La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

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.

Présentations similaires


Présentation au sujet: "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."— Transcription de la présentation:

1 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 Deschaud Directeur de thèse : François Goulette

2 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

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

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

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

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

7 7 Chaîne de traitement dune modélisation 3D : Modélisation Données dentrée : images de profondeur, scans 2D ou scans 3D 1 Débruitage et Filtrage des données 2 Segmentation (extraction de lignes, de plans, …) 3 Construction dun modèle 4 Triangulation 5 Simplification et lissage du maillage 6 Texturation

8 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 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 10 Différents niveaux de représentation Introduction - Modélisation sans reconnaissance (Maillage libre) - Modélisation avec reconnaissance de formes géométriques (plans, cylindres, …) - Modélisation avec reconnaissance déléments métiers : architecturaux (façades, fenêtres, portes, …), routiers (carrefours, bas-côtés, …), industriels (tuyaux, …)

11 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 lenvironnement urbain (TerraData) et routier (DIVAS) Motivations Choix de la modélisation : Modèle Route + Zones planes + Maillage libre par triangulation

12 12 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

13 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 lart : - Schnabel, 2007, basé sur RANSAC - Vaskevicius, 2006, basé sur croissance de région

14 14 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

15 Etape 1 : Calcul de la normale pondérée en chaque point : Etape 2 : Utilisation dun voisinage adaptatif : 15 Segmentation Amélioration sur la précision : meilleur calcul des normales Estimation classique de normales par voisinage pondéré Amélioration du calcul de normales par voisinage adaptatif

16 16 Segmentation Amélioration sur la précision : meilleur calcul des normales Evaluation de lamélioration des normales en fonction du paramètre α

17 17 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

18 18 Segmentation Amélioration sur la rapidité : croissance de région par voxels Exemple de voisinage dun voxel Nuage de points dans une structure dOctree

19 19 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

20 20 Segmentation Evaluation de la méthode de segmentation :

21 21 Segmentation Tests sur des données réelles : Détection de plans dans un nuage points provenant dune plateforme mobile

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

23 23 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

24 24 Débruitage Maillage brut Lissage par MEANLissage par NLD

25 25 Triangulation Modélisation du Musée dOrsay Modélisation de la RD786

26 26 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

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

28 28 Images Nuage de points colorés du Jardin de lEcole

29 29 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 ColorisationColorisation ConclusionConclusion

30 30 Conclusion - Mise en place dune chaîne de modélisation adaptée pour des données venant de MMS - Amélioration de létape de débuitage et de segmentation

31 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.

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

33 33 Triangulation Modèle 3D brut du Musée dOrsay Détail Modèle 3D brut


Télécharger ppt "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."

Présentations similaires


Annonces Google