Wyniki wyszukiwania - BazTech

1

Rejestracja chmur punktów 3D w oparciu o wyodrębnione krawędzie

Poręba M., Goulette F.

Archiwum Fotogrametrii, Kartografii i Teledetekcji

|

2014

|

Vol. 26

107--118

PL

Artykuł podejmuje tematykę rejestracji czyli łączenia i orientacji chmur punktów do jednego układu współrzędnych. Z praktycznego punktu widzenia proces ten sprowadza się do estymacji parametrów transformacji - rotacji i translacji, na podstawie wybranych elementów dopasowania jak punkty, linie czy płaszczyzny. Wykorzystano krawędzie powstałe w wyniku przecięć sąsiadujących płaszczyzn modelowanych w chmurze punktów. W rezultacie takie elementy geometryczne mogą być dokładnie wyodrębnione nawet w rzadkiej chmurze punktów. Dane symulowane obarczone addytywnym szumem Gaussa posłużyły do przetestowania kilku istniejących metod estymacji pod kątem ich odporności na szum oraz poprawności oferowanego rozwiązania. Dla potrzeb oceny ilościowej wykonanej transformacji zdefiniowano kryterium dokładności wykorzystujące zmodyfikowaną miarę odległości Hausdorffa. Jako że poprawny, automatyczny matching elementów liniowych jest zadaniem trudnym i rzutującym na poprawność estymowanych parametrów, zaproponowano metodę uwzględniającą wzajemne podobieństwo linii. Przeprowadzone testy wykazały, że algorytm ten zapewnia prawidłowe sparowanie linii, a jego dokładność wynosi co najmniej 99%, przy średnio 8% par pominiętych.

EN

The registration of 3D point clouds collected from different scanner positions is necessary in order to avoid occlusions, ensure a full coverage of areas, and collect useful data for analyzing and documenting the surrounding environment. This procedure involves three main stages: 1) choosing appropriate features, which can be reliably extracted; 2) matching conjugate primitives; 3) estimating the transformation parameters. Currently, points and spheres are most frequently chosen as the registration features. However, due to limited point cloud resolution, proper identification and precise measurement of a common point within the overlapping laser data is almost impossible. One possible solution to this problem may be a registration process based on the Iterative Closest Point (ICP) algorithm or its variation. Alternatively, planar and linear feature-based registration techniques can also be applied. In this paper, we propose the use of line segments obtained from intersecting planes modelled within individual scans. Such primitives can be easily extracted even from low-density point clouds. Working with synthetic data, several existing line-based registration methods are evaluated according to their robustness to noise and the precision of the estimated transformation parameters. For the purpose of quantitative assessment, an accuracy criterion based on a modified Hausdorff distance is defined. Since an automated matching of segments is a challenging task that influences the correctness of the transformation parameters, a correspondence-finding algorithm is developed. The tests show that our matching algorithm provides a correct pairing with an accuracy of 99 % at least, and about 8% of omitted line pairs.

2

Assessing the accuracy of land-based mobile laser scanning data

Poręba M., Goulette F.

Geomatics and Environmental Engineering

|

2012

|

Vol. 6, no. 3

73--81

EN

The quality of collected point cloud is an important matter to make possible their effective use. However, studies concerning the qualification of data obtained from mobile laser scanners are not numerous. For purposes of point clouds analysis, it is possible to define several criteria which provide information about their quality. A synthetic overview of the state of knowledge regarding accuracy assessment is presented in this paper. Afterwards, a methodology adapted to mobile mapping systems evaluation is proposed. The study was aimed to validate received data in terms of accuracy, rather than assess the individual components of the system. The evaluation was conducted in two ways. In the first one, it was achieved through integration with other data sources such as high resolution point clouds from static terrestrial laser scanning as a reference. As a result, an average distanceof 0.185 m in relation to the reference cloud was obtained. On the other hand, a classical Total Station survey of points on building fasade was made. Afterwards, length of various combinations of sections were compared with corresponding sections in mobile point cloud. Finally, assumptions made for both methodologies, their limitations and the experimental results obtained are briefly discussed.

PL

W dobie rosnącej popularności mobilnych systemów skanujących MLS oczywista stała się potrzeba kwalifikacji pozyskiwanych przez nie danych. Mimo że dokładność chmur punktów ma istotne znaczenie z uwagi na możliwości ich późniejszego wykorzystania, to jednak dotychczas przeprowadzone badania nie są liczne. Artykuł w sposób syntetyczny przedstawia aktualny stan wiedzy w zakresie oceny dokładności danych lidarowych. W tym kontekście przeprowadzona została walidacja danych z mobilnego systemu skanowania laserowego LARA3D rozwijanego przez Ośrodek Robotyki w MINES ParisTech. Zadaniem była weryfikacja chmury punktów pod kątem jej dokładności, nie zaś ocena jakości danych zarejestrowanych przez poszczególne komponenty systemu. Analiza dokładności została przeprowadzona na dwa sposoby. W pierwszym podejściu jako dane referencyjne wykorzystano geodezyjne pomiary klasyczne szczegółów naturalnych występujących na fasadzie budynku. W drugiej metodzie chmura punktów porównana została z danymi referencyjnymi, które stanowiła wysokorozdzielcza chmura punktów pochodząca z naziemnego skaningu laserowego. Przeprowadzone badania pokazały, że prototyp LARA3D pozwala rejestrować dane o dokładności lepszej niż 0,3 m. Na podstawie uzyskanych wyników można stwierdzić iż wykorzystanie istniejących źródeł danych jako referencji zapewnia szybką i wiarygodną ocenę dokładności chmur punktów pochodzących z MLS.

3

Automatyczna detekcja płaszczyzn w chmurze punktów w oparciu o algorytm RANSAC i elementy teorii grafów

Poręba M., Goulette F.

Archiwum Fotogrametrii, Kartografii i Teledetekcji

|

2012

|

Vol. 24

301--310

PL

Artykuł przedstawia metodę automatycznego wyodrębniania punktów modelujących płaszczyzny w chmurach punktów pochodzących z mobilnego bądź statycznego skaningu laserowego. Zaproponowany algorytm bazuje na odpornym estymatorze RANSAC umożliwiającym iteracyjną detekcję płaszczyzn w zbiorze cechującym się znacznym poziomem szumu pomiarowego i ilością punktów odstających. Aby zoptymalizować jego działanie, dla każdej wykrytej płaszczyzny uwzględniono relacje sąsiedztwa pomiędzy punktami przynależnymi. W tym celu zastosowano podejście oparte na teorii grafów, gdzie chmura punktów traktowana jest jako graf nieskierowany, dla którego poszukiwane są spójne składowe. Wprowadzona modyfikacja obejmuje dwa dodatkowe etapy: ustalenie najbliższych sąsiadów dla każdego punktu wykrytej płaszczyzny wraz z konstrukcją listy sąsiedztwa oraz etykietowanie spójnych komponentów. Rezultaty uzyskane pokazują iż algorytm poprawnie wykrywa płaszczyzny modelujące, przy czym niezbędny jest odpowiedni dobór parametrów początkowych. Czas przetwarzania uzależniony jest przede wszystkim od liczby punktów w chmurze. Nadal jednak aktualny pozostaje problem wrażliwości algorytmu RANSAC na niską gęstość chmury oraz nierównomierne rozmieszczenie punktów.

EN

Laser scanning techniques play very important role in acquiring of spatial data. Once the point cloud is available, the data processing must be performed to achieve the final products. The segmentation is an inseparable step in point cloud analysis in order to separate the fragments of the same semantic meaning. Existing methods of 3D segmentation are divided into two categories. The first family contains algorithms functioning on principle of fusion, such as surface growing approach or split-merge algorithm. The second group consists of techniques making possible the extraction of features defined by geometric primitives i.e.: sphere, cone or cylinder. Hough transform and RANSAC algorithm (RANdom SAmple Consensus) are classified to the last of aforementioned groups. This paper studies techniques of point cloud segmentation such as fully automatic plane detection. Proposed method is based on RANSAC algorithm providing an iterative plane modelling in point cloud affected by considerable noise. The algorithm is implemented sequentially, therefore each successive plane represented by the largest number of points is separated. Despite all advantages of RANSAC, it sometimes gives erroneous results. The algorithm looks for the best plane without taking into account the particularity of the object. Consequently, RANSAC may combine points belonging to different objects into one single plane. Hence, RANSAC algorithm is optimized by analysing the adjacency relationships of neighbouring points for each plane. The approach based on graph theory is thus proposed, where the point cloud is treated as undirected graph for which connected components are extracted. Introduced method consists of three main steps: identification of k-nearest neighbours for each point of detected plane, construction of adjacency list and finally connected component labelling. Described algorithm was tested with raw point clouds, unprocessed in sense of filtration. All the numerical tests have been performed on real data, characterized by different resolutions and derived from both mobile and static laser scanning techniques. Obtained results show that proposed algorithm properly separates points for particular planes, whereas processing time is strictly dependent on number of points within the point cloud. Nevertheless, susceptibility of RANSAC algorithm to low point cloud density as well as irregular points distribution is still animportant problem. This paper contains literature review in subject of existing methods for plane detection in data set. Moreover, the description for proposed algorithm based on RANSAC, its principle, as well as the results is also presented.