3차원 점군 정합에서 각 뷰의 레이저 스캔 점군 데이터는 서로 중첩되는 부분이 존재한다. 중첩 영역의 차이로 인한 점군 밀도 불균형이 다중 스테이션 점군 정합의 정확도에 직접 영향을 미치는 문제를 해결하기 위해, 본 논문에서는 다양체 클러스터링 기반의 언더샘플링 비균일 밀도 다중 스테이션 3D 점군 정합 방법을 제안한다. 먼저 지오데식 거리를 유사성 측정으로 사용하여 불균형 점군 데이터를 클러스터링하여 점군 데이터를 축소한다. 그다음 K이웃 탐색 방법을 통해 각 점의 반경 내 점 개수를 계산하여 점군을 밀도 영역으로 분할한다. 밀도가 높은 영역에 대해 클러스터링 및 각 클러스터에 곡면 피팅을 수행하여 곡면 위 모든 점의 곡률을 계산한다. 곡률이 큰 점을 추출해 밀도가 높은 영역과 낮은 영역의 점 개수를 거의 균형 있게 유지하여 밀도 균형이 잡힌 점군 데이터를 얻는다. 마지막으로 다양체 클러스터링 언더샘플링된 점군을 K평균(K-means) 클러스터링하여 군집 중심과 강체 변환 행렬을 갱신하며 비균일 밀도 다중 스테이션 점군 정합을 실현한다. 제안한 방법은 무작위 샘플링 및 균일 샘플링 방법과 비교하여 챔퍼 거리(chamfer distance)가 더 작고 점군의 지역적 특성 정보를 보존한다. 스탠포드 대학의 공용 데이터셋 Bunny 데이터셋에 대한 실험 결과, 제안한 방법이 정합 정확도를 보장하면서 정합 효율을 60% 이상 향상시켰음을 보여준다.

점군 정합; 다중 스테이션 점군; 다양체 클러스터링; 점군 축소; k평균 클러스터링