Descriptores de forma para nubes de puntos 3D

Abstract

Dada su versatilidad, los dispositivos de escaneo y adquisición de datos 3D se han vuelto muy populares. Funcionan creando una nube de puntos referenciados espacialmente y, mediante técnicas de postprocesamiento, los convierten en un modelo 3D que emula la forma escaneada. Esto ha permitido la utilización de la nube de puntos como dato primario, llegando a ser un tipo importante de representación de estructuras geométricas. Es necesario evaluar la extracción y análisis efectivo de los descriptores de forma para su uso en tareas de visión por computador más precisas y eficientes como, por ejemplo, en reconocimiento de patrones, métodos de aprendizaje automático y Geometric Deep Learning, un emergente campo que considera la naturaleza no euclídea de los datos basados en formas. Para nubes de puntos y objetos 3D complejos, con el análisis morfométrico clásico se pueden perder partes del objeto o sus detalles finos, algunos datos incluso muy significativos como propiedades de la textura. Además, las representaciones euclidianas comunes no son intrínsecas y varían al cambiar de postura o deformar la nube u objeto. Lograr una correcta descripción e invariabilidad de la forma, un requisito común en muchas aplicaciones computacionales, exige modelos muy complejos y enormes conjuntos de datos de entrenamiento, debido al gran número de grados de libertad que implica la descripción de formas no rígidas. Nuestro objetivo es presentar algunos de los descriptores de forma más utilizados, sus características e importancia en el análisis de nubes de puntos 3D y ofrecer una visión general de este método de análisis morfométrico.El caso de estudio analizado es el del torso humano, con la finalidad de transferir el conocimiento generado a la problemática del diagnóstico y tratamiento del sobrepeso y la obesidad.