色つき点群データの透過効果問題と
遠近問題を高速に解決する技術
芝浦工業大学 工学部 土木工学科
准教授 中川 雅史
色つき点群データの透過効果問題と遠近問題を高速に解決する技術
点群データとは
従来技術とその問題点
新技術の特徴・従来技術との比較
想定される用途
実用化に向けた課題
企業への期待
本技術に関する知的財産権，問合せ先
点群（Point cloud）とは
実空間に存在する物・環境・人を，3Dセンサによって
その表面形状を取得した「3D点の座標の集まり」のデータ
物体表面の位置・形状を表す
Laser scanner
（LiDAR）
（計測できない物体内部は表現しない）
点群を構成する各点は，
三次元座標値 (x,y,z)で
定義される
・レーザースキャナ＋カメラ
・ステレオカメラ
で，点に彩色可能
＝ 色つき点群
色つき点群 サンプルデータ
or
点群（Point cloud）とは
実空間に存在する物・環境・人を，3Dセンサによって
その表面形状を取得した「3D点の座標の集まり」のデータ
Laser scanner
（LiDAR）
レーザースキャナやステレオカメラ等で
取得できる（数万円～数千万円）
高額すぎて購入できる
企業や大学が少なかった
最近は，安価なセンサが
多く販売されている
色つき点群データの透過効果問題と遠近問題を高速に解決する技術
点群データとは
従来技術とその問題点
新技術の特徴・従来技術との比較
想定される用途
実用化に向けた課題
企業への期待
本技術に関する知的財産権，問合せ先
点群処理における課題
ハードウェアとニーズは充実してきたが，
ソフトウェアがなかなか追い付いていない
位置合わせ
データ取得
可視化
3Dモデリング
AR
マッピング
BIM/CIM
3Dプリント
比較的簡単
実質的な手作業が多く大変
比較的簡単
抽象化
レンダリング
クラスタリング
内容改善のキーワード
ハードウェア
ニーズ
ソフトウェア
一般的な点群処理の
流れ
従来技術
点から面への変換
点群はそのままレンダリングすることが可能
しかし，各種の3D処理には適さないことが多い
点形式
- ポリゴン
- 不整三角網のメッシュ（TIN）
- 非一様有理Bスプライン曲面（NURBS）
- CADモデル
- ドロネー三角形分割
- アルファシェイプ法
変換
面形式
など
点群データの自動処理のためのアプローチ（従来技術 その1）
点群データ取得→3Dモデリング→レンダリング
× 面の表裏を判定が困難
- Random Sample Consensus (RANSAC)
× 「シードポイント」問題
× メモリ浪費，処理量が莫大
- 3D Delaunay
× 「滑らかなエッジ」問題
× メモリ浪費，処理量が莫大
- Marching cube, Voxel modeling, …
× 内外判定には，ポリゴンの穴を埋める作業が必要
× メモリ浪費，処理量が莫大
点群データの自動処理のためのアプローチ（従来技術 その2）
レンジ画像上でのサーフェスモデリング（スケッチ）
An Interactive 3D Modeling System Based on Dense Point-Cloud
Perspective projection
Mercator projection
θ
φ
Projection
画像 (スケッチ)
モデリング
連動
○ 3Dモデリングが容易
Rapid mesh modeling
× 視点制約
Viewpoint = Scanning position
× 任意視点からのスケッチは困難
Near-far problem, Transparent effect
一般的なポイントベースドレンダリング
透過効果問題と遠近問題
“Near” from a viewpoint
＝
Sparse points
“Far” from a viewpoint
＝
Dense points
(Visualization quality depends on a viewpoint)
Occlusion
Rendered point cloud from a viewpoint
透過効果問題
Caused by rendering hidden points
among near-side points
遠近問題
Caused by distance differences
from the viewpoint to scanned points
任意視点からのスケッチは困難
色つき点群データの透過効果問題と遠近問題を高速に解決する技術
点群データとは
従来技術とその問題点
新技術の特徴・従来技術との比較
想定される用途
実用化に向けた課題
企業への期待
本技術に関する知的財産権，問合せ先
新技術の特徴・従来技術との比較
点群処理の課題
点群データ取得→レンダリング→3Dモデリング
点群データ取得→3Dモデリング→レンダリング
- Random Sample Consensus (RANSAC)
- 3D Delaunay
- Marching cube, Voxel modeling, …
レンジ画像上でのサーフェスモデリング（スケッチ）
従来技術とその問題点
× 面の表裏を判定が困難
× 「シードポイント」問題
× 「滑らかなエッジ」問題
× メモリ浪費，処理量が莫大
・大規模データであるため扱いづらい
・遠近問題と透過効果問題
「多視点2D画像処理を適用し，精度を落とさず，点群処理を軽くする技術」
メッシュモデリングにより可視化を実現
× 手作業（修正作業）が多い
× 任意視点からスケッチは困難
× 視点制約
× 自動処理コストが極めて大きい
× 大規模データへの対応が困難
新技術の特徴
○ ノートPCレベルで処理可
○ 任意視点からのスケッチ可
○ 面の表裏判定が容易
○ 汎用性高
ポイントベースドレンダリング技術
＋空間フィルタリング技術
成果の概要（1）
遠近問題と透過効果の同時解消（建物データへの適用）
INPUT
（colored points）
OUTPUT
（colored
points ）
Side looking
透過効果問題
“Near” from a viewpoint＝
Sparse points
“Far” from a viewpoint ＝
Dense points
遠近問題
Hidden points are visible
among near-side points
成果の概要（2）
遠近問題と透過効果の同時解消（屋内外データへの適用）
INPUT（colored points）
OUTPUT（colored points ）
透過効果問題
“Near” from a viewpoint＝
Sparse points
“Far” from a viewpoint ＝
Dense points
遠近問題
Hidden points are visible
among near-side points
Panoramic layered range image
Point cloud projection in Layered image
Measured point
Azimuth→
↑
↓
Panorama model
Multi-layered range image
(X,Y,Z),
(R,G,B),
(Intensity)
(X,Y,Z),
(R,G,B),
(Intensity)
El
ev
at
io
n
Projected point
・Simplify viewpoint translation
・Simplify filtering
・Simplify visualization
Point cloud to range image
(layered range image)
Cylindrical, Spherical, Cubic model, etc..
Pixel-selectable averaging filter using distance values
Point cloud interpolation
Xo
Xt
P3
P2
P1
Generate a new point P
new*
P4
P5
P6
P7
P8
P9
P10
Real surface
P
new1Ro
Rt
Range
data
No data space
“Near” from a viewpoint＝ Sparse points “Far” from a viewpoint ＝ Dense points
遠近問題の推定
透過効果問題の推定
Hidden points are visible among near-side points
