reconstructed from the inliers.

2. All other data are then tested against the fitted model and, if a point fits well to the estimated model, also considered as a hypothetical inlier.

3. The estimated model is reasonably good if sufficiently many points have been classified as hypothetical inliers.

4. The model is reestimated from all hypothetical inliers, because it has only been estimated from the initial set of hypothetical inliers.

5.  Finally, the model is evaluated by estimating the error of the inliers relative to the model.

1. From the input cloud of the points randomly select the points from which a mathematical model is set that determines the criterion by which other points will be declared as inliers or outliers.

2. Random points in n iterations are compared with a set mathematical model, if they fit the hypothesis, then they belong to the inliers.

3. The estimated model is classified as good if there is a large number of points from the input cloud defined as inliers.

4. Then, from all inliers, re-calculate the basic model because the initial model is set from only the initial points

5. In the end, the model's accuracy was estimated on the basis of the inliers error relative to the calculated basic model.

장/단점

RANSAC의 장점은 모델 파라미터에 대해 강건한 예측수행이 가능합니. 즉, outliers이 많이 포함되어 있어도 높은 정확도를 보인다.

단점으로는 계산 부하가 크고 각 대상에 따라 사용자가 직접 thresholds를 설정해 주어야 합니다. 또한, 하나의 데이터셋에 하나의 모델만 적용이 가능하다는 단점도 있습니다.

[1] "Random Sample Consensus: A Paradigm for Model Fitting with Application to Image Analysis and Automated Cartography", 1981 by Martin A. Fischler and Robert C. Bolles

Efficient Online Segmentation for Sparse 3D Laser Scans, 2016 [코드]