Enjeux et applications. Cartographie mobile

Dimension: px

Commencer à balayer dès la page:

Download "Enjeux et applications. Cartographie mobile"

Laurent Raphael Lebrun
il y a 6 ans
Total affichages :

1 Cartographie Mobile : Enjeux et applications 1 / 51

2 Introduction 2 / 51

3 Introduction La cartographie mobile (mobile mapping), qu'est ce que c'est? Numérisation très haute résolution au niveau du sol : Image et/ou laser Plateforme terrestre en déplacement (voiture, train, bateau, ) Nécessite un système de géoréférencement pour localiser les données Essor depuis une dizaine d'années: Limite atteinte de résolution des capteurs aéroportés : Il faut se rapprocher de la scène Augmentation des capacités de stockage et traitement Apparition de capteurs dédiés au mobile mapping : Centrales inertielles Imagerie panoramique Laser spécialisé 3 / 51

4 Applications Détection d'objets urbains: Sol : limites de trottoir qualité du revètements défauts Façades (portes, fenêtres, balcons,...) Végétation, Mobilier urbain Objets mobiles (voitures, 2-roues, piétons,...) Marquages au sol, panneaux de signalisation Modélisation géométrique fine de ces objets Texturation de ces objets Détection de changements 4 / 51

5 Applications haut niveau Aide à l'aménagement Inventaire pour les services gestionnaires de la voirie Plans de corps de rue pour les gestionnaires de réseaux enfouis Calculs d'itinéraires pour les mobilités douces Diagnostiques d'accessibilité PMR Cartographie pour la robotique Enquètes de stationnement Cartographie des flux Relevés 3D «au bureau» 5 / 51

6 Verrous Volume de données Images : 1 To / heure Laser : 100Go / heure Complexité des scènes : Vraie 3D (plus de 2.5D, occlusions,...) Objets mobiles (détection, filtrage, occlusions) Radiométrie (forte dynamique, reflets,...) Localisation GPS très perturbé en zone urbaines : Peu de satellites visibles Multitrajets Géométrie d'acquisition/résolution variable et anisotrope 6 / 51

7 Acquisition de données 7 / 51

8 Capteurs Un système de cartographie mobile combine des capteurs : Géopositionnement Image Laser 8 / 51

9 Capteurs de géopositionnement 3 types de capteurs: Centrale Inertielle : mesure des accélérations GPS : mesure une position Odometre : mesure une distance parcourue Un calcul combine ces informations pour en tirer une trajectoire (+incertitudes) A quel point peut on s'y fier? 9 / 51

10 Capteurs laser 2 types de capteurs: Laser plan : scanne un secteur angulaire (maintenant 360 ) d'un plan fixe par rapport au véhicule Laser rotatif: scanne un secteur angulaire (environ 40 ) d'un plan en rotation rapide par rapport au véhicule 10 / 51

11 Laser plan La scène est balayée par le plan 11 / 51

12 Laser plan Résultat : pas qu'un nuage de points Pour chaque écho: Temps Range, theta, phi : convertis en (x,y,z) dans le repère du capteurs Puis dans un référentiel géographique en utilisant la trajectoire (+t) Amplitude du signal retour (proche infrarouge) Reflectance Amplitude recue / Amplitude qu'une cible Lambertienne (à la même distance) aurait renvoyé Exprimée en db Indépendante du range 12 / 51

13 Capteurs laser 0dB -20dB 13 / 51

14 Laser rotatif Le secteur angulaire tourne (~10Hz) 14 / 51

15 Capteurs laser 15 / 51

16 Capteurs image Caméras : panoramique et paires stéréoscopiques avant et arrière Acquisition tous les 5m 16 / 51

17 Capteurs image 17 / 51

18 Capteurs image 18 / 51

19 Système d'acquisition Les capteurs doivent être calibrés Un système embarqué pour contrôler l'acquisition Démarrer/arrêter tous les capteurs Synchronisation des déclenchements caméra Alertes Stockage des données sur disques durs Post-traitements Calcul trajectographique Remise en géométrie du nuages de point Orientation des images Débayerisation 19 / 51

20 Tendances Miniaturisation : Camion>Voiture>Scooter>Sac à dos 20 / 51

21 Géoréférencement/recalage 21 / 51

22 Caractéristiques Type de données : image, laser ou les deux? Utilisation de données externes (image aérienne ou orthoimage, modèles 3D, bases de données topographiques, cartes, ) Relatif vs absolu : Relatif : mettre en cohérence la donnée (multipassages) Absolu : garantir le géoréférencement de la donnée 22 / 51

23 Caractéristiques Modèle de déformation : Image : réestimer les poses Laser : Blocs rigides : pas de continuité entre les blocs Non rigide : réestimer toute la trajectoire du véhicule. Poses de contrôle réparties dans le temps, interpolation entre les poses 23 / 51

24 Appariement Recaler nécessite de faire des appariements entre données à recaler Image/image : points d'intérêt (Harris, SIFT, SURF) Objets connus (marquages au sol, panneaux,...) Laser/laser : Objets (plans de façade, objets linéaires, marquages au sol) Dense : point à point ou point à triangle (+descripteurs) Généralisation 3D de points d'intérêt Laser/image : information mutuelle (RGB-Reflectance) Laser/BD : plans (façades) et linéaire (poteaux, troncs, ) Laser/MNT : permet de retrouver l'altimétrie après filtrage des points au sol 24 / 51

25 Estimation de pose Une fois les appariements connus, on cherche la pose (ou déformation) qui minimise l'erreur (écart entre objets appariés) Moindres carrés Estimation robuste (gestion des mauvais appariements) Iterative Closest Point (ICP) : alterne Appariement Estimation de pose jusqu'à convergence 25 / 51

26 Estimation de pose 26 / 51

27 Analyse de scène 27 / 51

28 Analyse de scène Image : problèmes de computer vision très étudié Laser : Descripteurs locaux Segmentation/classification Détection d'objets Reconstruction (de surface, d'objets paramétriques) Texturation Détection de changements 28 / 51

29 Descripteurs locaux Définition d'un voisinage : Sphérique (rayon fixe), cylindrique (rayon et hauteur fixe) Dynamique : s'adapte à la forme/densité du nuage Capteur 29 / 51

30 Descripteurs locaux Descripteurs classiques: Analyse en composantes principales sur le voisinage Dimentionalité, normale, Hauteur au dessus du sol Densité / 51

31 Segmentation/classification Segmentation : découper le nuage en «morceaux» simples K-means Composantes connexes Mean shift Graph cuts + généralisations Classification : catégoriser les points : Sol, facade, objet, végétation, Interactions segmentation/classification Résultat = segments typés Peut être vu comme un détecteur universel d'objets 31 / 51

32 Segmentation/classification 32 / 51

Reconnaissance/détection d'objets Utilisent les descripteurs locaux Détecteurs pour des objets fréquents : Arbres, poteaux, piétons, 2-roues, voitures

33 Reconnaissance/détection d'objets Utilisent les descripteurs locaux Détecteurs pour des objets fréquents : Arbres, poteaux, piétons, 2-roues, voitures Détecteurs à base de modèles : Modèle strict (panneaux de signalisation, marquages) Modèle paramétrique Représentation implicite (implicit shape models) 33 / 51

34 Reconstruction Reconstruction de surface triangulée à partir de nuages de points : Approches 2.5D : cartes de hauteur/profondeur Approches basées voxels Approches basées kd-tree Approches basées tétrahèdres Représentation continue de la scène à partir d'une représentation éparse Prétraitement pour Reconstruction plus structuée Analyse Visualisation 34 / 51

35 Reconstruction Reconstruction de surface triangulée à partir de nuages de points 35 / 51

36 Reconstruction structurée Décimation : minimiser le nombre de triangles ET l'erreur Modèles polyhédriques : regrouper des triangles coplanaires en polygones Modèles hybrides : Mélanger maillage et primitives (plans, cylindres, sphères,...) Modèles paramétriques : Chercher des instances d'objets paramétriques (catalogue) Grammaires : Chercher un production grammaticale qui colle aux données : Façade Corps de rue 36 / 51

37 Reconstruction structurée 37 / 51

38 Reconstruction structurée Ex : décomposition structurée du corps de rue Itinéraires/simulation de traffic (voitures et mobilités douces) 38 / 51

39 Texturation Principalement pour la visualisation mais aussi pour l'analyse A partir d'une surface et d'images voyant cette surface : Décider quelle image utiliser pour texturer chaque triangle : Calculer la visibilité image<->triangle Maximiser la résolution parmi les images voyant le triangle Minimiser les raccords (basé graph-cuts) Egalisation radiométrique : Minimiser les discontinuités radiométriques à travers les raccords Blending : mélanger les images autour des raccords pour les cacher 39 / 51

40 Texturation 40 / 51

41 Texturation 41 / 51

42 Ortho/MNE laser Découpage en dalle Résolution = 4cm 1250x1250px (50x50m) Gestion multicouche: Intersections Passages dans la même rue 42 / 51

43 Ortho/MNE laser : interpolation de Poisson 43 / 51

44 Ortho/MNE laser : interpolation de Poisson 44 / 51

45 Ortho/MNE laser : blending 45 / 51

46 Ortho/MNE laser : MNE texturé 46 / 51

47 Détection de changement Entre deux passages dans la même rue 3 approches : Basée distance : changement = distance importante entre points des deux passages. Peu robuste aux occlusions Basée occupation : changement = occupation 3D différente de la scène. Robuste mais assez lent Basée objet : changement = pas d'objet correspondant dans l'autre scan ou objet déplacé ou changé. Très sensible à la qualité de la détection d'objet Echelles temporelles : 0.1s : objets en mouvement 1h : stationnement, objets mobiles vs fixes Mois/années : changements structurels de la ville 47 / 51

48 Détection de changement 48 / 51

49 Conclusion et perspectives 49 / 51

50 Conclusion Niveau de maturité : Acquisition bien maîtrisée Recalage : encore peu opérationel Analyse : encore très prospective Passage à l'échelle encore difficile Perspectives : Gestion des incertitudes Couplage image/laser Sémantisation comme couplage segmentation/sémantisation Couplage sémantisation/reconstruction Couplage aérien/terrestre 50 / 51

51 Merci pour votre attention Contact : bruno.vallet@ign.fr 51 / 51

Documents pareils

N. Paparoditis, Laboratoire MATIS

N. Paparoditis, Laboratoire MATIS Contexte: Diffusion de données et services locaux STEREOPOLIS II Un véhicule de numérisation mobile terrestre Lasers Caméras Système de navigation/positionnement STEREOPOLIS