SciELO - Scientific Electronic Library Online

 
vol.21 issue3Redesign and Automation of a Mold for Manufacturing of Refrigerated Display Cases Using Polyurethane Foam InjectionAnalysis and Simulation of Vortex Behavior for Self-propelled Particle Model author indexsubject indexarticles search
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

Related links

  • On index processCited by Google
  • Have no similar articlesSimilars in SciELO
  • On index processSimilars in Google

Share


Ingeniería

Print version ISSN 0121-750X

Abstract

QUIJANO, Angie  and  PRIETO, Flavio. Modelado Semántico 3D de Ambientes Interiores basado en Nubes de Puntos y Relaciones Contextuales. ing. [online]. 2016, vol.21, n.3, pp.305-323. ISSN 0121-750X.  https://doi.org/10.14483/udistrital.jour.reving.2016.3.a04.

Contexto: Se propone una metodología para identificar y etiquetar los componentes de la estructura de un ambiente interior típico y así generar un modelo semántico de la escena. Nos interesamos en la identificacíon de: paredes, techos, suelos, puertas abiertas, puertas cerradas que forman un pequeño hueco con la pared y ventanas parcialmente ocultas. Método: Los elementos a ser identificados deben ser planos en el caso de paredes, pisos y techos y deben tener una forma rectangular en el caso de puertas y ventanas, lo que significa que la estructura del ambiente interior es Manhattan. La identificacíon de estas estructuras se determina mediante el análisis de las relaciones contextuales entre ellos, paralelismo, ortogonalidad y posicíon de la estructura en la escena. Las nubes de puntos de las escenas fueron adquiridas con un dispositivo RGB-D (Sensor Kinect de Microsoft). Resultados: Los resultados obtenidos muestran una precision de 99.03% y una sensibilidad de 95.68%, usando una base de datos propia. Conclusiones: Se presenta un método para el etiquetado semántico 3D de escenas en interiores basado en relaciones contextuales entre los objetos. Las reglas contextuales usadas para clasificacíon y etiquetado permiten un buen entendimiento del proceso y, también, una identificacíon de las razones por las que se presentan algunos errores en el etiquetado. El tiempo de respuesta del algoritmo es corto y la exactitud alcanzada es satisfactoria. Además, los requerimientos computacionales no son altos.

Keywords : Ambientes interiores; Kinect; modelo semántico; nube de puntos.

        · abstract in English     · text in English     · English ( pdf )

 

Creative Commons License All the contents of this journal, except where otherwise noted, is licensed under a Creative Commons Attribution License