| |
| Acadêmico(a): Marina Uliano |
| Título: MOLLIOREM: RECONSTRUÇÃO DO TÓRAX FEMININO |
| |
| Conclusão: |
Este trabalho apresentou o desenvolvimento de um protótipo que permite realizar a reconstrução tridimensional de uma nuvem de pontos obtida pelo scanner 3D Kinect. Também foram apresentados alguns conceitos/algoritmos de reconstrução 3D e a biblioteca PCL. Além de vários testes com algoritmos fornecidos pelo PCL para saber qual deles se adequará melhor ao objetivo proposto.
O primeiro teste foi realizado para ver em qual posição a mulher deve estar para que nuvem de pontos seja ideal para a reconstrução. Neste teste viu-se que quanto mais próximo o Kinect pior é a amostra e quanto mais afastado mais informações não indesejadas aparecem, com este cenário decidiu-se por um meio termo de 50 a 57 centímetros de distância entre a mulher e o Kinect.
No segundo teste foram obtidas várias amostras de silhuetas para testar os filtros implementados. Os testes realizados em amostras com posições mais próximas ao sensor obtiveram os mesmos resultados de amostras na posição correta. Não importa se existem buracos na nuvem, pois os algoritmos de filtro tratarão a nuvem da mesma forma que uma que não possuem buracos, mesmo que alguns valores sejam alterados para se adaptar a nuvem.
Com base no segundo teste foi constatado que somente um algoritmo de filtro não é o suficiente para o cenário, para remover o fundo e possíveis ruídos ao redor da silhueta deve ser utilizado o PassThrough e para diminuir a densidade o VoxelGrid.
No terceiro teste foi realizada a comparação entre os algoritmos NormalEstimation e MovingLeastSquares, para verificar qual deles gera as melhores normais.
Observando os resultados do terceiro teste pode-se ver que ambos os algoritmos não tiveram bons resultados com nuvens densas, por este motivo a comparação ficou por conta de nuvens preparadas anteriormente com o algoritmo de VoxelGrid. Neste caso, o MovingLeastSquares foi o que teve o melhor resultado,
Para que a superfície seja reconstruída utilizou-se a classe GreedyProjectionTriangulation que é responsável pela triangulação. Os testes realizados com essa classe evidenciaram os melhores valores de entrada para os métodos que auxiliam o algoritmo de triangulação. O valor de entrada mais influente na triangulação foi o do método setMaximumNearestNeighbor que quanto maior o valor, mais demorada fica a triangulação e, quanto menor mais pontos serão descartados afetando a superfície, sendo que o melhor valor encontrado foi 190, pois ele não deixa nenhum ponto de fora e não faz com que a execução seja demorada.
Os testes com ROI e pontos coloridos foram realizados para talvez incluir no protótipo final, mas não obtiveram bons resultados, por isto foram descartados, mas abriram espaços para que trabalhos futuros tentem melhorar estas idéias e incorporem ao protótipo.
Por fim, a partir dos resultados alcançados conclui-se que o protótipo criado consegue a partir de um ambiente controlado capturar uma nuvem de pontos, salvá-la e reconstruí-la de forma homogênea e realística em menos de três minutos.
|
| |
|
