Registrasi Point Cloud Berbasis Citra Multiview Untuk Rekonstruksi Objek 3D

Imanullah, Muhammad (2019) Registrasi Point Cloud Berbasis Citra Multiview Untuk Rekonstruksi Objek 3D. Masters thesis, Institut teknologi sepuluh november surabaya.

Text 07111750050001_Master_Thesis.pdf Restricted to Repository staff only Download (3MB)

Abstract

Upaya rekonstruksi tiga dimensi sebuah objek nyata membutuhkan berbagai pendekatan untuk menyelesaikan permasalahan mendasar yang dihadapi, seperti akurasi, keutuhan, dan metode akuisisi. Dalam aspek keutuhan, hasil rekonstruksi yang diperoleh dari berbagai sudut pandang dengan orientasi kamera berbeda harus disatukan melalui proses registrasi agar menghasilkan model yang utuh dan lengkap. Proses registrasi bertujuan menyelaraskan data hasil rekonstruksi suatu objek yang diambil dari berbagai sudut pandang menjadi satu kesatuan yang konsisten. Tahapan registrasi meliputi akuisisi data, pendefinisian dan pencocokan feature, perhitungan dan dekomposisi essential matrix, coarse registration (registrasi kasar), serta refinement (penyempurnaan). Pada penelitian ini diusulkan penggunaan algoritma Scale-Invariant Feature Transform (SIFT) pada proses ekstraksi dan pencocokan feature untuk memperoleh korespondensi titik dari citra multi-view lingkungan indoor dan outdoor, yang selanjutnya digunakan dalam tahapan registrasi. Pencarian korespondensi titik merupakan tahap yang krusial karena menjadi dasar dalam menghitung essential matrix yang mendefinisikan hubungan orientasi geometris antardata sehingga coarse registration dapat dilakukan. Proses registrasi kemudian disempurnakan menggunakan metode Iterative Closest Point (ICP) terhadap hasil coarse registration. Hasil penelitian menunjukkan bahwa algoritma SIFT bekerja sangat baik dalam ekstraksi dan pencocokan feature untuk mendukung proses registrasi point cloud. Berdasarkan perbandingan dengan algoritma Speeded-Up Robust Features (SURF), SIFT menghasilkan jumlah feature sekitar 2,09 kali lebih banyak, tetapi membutuhkan waktu komputasi sekitar 152,19 kali lebih lama. Selain itu, proses refinement menggunakan ICP mampu mengurangi rata-rata error sebesar 64,97% pada dataset outdoor mobil putih, 8,88% pada dataset indoor dapur 1, dan 87,12% pada dataset indoor dapur 2. Penurunan error tersebut menunjukkan bahwa proses refinement berhasil memperbaiki perbedaan orientasi seluruh point cloud yang diregistrasi.
===================================================================================================================================
Three-dimensional (3D) reconstruction requires various approaches to address fundamental challenges such as accuracy, completeness, and data acquisition methods. To obtain a complete and consistent 3D model, reconstructed objects captured from multiple viewpoints must be registered into a unified representation. The registration process aims to combine and align reconstructed data acquired from different camera orientations into a single, complete model. The registration pipeline consists of data acquisition, feature extraction and matching, essential matrix calculation and decomposition, coarse registration, and refinement. This study proposes the use of the Scale-Invariant Feature Transform (SIFT) algorithm for feature extraction and matching to establish point correspondences among indoor and outdoor multi-view images, followed by the subsequent registration stages. Establishing point correspondences is a critical step because it provides the basis for calculating the essential matrix, which defines the initial geometric relationship between image pairs and enables coarse registration. The registration process is finalized through refinement using the Iterative Closest Point (ICP) algorithm applied to the coarse registration results. Experimental results demonstrate that SIFT performs effectively in feature extraction and matching for point cloud registration. Compared with the Speeded-Up Robust Features (SURF) algorithm, SIFT extracted approximately 2.09 times more features but required approximately 152.19 times longer computation time. Furthermore, the ICP-based refinement process reduced the average registration error by 64.97% for the white car dataset, 8.88% for the Kitchen 1 dataset, and 87.12% for the Kitchen 2 dataset, indicating a substantial improvement in the alignment accuracy of the registered point clouds.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	3D, feature matching, multi-view, registration, reconstruction
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Electrical Technology > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Muhammad Imanullah
Date Deposited:	05 Aug 2026 08:20
Last Modified:	05 Aug 2026 08:20
URI:	http://repository.its.ac.id/id/eprint/65098

Actions (login required)

View Item