Détection de plans dans les nuages de points 3D générés à partir dune plateforme mobile avec scanner laser Thème D du GDR ISIS Jeudi 27 Mai 2010 Jean-Emmanuel

Détection de plans dans les nuages de points 3D Détection de plans dans les nuages de points 3D générés à partir d’une plateforme mobile avec générés à partir d’une plateforme mobile avec

scanner laserscanner laser

Thème D du GDR ISISThème D du GDR ISIS

Jeudi 27 Mai 2010Jeudi 27 Mai 2010

Jean-Emmanuel DeschaudJean-Emmanuel Deschaud

Directeur de thèse : François GouletteDirecteur de thèse : François Goulette

2

Sommaire• IntroductionIntroduction

• Détection de zones planes :Détection de zones planes :

• Amélioration sur la précisionAmélioration sur la précision

• Amélioration sur la rapiditéAmélioration sur la rapidité

• Evaluation et testsEvaluation et tests

• Autres axes de recherche :Autres axes de recherche :

• Débruitage de nuages de pointsDébruitage de nuages de points

• Colorisation de nuages de pointsColorisation de nuages de points

• ConclusionConclusion

Plateforme d’acquisition LARA-3D

Introduction

Photo du prototype LARA-3D (2008) Principe de fonctionnement du scanner laser

4

Scanner Laser et Caméra avec Fish-Eye

Introduction

Données Laser en 2D (10 000 points/s)

Image de la caméra (1024*768)

Plateforme rigide scanner laser/caméra

5

Introduction

Numérisation de la RD786 dans les Côtes d’Armor (01/03/2008)

Objectif : modélisation de données laser relevées par système mobile

6

Introduction

Numérisation de la façade Nord du Musée d’Orsay avec la nouvelle version de LARA3D (23/10/2009)

Objectif : modélisation de données laser relevées par système mobile

7

Chaîne de traitement d’une modélisation 3D :

Modélisation

Données d’entrée : images de profondeur, scans 2D ou scans 3D

1 Débruitage et Filtrage des données

2 Segmentation (extraction de lignes, de plans, …)

3 Construction d’un modèle

4 Triangulation

5 Simplification et lissage du maillage

6 Texturation

Approches existantes pour les plateformes mobiles

Introduction

Frueh et Zakhor « Data Processing Algorithms for Generating Textured 3D Building Facade Meshes from Laser Scans and Camera Images » en 2005

Xavier Brun « Modélisation 3D texturée en temps réel d'environnements urbains et routiers, et application au calcul de distance de visibilité routière» en 2007

9

Approches existantes pour des stations laser fixes

Introduction

Stamos et Allen « 3D Modeling Using Planar Segments and Mesh Elements » en 2006

Pu et Vosselman «Automatic building modeling from terrestrial laser scanning» en 2008

10

Différents niveaux de représentation

Introduction

- Modélisation sans reconnaissance (Maillage libre) - Modélisation avec reconnaissance de formes géométriques (plans, cylindres, …) - Modélisation avec reconnaissance d’éléments métiers : architecturaux (façades, fenêtres, portes, …), routiers (carrefours, bas-côtés, …), industriels (tuyaux, …)

11

Introduction

- Améliorer la qualité visuelle des modèles 3D produits par LARA3D (débruitage, segmentation, meilleure triangulation...)

- Diminuer la taille des modèles (nombre de facettes)

- Modélisation sans connaissance a priori sur la scène (même chaîne de traitement pour de l’environnement urbain (TerraData) et routier (DIVAS)

Motivations

Choix de la modélisation : Modèle Route + Zones planes + Maillage libre par triangulation

12










13

SegmentationMotivations :

- Modélisation simple des zones planes

- Avoir une bonne détection des bords des zones planes

- Traiter de gros volumes de nuages de points en un minimum de temps

Etat de l’art :

- Schnabel, 2007, basé sur RANSAC

- Vaskevicius, 2006, basé sur croissance de région

14










Etape 1 : Calcul de la normale pondérée en chaque point :

Etape 2 : Utilisation d’un voisinage adaptatif :

15

SegmentationAmélioration sur la précision : meilleur calcul des normales

Estimation classique de normales par voisinage pondéré

Amélioration du calcul de normales par voisinage adaptatif

16

SegmentationAmélioration sur la précision : meilleur calcul des normales

Evaluation de l’amélioration des normales en fonction du paramètre α

17










18

SegmentationAmélioration sur la rapidité : croissance de région par voxels

Exemple de voisinage d’un voxel

Nuage de points dans une structure d’Octree

19










20

SegmentationEvaluation de la méthode de segmentation :

21

SegmentationTests sur des données réelles :

Détection de plans dans un nuage points provenant d’une plateforme mobile

22

SegmentationTests sur des données réelles :

Détection de plans dans un nuage points provenant de scanners fixes

23










24

Débruitage

Maillage brut Lissage par MEAN Lissage par NLD

25

Triangulation

Modélisation du Musée d’Orsay

Modélisation de la RD786

26










27

Images

Nuage de points colorés de la Rue de Rivoli

28

Images

Nuage de points colorés du Jardin de l’Ecole

29








• ColorisationColorisation


30

Conclusion

Conclusion

- Mise en place d’une chaîne de modélisation adaptée pour des données venant de MMS

- Amélioration de l’étape de débuitage et de segmentation

Etape 2 Segmentation : Découpage en sections

Modélisation

En entrée de la modélisation, on récupère un flux de profils lasers géoréférencés : - Traiter les données profils par profils : perte sémantique - Traiter le nuage de points en entier : pas de temps réel

- Nous avons choisi de travailler par sections.

Triangulation

Ball Pivoting Algorithm (BPA), Bernardini, 1999

33

Triangulation

Modèle 3D brut du Musée d’Orsay

Détail

Modèle 3D brut

Documents

Détection de plans dans les nuages de points 3D générés à partir dune plateforme mobile avec scanner laser Thème D du GDR ISIS Jeudi 27 Mai 2010 Jean-Emmanuel