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

1. Détection de plans dans les nuages de points 3D générésà partird’uneplateforme mobile avec scanner laser Thème D du GDR ISIS Jeudi 27 Mai 2010 Jean-Emmanuel Deschaud Directeur de thèse : François Goulette

2. Sommaire • Introduction • Détection de zones planes : • Améliorationsur la précision • Améliorationsur la rapidité • Evaluation et tests • Autres axes de recherche : • Débruitage de nuages de points • Colorisationde nuages de points • Conclusion 2

3. Introduction Plateforme d’acquisition LARA-3D Photo du prototype LARA-3D (2008) Principe de fonctionnement du scanner laser

4. Introduction Scanner Laser et Caméra avec Fish-Eye Image de la caméra (1024*768)‏ Plateforme rigide scanner laser/caméra Données Laser en 2D (10 000 points/s) 4

5. Introduction Objectif : modélisation de données laser relevées par système mobile Numérisation de la RD786 dans les Côtes d’Armor (01/03/2008) 5

6. Introduction Objectif : modélisation de données laser relevées par système mobile Numérisation de la façade Nord du Musée d’Orsay avec la nouvelle version de LARA3D (23/10/2009) 6

7. Modélisation Chaîne de traitement d’une modélisation 3D : 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 7

8. Introduction Approches existantes pour les plateformes mobiles 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. Introduction Approches existantes pour des stations laser fixes 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 9

10. Introduction Différents niveaux de représentation - 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, …) 10

11. Introduction Motivations • - 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) Choix de la modélisation : Modèle Route + Zones planes + Maillage libre par triangulation 11

12. Sommaire • Introduction • Détection de zones planes : • Améliorationsur la précision • Améliorationsur la rapidité • Evaluation et tests • Autres axes de recherche : • Débruitage de nuages de points • Colorisationde nuages de points • Conclusion 12

13. Segmentation • Motivations : • - 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 13

14. Sommaire • Introduction • Détection de zones planes : • Améliorationsur la précision • Améliorationsur la rapidité • Evaluation et tests • Autres axes de recherche : • Débruitage de nuages de points • Colorisationde nuages de points • Conclusion 14

15. Segmentation • Amélioration sur la précision : meilleur calcul des normales Estimation classique de normales par voisinage pondéré Etape 1 : Calcul de la normalepondérée en chaque point : Etape 2 : Utilisation d’un voisinageadaptatif : Amélioration du calcul de normales par voisinage adaptatif 15

16. Segmentation • Amélioration sur la précision : meilleur calcul des normales Evaluation de l’amélioration des normales en fonction du paramètre α 16

17. Sommaire • Introduction • Détection de zones planes : • Améliorationsur la précision • Améliorationsur la rapidité • Evaluation et tests • Autres axes de recherche : • Débruitage de nuages de points • Colorisationde nuages de points • Conclusion 17

18. Segmentation • Amélioration sur la rapidité : croissance de région par voxels Nuage de points dans une structure d’Octree Exemple de voisinage d’un voxel 18

19. Sommaire • Introduction • Détection de zones planes : • Améliorationsur la précision • Améliorationsur la rapidité • Evaluation et tests • Autres axes de recherche : • Débruitage de nuages de points • Colorisationde nuages de points • Conclusion 19

20. Segmentation • Evaluation de la méthode de segmentation : 20

21. Segmentation • Tests sur des données réelles : Détection de plans dans un nuage points provenant d’une plateforme mobile 21

22. Segmentation • Tests sur des données réelles : Détection de plans dans un nuage points provenant de scanners fixes 22

23. Sommaire • Introduction • Détection de zones planes : • Améliorationsur la précision • Améliorationsur la rapidité • Evaluation et tests • Autres axes de recherche : • Débruitage de nuages de points • Colorisation de nuages de points • Conclusion 23

24. Débruitage Lissage par MEAN Lissage par NLD Maillage brut 24

25. Triangulation Modélisation de la RD786 Modélisation du Musée d’Orsay 25

26. Sommaire • Introduction • Détection de zones planes : • Améliorationsur la précision • Améliorationsur la rapidité • Evaluation et tests • Autres axes de recherche : • Débruitage de nuages de points • Colorisation de nuages de points • Conclusion 26

27. Images Nuage de points colorés de la Rue de Rivoli 27

28. Images Nuage de points colorés du Jardin de l’Ecole 28

29. Sommaire • Introduction • Détection de zones planes : • Améliorationsur la précision • Améliorationsur la rapidité • Evaluation et tests • Autres axes de recherche : • Débruitage de nuages de points • Colorisation • Conclusion 29

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 30

31. Modélisation Etape 2 Segmentation : Découpage en sections 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.

32. Triangulation Ball Pivoting Algorithm (BPA), Bernardini, 1999

33. Triangulation Modèle 3D brut Détail Modèle 3D brut du Musée d’Orsay 33