Перейти до вмісту
Наукові вісті КПІ
ISSN 2617-5509 · e‑ISSN 2663-7472 Відкритий доступ · CC BY 4.0
Т. 140 · № 3 · 2025 вер 30, 2025 статті

АНАЛІЗ МАТЕМАТИЧНИХ МОДЕЛЕЙ ТА МЕТОДІВ ВИЯВЛЕННЯ ЗМІН 3D СЕРЕДОВИЩА ЗА ЗОБРАЖЕННЯМИ

ОЧ
Олег Чертов Відповідальний National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”, Faculty of Applied Mathematics, Applied Mathematics Department, Kyiv, Ukraine Україна
СС
Сергій Сахаров National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”, Faculty of Applied Mathematics, Applied Mathematics Department, Kyiv, Ukraine Україна
Опубліковановер 30, 2025
PDF
НВКПІ 3 ТОМ 140 · 3
ТОМ 140 · № 3 · 2025 Переглянути випуск

Анотація

Проблематика. Автоматизоване виявлення змін у тривимірному середовищі є критично важливою задачею для створення та підтримки цифрових двійників міської інфраструктури, екологічного моніторингу та забезпечення безпеки об'єктів. Існуючі методи часто не враховують невизначеність вимірювань, погано масштабуються на великі обсяги даних та не інтегрують семантичну інформацію. Наявні огляди зосереджуються переважно на технічних аспектах або конкретних застосуваннях, недостатньо повно висвітлюючи особливості математичних методів, що використовуються. Це ускладнює вибір оптимальних алгоритмів для актуалізації цифрових двійників середовища. Мета дослідження. Систематизація та порівняльний аналіз математичних моделей і методів виявлення змін у тривимірних даних середовища. Формування таксономії методів з визначенням їх переваг, обмежень та областей застосування. Розробка рекомендацій щодо вибору оптимальних підходів для різних типів задач моніторингу 3D середовища. Методика реалізації. Систематичний аналіз класичних геометричних методів реєстрації та порівняння хмар точок, статистичних підходів для оцінки невизначеності вимірювань та сучасних методів машинного навчання для автоматичної класифікації змін. Формалізація математичних моделей представлення 3D даних, типів змін та метрик їх оцінювання. Результати дослідження. Розроблено уніфіковану математичну модель для опису різних типів змін у 3D середовищі, що є основою для автоматизованої актуалізації цифрових двійників. Визначено критерії вибору відповідних методів залежно від характеристик даних та вимог застосування. Показано, що гібридні підходи, які поєднують геометричні методи з машинним навчанням, забезпечують найкращу точність при збереженні інтерпретованості результатів для оновлення цифрових моделей середовища. Висновки. Запропонована систематизація дозволяє обґрунтовано вибирати методи для конкретних задач виявлення змін. Перспективними напрямками є розробка адаптивних алгоритмів з автоматичним налаштуванням параметрів та інтеграція семантичної інформації через сучасні архітектури глибокого навчання.

Ключові слова

#зміни 3D середовища #хмари точок #цифровий двійник #комп’ютерний зір #машинне навчання

Посилання

  1. D. Lague, N. Brodu, and J. Leroux, “Accurate 3D comparison of complex topography with terrestrial laser scanner: Application to the Rangitikei canyon (N-Z),” ISPRS J. Photogramm. Remote Sens., vol. 82, pp. 10–26, Aug. 2013, doi: 10.1016/j.isprsjprs.2013.04.009.
  2. R. Q. Charles, H. Su, M. Kaichun, and L. J. Guibas, “PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation,” in 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI: IEEE, July 2017, pp. 77–85. doi: 10.1109/CVPR.2017.16.
  3. Y. Wang, Y. Sun, Z. Liu, S. E. Sarma, M. M. Bronstein, and J. M. Solomon, “Dynamic Graph CNN for Learning on Point Clouds,” ACM Trans. Graph., vol. 38, no. 5, pp. 1–12, Oct. 2019, doi: 10.1145/3326362.
  4. I. De Gélis, S. Lefèvre, and T. Corpetti, “Siamese KPConv: 3D multiple change detection from raw point clouds using deep learning,” ISPRS J. Photogramm. Remote Sens., vol. 197, pp. 274–291, Mar. 2023, doi: 10.1016/j.isprsjprs.2023.02.001.
  5. U. Stilla and Y. Xu, “Change detection of urban objects using 3D point clouds: A review,” ISPRS J. Photogramm. Remote Sens., vol. 197, pp. 228–255, Mar. 2023, doi: 10.1016/j.isprsjprs.2023.01.010.
  6. A. Shafique, G. Cao, Z. Khan, M. Asad, and M. Aslam, “Deep Learning-Based Change Detection in Remote Sensing Images: A Review,” Remote Sens., vol. 14, no. 4, p. 871, Feb. 2022, doi: 10.3390/rs14040871.
  7. R. Qin, J. Tian, and P. Reinartz, “3D change detection – Approaches and applications,” ISPRS J. Photogramm. Remote Sens., vol. 122, pp. 41–56, Dec. 2016, doi: 10.1016/j.isprsjprs.2016.09.013.
  8. A. Kharroubi, F. Poux, Z. Ballouch, R. Hajji, and R. Billen, “Three Dimensional Change Detection Using Point Clouds: A Review,” Geomatics, vol. 2, no. 4, pp. 457–485, Oct. 2022, doi: 10.3390/geomatics2040025.
  9. C. Andresen and E. Schultz-Fellenz, “Change Detection Applications in the Earth Sciences Using UAS-Based Sensing: A Review and Future Opportunities,” Drones, Apr. 2023, doi: 10.3390/DRONES7040258.
  10. E. P. Herrera-Granda, J. C. Torres-Cantero, and D. H. Peluffo-Ordóñez, “Monocular visual SLAM, visual odometry, and structure from motion methods applied to 3D reconstruction: A comprehensive survey,” Heliyon, vol. 10, no. 18, p. e37356, Sept. 2024, doi: 10.1016/j.heliyon.2024.e37356.
  11. H. Fan, H. Su, and L. Guibas, “A Point Set Generation Network for 3D Object Reconstruction from a Single Image,” in 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI: IEEE, July 2017, pp. 2463–2471. doi: 10.1109/CVPR.2017.264.
  12. J. Gehrung, M. Hebel, M. Arens, and U. Stilla, “A VOXEL-BASED METADATA STRUCTURE FOR CHANGE DETECTION IN POINT CLOUDS OF LARGE-SCALE URBAN AREAS,” ISPRS Ann. Photogramm. Remote Sens. Spat. Inf. Sci., vol. IV–2, pp. 97–104, May 2018, doi: 10.5194/isprs-annals-IV-2-97-2018.
  13. M. M. Bronstein and I. Kokkinos, “Scale-invariant heat kernel signatures for non-rigid shape recognition,” in 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, San Francisco, CA, USA: IEEE, June 2010, pp. 1704–1711. doi: 10.1109/CVPR.2010.5539838.
  14. F. Pomerleau, F. Colas, and R. Siegwart, “A Review of Point Cloud Registration Algorithms for Mobile Robotics,” Found. Trends® Robot., vol. 4, no. 1, pp. 1–104, 2015, doi: 10.1561/2300000035.
  15. P. J. Besl and N. D. McKay, “A method for registration of 3-D shapes,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 14, no. 2, pp. 239–256, Feb. 1992, doi: 10.1109/34.121791.
  16. Y. Chen and G. Medioni, “Object modelling by registration of multiple range images,” Image Vis. Comput., vol. 10, no. 3, pp. 145–155, Apr. 1992, doi: 10.1016/0262-8856(92)90066-C.
  17. Q.-Y. Zhou, J. Park, and V. Koltun, “Fast Global Registration,” in Computer Vision – ECCV 2016, vol. 9906, B. Leibe, J. Matas, N. Sebe, and M. Welling, Eds., Cham: Springer International Publishing, 2016, pp. 766–782. Accessed: July 30, 2025. [Online]. Available: http://link.springer.com/10.1007/978-3-319-46475-6_47
  18. P. J. Huber, “Robust Estimation of a Location Parameter,” Ann. Math. Stat., vol. 35, no. 1, pp. 73–101, Mar. 1964, doi: 10.1214/aoms/1177703732.
  19. A. E. Beaton and J. W. Tukey, “The Fitting of Power Series, Meaning Polynomials, Illustrated on Band-Spectroscopic Data,” Technometrics, vol. 16, no. 2, pp. 147–185, May 1974, doi: 10.1080/00401706.1974.10489171.
  20. B. K. P. Horn, H. M. Hilden, and S. Negahdaripour, “Closed-form solution of absolute orientation using orthonormal matrices,” J. Opt. Soc. Am. A, vol. 5, no. 7, p. 1127, July 1988, doi: 10.1364/JOSAA.5.001127.
  21. A. Myronenko and Xubo Song, “Point Set Registration: Coherent Point Drift,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 32, no. 12, pp. 2262–2275, Dec. 2010, doi: 10.1109/TPAMI.2010.46.
  22. S. Rusinkiewicz and M. Levoy, “Efficient variants of the ICP algorithm,” in Proceedings Third International Conference on 3-D Digital Imaging and Modeling, Quebec City, Que., Canada: IEEE Comput. Soc, 2001, pp. 145–152. doi: 10.1109/IM.2001.924423.
  23. G. K. L. Tam et al., “Registration of 3D Point Clouds and Meshes: A Survey from Rigid to Nonrigid,” IEEE Trans. Vis. Comput. Graph., vol. 19, no. 7, pp. 1199–1217, July 2013, doi: 10.1109/TVCG.2012.310.
  24. Z. Zhang, “Iterative point matching for registration of free-form curves and surfaces,” Int. J. Comput. Vis., vol. 13, no. 2, pp. 119–152, Oct. 1994, doi: 10.1007/BF01427149.
  25. K.-L. Low, “Linear Least-Squares Optimization for Point-to-Plane ICP Surface Registration”.
  26. S. Rusinkiewicz, “A symmetric objective function for ICP,” ACM Trans. Graph., vol. 38, no. 4, pp. 1–7, Aug. 2019, doi: 10.1145/3306346.3323037.
  27. A. Segal, D. Haehnel, and S. Thrun, “Generalized-ICP,” in Robotics: Science and Systems V, Robotics: Science and Systems Foundation, June 2009. doi: 10.15607/RSS.2009.V.021.
  28. Y. Guo, M. Bennamoun, F. Sohel, M. Lu, and J. Wan, “3D Object Recognition in Cluttered Scenes with Local Surface Features: A Survey,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 36, no. 11, pp. 2270–2287, Nov. 2014, doi: 10.1109/TPAMI.2014.2316828.
  29. R. B. Rusu, N. Blodow, and M. Beetz, “Fast Point Feature Histograms (FPFH) for 3D registration,” in 2009 IEEE International Conference on Robotics and Automation, Kobe: IEEE, May 2009, pp. 3212–3217. doi: 10.1109/ROBOT.2009.5152473.
  30. D. Hutchison et al., “Unique Signatures of Histograms for Local Surface Description,” in Computer Vision – ECCV 2010, vol. 6313, K. Daniilidis, P. Maragos, and N. Paragios, Eds., Berlin, Heidelberg: Springer Berlin Heidelberg, 2010, pp. 356–369. Accessed: July 30, 2025. [Online]. Available: http://link.springer.com/10.1007/978-3-642-15558-1_26
  31. M. A. Fischler and R. C. Bolles, “Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography,” Commun. ACM, vol. 24, no. 6, pp. 381–395, June 1981, doi: 10.1145/358669.358692.
  32. J. Lawrence, J. Bernal, and C. Witzgall, “A Purely Algebraic Justification of the Kabsch-Umeyama Algorithm,” J. Res. Natl. Inst. Stand. Technol., vol. 124, p. 124028, Oct. 2019, doi: 10.6028/jres.124.028.
  33. D. Aiger, N. J. Mitra, and D. Cohen-Or, “4-points congruent sets for robust pairwise surface registration,” in ACM SIGGRAPH 2008 papers, Los Angeles California: ACM, Aug. 2008, pp. 1–10. doi: 10.1145/1399504.1360684.
  34. N. Mellado, D. Aiger, and N. J. Mitra, “Super 4PCS Fast Global Pointcloud Registration via Smart Indexing,” Comput. Graph. Forum, vol. 33, no. 5, pp. 205–215, Aug. 2014, doi: 10.1111/cgf.12446.
  35. S. Huang, Z. Gojcic, M. Usvyatsov, A. Wieser, and K. Schindler, “PREDATOR: Registration of 3D Point Clouds with Low Overlap,” in 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Nashville, TN, USA: IEEE, June 2021, pp. 4265–4274. doi: 10.1109/CVPR46437.2021.00425.
  36. D. Girardeau-Montaut, M. Roux, R. Marc, and G. Thibault, “CHANGE DETECTION ON POINTS CLOUD DATA ACQUIRED WITH A GROUND LASER SCANNER,” 2005.
  37. R. Lindenbergh and P. Pietrzyk, “Change detection and deformation analysis using static and mobile laser scanning,” Appl. Geomat., vol. 7, no. 2, pp. 65–74, June 2015, doi: 10.1007/s12518-014-0151-y.
  38. M. Ester, H.-P. Kriegel, J. Sander, and X. Xu, “A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise”.
  39. D. Comaniciu and P. Meer, “Mean shift: a robust approach toward feature space analysis,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 24, no. 5, pp. 603–619, May 2002, doi: 10.1109/34.1000236.
  40. G. Vosselman, M. Coenen, and F. Rottensteiner, “Contextual segment-based classification of airborne laser scanner data,” ISPRS J. Photogramm. Remote Sens., vol. 128, pp. 354–371, June 2017, doi: 10.1016/j.isprsjprs.2017.03.010.
  41. Y. Xu, R. Boerner, W. Yao, L. Hoegner, and U. Stilla, “Pairwise coarse registration of point clouds in urban scenes using voxel-based 4-planes congruent sets,” ISPRS J. Photogramm. Remote Sens., vol. 151, pp. 106–123, May 2019, doi: 10.1016/j.isprsjprs.2019.02.015.
  42. C. R. Qi, L. Yi, H. Su, and L. J. Guibas, “PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space,” June 07, 2017, arXiv: arXiv:1706.02413. doi: 10.48550/arXiv.1706.02413.
  43. A. Vaswani et al., “Attention Is All You Need,” 2017, arXiv. doi: 10.48550/ARXIV.1706.03762.
  44. H. Zhao, L. Jiang, J. Jia, P. Torr, and V. Koltun, “Point Transformer,” in 2021 IEEE/CVF International Conference on Computer Vision (ICCV), Montreal, QC, Canada: IEEE, Oct. 2021, pp. 16239–16248. doi: 10.1109/ICCV48922.2021.01595.
  45. I. De Gélis, S. Lefèvre, and T. Corpetti, “Change Detection in Urban Point Clouds: An Experimental Comparison with Simulated 3D Datasets,” Remote Sens., vol. 13, no. 13, p. 2629, July 2021, doi: 10.3390/rs13132629.
  46. C. V. D. Sande, S. Soudarissanane, and K. Khoshelham, “Assessment of Relative Accuracy of AHN-2 Laser Scanning Data Using Planar Features,” Sensors, vol. 10, no. 9, pp. 8198–8214, Sept. 2010, doi: 10.3390/s100908198.
  47. T. Tran, C. Ressl, and N. Pfeifer, “Integrated Change Detection and Classification in Urban Areas Based on Airborne Laser Scanning Point Clouds,” Sensors, vol. 18, no. 2, p. 448, Feb. 2018, doi: 10.3390/s18020448.
  48. I. De Gélis, S. Saha, M. Shahzad, T. Corpetti, S. Lefèvre, and X. X. Zhu, “Deep unsupervised learning for 3D ALS point clouds change detection,” ISPRS Open J. Photogramm. Remote Sens., vol. 9, p. 100044, Aug. 2023, doi: 10.1016/j.ophoto.2023.100044.
§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.
Усі випуски

РОЗРОБКА МЕТОДУ ФОРМАЛІЗАЦІЇ ДИНАМІЧНИХ ТЕПЛОВИХ ПОРТРЕТІВ ДЛЯ НАДІЙНОГО ВИЯВЛЕННЯ ЦІЛЕЙ

Степан Лис, Оксана Оборська

Проблематика. Автоматизовані системи спостереження з БпЛА стикаються з подвійним викликом: виявленням теплоконтрастних об'єктів у реальному часі та їх ідентифікацією в…

#тепловізійні системи #ідентифікація цілей #локалізація зони інтересу #динамічний тепловий портрет
10.20535/kpisn.2026.3.359114

МЕТОДИКА ФОРМУВАННЯ ІНФОРМАТИВНОГО ПРОСТОРУ ОЗНАК ТЕХНІЧНИХ ІНДИКАТОРІВ ФІНАНСОВИХ ПРОЦЕСІВ НА ОСНОВІ НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ

Роман Тертичний, Денис Чупрін, Петро Бідюк

Проблематика. Фінансові часові ряди характеризуються нелінійністю, нестаціонарністю та високим рівнем шуму, що суттєво ускладнює їх моделювання та прогнозування.…

#методика формування інформативного простору ознак #технічні індикатори #волатильність Паркінсона #нейронні мережі
10.20535/kpisn.2026.3.359610

МЕТОДИ ЗАБЕЗПЕЧЕННЯ ЦІЛІСНОСТІ ОБРОБКИ ТА ПЕРЕДАЧІ ДАНИХ У ПРОМИСЛОВИХ СИСТЕМАХ АВТОМАТИЗАЦІЇ

Ярослав Корпань, Євген Федоров, Ольга Нечипоренко

Проблематика. Сучасні промислові системи контролю характеризуються високим рівнем інтеграції інформаційних і фізичних процесів та використанням розподілених…

#промислові системи автоматизації #SCADA-системи #цілісність даних #кібербезпека ICS
10.20535/kpisn.2026.3.361520

Статті цього автора (цих авторів), які найбільше читають

Схожі статті

1-10 з 52

Ви також можете розпочати розширений пошук схожих статей для цієї статті.