[pt] No presente trabalho propomos uma nova forma de extrair a silhueta de uma nuvem de pontos, via reconstrução local de uma superfície descrita implicitamente por uma função polinomial. Esta reconstrução é baseada nos métodos Gradient one fitting e Ridge regression. A curva silhueta fica definida implicitamente por um sistema de equações não-lineares e sua geração é feita por continuação numérica. Como resultado, verificamos que nosso método se mostrou adequado para tratar dados com ruídos. Além disso, apresentamos um método para a extração local de linhas laplacianas de uma nuvem de pontos baseado na reconstrução local utilizando a triangulação de Delaunay. / [en] In this work we propose a new method for silhouette extraction of a point cloud, via local reconstruction of a surface described implicitly by a polynomial function. This reconstruction is based on the Gradient one fitting and Ridge regression methods. The curve silhouette is implicitly defined by a system of nonlinear equations, and is obtained using numerical continuation. As a result, we observe that our method is suitable to handle noisy data. In addition, we present a method for extracting Laplacian Lines of a point cloud based on local reconstruction using the Delaunay triangulation.

[pt] Esta dissertação faz um estudo sobre a geração de efeitos visuais (VFX) a partir da captura de objetos em movimento como nuvens muito densas de pontos utilizando múltiplas câmeras RGB-D de baixo custo. Para este estudo, são utilizados um software comercial para renderização de partículas e alguns módulos já desenvolvidos pelo Departamento de P&D em VFX da TV Globo em parceria com o laboratório ICAD/VisionLab para a captura simultânea de múltiplas câmeras MS Kinect. No pipeline de produção proposto, um servidor sincroniza os disparos das várias câmeras, unifica as nuvens e gera um arquivo em formato padrão (PRP ou PLY). Este arquivo é, então, utilizado para a renderização de partículas volumétricas com adição de efeitos visuais utilizando o software Krakatoa MX para o 3DS Max. O objetivo é filmar cenas de maneira que o diretor possa posteriormente definir as cenas finais com qualquer trajetória de câmera e adicionar efeitos visuais. / [en] This dissertation is an investigation on the generation of visual effects (VFX) from the capture of moving objects as very dense point clouds using multiple low-cost RGB-D cameras. For this investigation, we use a commercial software for particle rendering and some modules already developed by the Department of VFX R&D of TV Globo in partnership with ICAD/VisionLab laboratory for the simultaneous capture of multiple MS Kinect cameras. In the proposed production pipeline, a server synchronizes the shooting of multiple cameras, unifies the clouds and generates a file in standard format (PRP or PLY). This file is then used for volumetric particle rendering with added visual effects using the Krakatoa MX software for 3DS Max. The goal is to shoot scenes in such a way that the film director can later define the final scenes with any camera path and adding visual effects.

[pt] Esta dissertação tem por objetivo realizar a caracterização metrológica de scanners ópticos tridimensionais por projeção de luz estruturada com vistas à aplicação em ensaios de coletes balísticos. Técnicas de digitalização tridimensional vêm ganhando popularidade nas últimas décadas, entretanto o recente emprego de equipamentos de digitalização 3D em ensaios de coletes balísticos constitui uma nova aplicação para estes equipamentos, em especial na caracterização dos traumas originados pelos impactos de projéteis, o que motivou a realização do estudo. A metodologia empregada fundamentou-se nas pesquisas bibliográfica, documental, experimental e de laboratório que tiveram por objetivo coletar dados utilizando scanner por projeção de luz estruturada no contexto de ensaios de coletes balísticos e compará-los com valores de referência. Foram sugeridos processos de alinhamento, segmentação, filtragem e estabelecimento de planos de referência que se mostraram adequados ao tratamento das nuvens de pontos obtidas nos ensaios de coletes balísticos. Os resultados confirmaram os erros sistemáticos relatados na literatura para equipamentos de digitalização por luz estruturada e possibilitaram uma estimativa da incerteza de medição para o equipamento em questão. Concluiuse que os valores críticos de medição de traumas são corretamente medidos pelo instrumento de digitalização 3D e por meio da utilização do método sugerido para tratamento de nuvens de pontos neste contexto. / [en] This dissertation aims at performing the metrological characterization of three-dimensional optical scanners by structured light projection for application in ballistic vest tests. Three-dimensional scanning techniques have been gaining popularity in recent decades, however the recent use of 3D scanning equipment in ballistic vests testing is a new application for these devices, especially in the characterization of traumas caused by projectile impacts, which motivated the realization of the study. The methodology used was based on bibliographic, documentary, experimental and laboratory research aimed at collecting data using a structured light projection scanner in the context of ballistic vests tests and comparing them with reference values. Procedures for alignment, segmentation, filtering and establishment of reference planes were suggested, which proved to be adequate for the treatment of point clouds obtained from ballistic vest tests. The results confirmed the systematic errors reported in the literature for structured light scanning equipment and made it possible to estimate the measurement uncertainty for the equipment in question. It was concluded that the critical trauma measurement values are correctly measured by the 3D scanning instrument and by using the suggested method for treating point clouds in this context.

[pt] Modelos CAD 3D ricos em dados são essenciais durante os diferentes estágios do ciclo de vida de projetos de engenharia. Devido à recente popularização da metodologia Modelagem de Informação da Construção e do uso de Gêmeos Digitais para a manufatura inteligente, a quantidade de detalhes, o tamanho, e a complexidade desses modelos aumentaram significativamente. Apesar desses modelos serem compostos de várias geometrias repetidas, os softwares de projeto de plantas geralmente não proveem nenhuma informação de instanciação. Trabalhos anteriores demonstraram que removendo a redundância na representação dos modelos CAD 3D reduz significativamente o armazenamento e requisição de memória deles, ao passo que facilita otimizações de renderização. Este trabalho propõe um arcabouço para correspondência de formas baseado em aprendizado profundo que minimiza as informações redundantes de um modelo CAD 3D a esse respeito. Nos apoiamos nos avanços recentes no processamento profundo de nuvens de pontos, superando desvantagens de trabalhos anteriores, como a forte dependencia da ordenação dos vértices e topologia das malhas de triângulos. O arcabouço desenvolvido utiliza nuvens de pontos uniformemente amostradas para identificar similaridades entre malhas em modelos CAD 3D e computam uma matriz de transformação afim ótima para instancia-las. Resultados em modelos CAD 3D reais demonstram o valor do arcabouço proposto. O procedimento de registro de nuvem de pontos desenvolvido atinge um erro de superfície menor, ao mesmo tempo que executa mais rápido que abordagens anteriores. A abordagem supervisionada de classificação desenvolvida antinge resultados equivalentes em comparação com métodos limitados anteriores e os superou significativamente num cenário de embaralhamento de vértices. Propomos também uma abordagem auto-supervisionada que agrupa malhas semelhantes e supera a necessidade de rotular explicitamente as geometrias no modelo CAD 3D. Este método auto-supervisionado obtém resultados competitivos quando comparados às abordagens anteriores, até mesmo superando-as em determinados cenários. / [en] Data-rich 3D CAD models are essential during different life-cycle stages of engineering projects. Due to the recent popularization of Build Information Modeling methodology and the use of Digital Twins for intelligent manufacturing, the amount of detail, size, and complexity of these models have significantly increased. Although these models are composed of several repeated geometries, plant-design software usually does not provide any instancing information. Previous works have shown that removing redundancy in the representation of 3D CAD models significantly reduces their storage and memory requirements, whilst facilitating rendering optimizations. This work proposes a deep-learning-based shape-matching framework that minimizes a 3D CAD model s redundant information in this regard. We rely on recent advances in the deep processing of point clouds, overcoming drawbacks from previous work, such as heavy dependency on vertex ordering and topology of triangle meshes. The developed framework uses uniformly sampled point clouds to identify similarities among meshes in 3D CAD models and computes an optimal affine transformation matrix to instantiate them. Results on actual 3D CAD models demonstrate the value of the proposed framework. The developed point-cloud-registration procedure achieves a lower surface error while also performing faster than previous approaches. The developed supervised-classification approach achieves equivalent results compared to earlier, limited methods and significantly outperformed them in a vertex shuffling scenario. We also propose a selfsupervised approach that clusters similar meshes and overcomes the need for explicitly labeling geometries in the 3D CAD model. This self-supervised method obtains competitive results when compared to previous approaches, even outperforming them in certain scenarios.

[pt] As tecnologias de imageamento em três dimensões (3D) vêm tendo seu uso cada vez mais disseminado no meio acadêmico e no setor industrial, especialmente na forma de nuvens de pontos, uma representação matemática da geometria e superfície de um objeto ou área. No entanto, a obtenção desses dados pode ainda ser cara e demorada, reduzindo a eficiência de muitos procedimentos que são dependentes de um grande conjunto de nuvens de pontos, como a geração de datasets para treinamento de aprendizagem de máquina, cálculo de dossel florestal e inspeção submarina. Uma solução atualmente em voga é a criação de simuladores computacionais de sistemas de imageamento, realizando o escaneamento virtual de um cenário feito a partir de arquivos de objetos 3D. Este trabalho apresenta o desenvolvimento de um simulador de sistema LiDAR (light detection and ranging) baseado em algoritmos de rastreamento de raio com paralelismo (GPU raytracing), com o sensor virtual modelado por parâmetros metrológicos e calibrado por meio de comparação com um sensor real, juntamente com um gerador flexível de cenários virtuais. A combinação destas ferramentas no simulador resultou em uma geração robusta de nuvens de pontos sintéticas em cenários diversos, possibilitando a criação de datasets para uso em testes de conceitos, combinação de dados reais e virtuais, entre outras aplicações. / [en] Three dimensional (3D) imaging technologies have been increasingly used in academia and in the industrial sector, especially in the form of point clouds, a mathematical representation of the geometry and surface of an object or area. However, obtaining this data can still be expensive and time consuming, reducing the efficiency of many procedures dependent on a large set of point clouds, such as the generation of datasets for machine learning training, forest canopy calculation and subsea survey. A trending solution is the development of computer simulators for imaging systems, performing the virtual scanning of a scenario made from 3D object files. At the end of this process, synthetic point clouds are obtained. This work presents the development of a LiDAR system simulator (light detection and ranging) based on parallel ray tracing algorithms (GPU raytracing), with its virtual sensor modeled by metrological parameters. A way of calibrating the sensor is displayed, by comparing it with the measurements of a real LiDAR sensor, in addition to surveying error models to increase the realism of the virtual scan. A flexible scenario creator was also implemented to facilitate interaction with the user. The combination of these tools in the simulator resulted in a robust generation of synthetic point clouds in different scenarios, enabling the creation of datasets for use in concept tests, combining real and virtual data, among other applications.