Soutenance mémoire
Problématique
Depuis l’acquisition d’un laser scanner mobile terrestre (Streetmapper de 3DLM), l’entreprise offre des prestations répondant à l’acquisition terrestre haute résolution, autrement dit, qui comprennent la livraison des nuages de points géoréférencés et classifiés ainsi que la livraison des images géoréférencées.
Aujourd’hui, le besoin grandissant en modélisation 3D nous amène à nous poser la question suivante : comment passer d’un semi de points 3D acquis par MMS à un modèle 3D exploitable?
Afin de répondre à ce besoin, des méthodes de segmentation et de classification automatiques permettant de différencier les éléments urbains (routes, trottoirs, façades, végétation, mobilier urbain) seront étudiées et proposées sur des échantillons de la ville de Rennes. Par la suite deux méthodes de modélisation seront comparées et il sera proposé une solution permettant d’automatiser une des étapes de la modélisation choisie.
Le but est de vérifier si, à partir de données extraites des capteurs dynamiques, il est possible de générer un modèle permettant de satisfaire à des critères de précision topographique, de réalisme et de facilité d’utilisation.
Pour des raisons d’identification et de réalisme, les objets représentant le mobilier urbain comme les lampadaires, les bornes ou les panneaux peuvent être modélisés en 3D. Il est donc nécessaire de réfléchir sur une méthode d’import automatique de cellules 3D à partir d’une bibliothèque existante.
État de l’art
Ce chapitre a pour objet de renseigner le lecteur sur les différentes phases de traitement permettant d’aboutir à un modèle 3D réaliste à partir de données acquises avec un système de cartographie mobile. Une étude sera également portée sur les différents logiciels de modélisation, les formats 3D et les représentations de villes numériques existantes.
Je commencerai par faire un point sur les systèmes de cartographie mobiles.
Les systèmes de cartographie mobiles (Mobile Mapping Systems)
La plupart des systèmes de cartographie mobiles sont composés de deux éléments :
Un système de position et d’orientation
Des capteurs de perception
Certains systèmes utilisent des données images seules, c’est par exemple le cas du système mis en place par Google pour acquérir les données utilisées dans Street View (Google Maps).
Le système de position et d’orientation
Pour connaitre la position et l’orientation du véhicule en tout point de sa trajectoire, on utilise un système généralement composé d’un récepteur GNSS, d’une centrale inertielle et d’un odomètre.
Ce système est appelé POS (Position and orientation system).
Pour déterminer le positionnement, la méthode utilisée par la cartographie mobile est le mode cinématique différentiel en temps différé [Morel, 2013]. Dans de bonnes conditions, la précision de géoréférencement est de l’ordre de quelques centimètres mais peut rapidement se détériorer en cas de non fixation des ambigüités entières (GDOP élevé).
Pour obtenir les informations concernant l’orientation, la centrale inertielle (Inertial Measurement Unit, IMU) est constituée de trois gyromètres et de trois accéléromètres. Associés à un calculateur réalisant l’intégration en temps réel des angles d’attitudes, de la vitesse et de la position, la centrale inertielle devient un système de navigation inertiel (Inertial Navigation System, INS).
Le POS est donc un élément important pour un système de cartographie mobile car la précision des points 3D acquis est grandement dépendante de la précision du géoréférencement.
Les capteurs de perception
Les scanners
Le principe du scanner laser est de mesurer la distance qui le sépare d’une surface en utilisant la lumière comme source d’information. L’avantage de cette technologie est l’obtention rapide et automatique de points en 3D avec une densité très élevée contrairement à un tachéomètre.
Segmentation et classification
La segmentation est une étape importante car la qualité du modèle final va dépendre étroitement de celle-ci.
Dans un premier temps, la segmentation a été utilisée dans le traitement d’images dont on peut différencier trois méthodes : la segmentation par seuillage, par frontière et par région. Ces méthodes ont ensuite été adaptées pour être utilisées dans la segmentation de points 3D. Beaucoup de travaux portent sur l’automatisation de la segmentation car cette étape peut s’avérer longue, fastidieuse et imprécise si l’on dispose d’un nombre de points importants. Avant d’étudier différentes méthodes de segmentation, une approche permettant de classifier automatiquement les différents éléments urbains est présentée.
Classification d’objets
Un lieu urbain présente des ensembles différents tels que les bâtiments, la chaussée, les trottoirs, les tunnels, les véhicules ou encore les arbres. L’université de Tokyo [ Manandhar et Shibasaki, 2001] a proposé des solutions permettant de classifier ces différents ensembles en se basant sur la densité des points.
Nous pouvons constater sur la Figure 10 que les points issus d’objets naturels (arbres, buissons) sont écartés compte-tenu du fait qu’ils décrivent des formes géométriques irrégulières tandis que les points issus d’ensembles réalisés manuellement (routes, bâtiments) sont denses du fait qu’ils représentent une certaine forme géométrique.
En plus de la distance entre les points, [Manandhar et Shibasaki, 2001] s’appuient également sur l’orientation géométrique d’un ensemble de points, notamment pour l’extraction de la route et des faces de bâtiments. En effet, ces dernières seront représentées par des points alignés verticalement alors que la route sera visualisée par des points alignés sur une pente horizontale aux alentours de 1%. L’algorithme ne peut cependant pas délimiter la limite entre deux faces de bâtiments différents.
Segmentation par objet
Une méthode de segmentation urbaine est fondée sur une approche à base de super-voxels qui sont liés entre eux pour former des objets par une méthode de chainage. [Aijazi et al., 2012]
Segmentation par reconnaissance de formes
D’autres méthodes de segmentation sont basées sur la détection de formes géométriques (plan, cylindre…). Cette détection peut se faire de façon automatique en utilisant notamment les algorithmes RANSAC [Fischler et Bolles., 1981] et la transformée de Hough [Hough, 1962].
L’algorithme RANSAC a été développé au départ par [Fischler et Bolles., 1981] comme un outil d’analyse d’image et de lissage de données. Aujourd’hui, l’algorithme a évolué et permet de réaliser une segmentation automatique sur un nuage de points LiDAR. Cet algorithme va permettre, de façon itérative, d’extraire des primitives géométriques en sélectionnant aléatoirement des groupes de points. Son point fort réside dans sa robustesse qui permet de traiter des données bruitées et qui le rend intéressant dans le traitement des données LiDAR.
La transformée de Hough est une technique de reconnaissance de forme qui a été inventée en 1962 par Paul Hough pour le traitement d’images numériques mais qui peut également aujourd’hui s’appliquer aux données laser (transformée de Hough 3D). [Vosselman et al., 2004] a par exemple utilisé cette transformée pour segmenter des données laser acquises sur des équipements industriels. L’un des principaux défauts de cette méthode est le temps de calcul qui peut s’avérer long si l’on dispose de données importantes, souvent le cas pour un nuage de points. [Boulaasal, 2010] a par exemple développé une segmentation basée sur la reconnaissance de la primitive plan à partir de données acquises avec un scanner laser terrestre en s’appuyant sur la combinaison de l’algorithme RANSAC et d’un algorithme de croissance de région.
La modélisation
« Le but de la modélisation est de construire et de créer des liens entre des points caractéristiques du nuage, afin de réaliser un tout, qui peut être un bâtiment, une façade ou tout autre objet» [Boulaasal, 2010].
Nous allons distinguer deux types de modélisation utilisés dans les logiciels de traitement de nuage de points :
La modélisation par maillage (ou polygonale)
Le principe de cette modélisation est de constituer des facettes entre les différents points du nuage en utilisant généralement des algorithmes de triangulation (de Delaunay).
L’avantage de cette modélisation réside dans sa fidélité à représenter la réalité d’un modèle. Nous allons pouvoir parler ainsi de modèle « tel que saisi ». Autrement dit, il s’agit de la modélisation du modèle en état tel qu’il a été levé lors de l’acquisition. L’inconvénient de ce type de modélisation réside dans la lourdeur des fichiers qui peut s’avérer être un réel handicap notamment quand il y a une multitude d’objets à représenter.
Etude de quelques logiciels de modélisation et de texturation
3DReshaper
3DReshaper est un logiciel de traitement de nuages de points, spécialisé dans le maillage 3D, la reconstruction de surfaces et la comparaison tridimensionnelle, il est produit par la compagnie Technodigit (France) faisant partie du groupe Hexagon Metrology depuis 2009 [@Technodigit, 2014].
Concernant la modélisation 3D, ce logiciel permet de créer des surfaces à partir de points via la modélisation polygonale ou via la création de surfaces NURBS (Non Uniform Rational Basis Splines). Il sera également possible d’appliquer l’image ou la texture sur le modèle 3D.
Le logiciel n’a apparemment pas de limitation en ce qui concerne la taille des nuages de points ou des maillages qu’il peut prendre en charge. Il dispose de nombreuses fonctions intéressantes comme la segmentation de points automatique et la détection de lignes caractéristiques, ce qui le rend particulièrement adapté pour la réalisation de ce projet de fin d’étude. Fit Conseil travaille actuellement avec le logiciel de traitement de point Terrascan de Terrasolid [@Terrasolid, 2014], il faut donc s’assurer de la compatibilité entre les formats d’exports de Terrascan et d’import de 3DReshaper. Nous pouvons remarquer ci-dessous que 3DReshaper permet d’importer des nuages de points au format *.las, format d’export de Terrascan.
Segmentation et classification
Afin d’automatiser au maximum la modélisation des différents objets présents dans le nuage de points, il est nécessaire d’optimiser le processus de segmentation et de classification. Dans cette partie, nous allons proposer différentes méthodes permettant d’extraire automatiquement les caractéristiques urbaines présentes dans un nuage de point acquis à partir du Streepmapper de 3DLM.
Le sol
Méthode
Pour le traitement du nuage de points, Fit Conseil utilise le logiciel Terrascan.
Terrascan est une application de la famille des logiciels Terrasolid permettant la gestion et le traitement de nuages de points LiDAR. Les formats d’import et d’export pris en charge par Terrascan sont les suivants : LAS, TerraScan binaire et les formats ASCII.
Ce logiciel est muni de différentes routines de classification permettant le filtrage semiautomatique de nuages de points à partir de certaines caractéristiques comme la couleur, l’intensité, la réflectance, l’élévation, l’angularité ou encore la planéité par exemple.
Ces différentes routines peuvent être combinées dans des macros permettant d’automatiser au maximum le processus de classification. Chaque ligne présente dans la macro correspond à une étape de traitement effectuée sur les points laser.
L’entreprise utilise actuellement ces différentes étapes de traitements pour classifier des données acquises par lasergrammétrie aérienne. Il est évident que les données laser acquises à partir du MMS ne présentent pas le même niveau de détail et de densité que celles-ci ce qui n’engendrera pas le même nombre de classe souhaité et les mêmes spécifications dans les critères de classification. Pour la classification du sol, nous allons utiliser la routine « ground » présente dans le logiciel Terrascan.
Cette routine classe les points au sol à partir de la construction itérative d’un modèle de surface triangulée. La routine commence par construire un modèle initial en sélectionnant les points bas.
Les triangles de ce modèle initial sont la plupart du temps en dessous du sol avec seulement les sommets qui touchent le sol. La routine va ensuite mouler le modèle vers le haut en ajoutant itérativement de nouveaux points qui vont faire suivre le modèle au plus près de la surface du sol.
Le paramètre « Max building size » permet de contrôler la sélection de points de départ en renseignant le paramètre maximum de la taille du bâtiment pour la recherche d’au moins un point sol.
Les paramètres d’itération vont permettre d’accepter ou non un point sur le modèle en fonction de sa proximité par rapport au plan du triangle.
Le paramètre « Terrain angle » renseigne la plus grande pente permise sur le terrain.
Le paramètre « Iteration angle » représente l’angle maximum entre un point, sa projection sur le plan du triangle et le sommet du triangle le plus proche.
Le paramètre « Iteration distance » permet de s’assurer que l’itération ne fait pas de grands sauts vers le haut lorsque la taille des triangles devient conséquente.
Les façades
Méthode
Afin de classifier au mieux l’ensemble des points appartenant aux façades il va falloir arriver à différencier les points d’intérêts des points indésirables. Les points indésirables vont représenter tous les points qui peuvent appartenir à des objets urbains (arbres, lampadaires), des éléments mobiles (voitures, piétons…) ou qui vont décrire l’intérieur des bâtiments en pénétrant à partir d’ouvertures transparentes tel que les baies vitrées et les fenêtres. Les points d’intérêts vont représenter tous les points appartenant à la façade y compris les balcons.
Pour ce type de classification [Manandhar et Shibasaki., 2001] se base sur le principe suivant : les points appartenant aux façades des bâtiments sont alignés verticalement et présentent une certaine densité du fait de leur construction par l’homme.
Une première solution consiste à calculer le vecteur normal sur l’ensemble du nuage de points à l’aide de l’action « compute normal vectors » dans le logiciel Terrascan puis à lancer une classification « by normal vector » en ne retenant dans la classe « façade » que les points ayant une dimension plane, mais des façades pas forcément planes et la planéité de la plupart des points indésirables ne rendent cette méthode que peu efficace.
Une deuxième solution basée sur la densité des points est donc étudiée. Il est possible sur Terrascan d’exporter un fichier grille avec des distances uniformes entre les points et une valeur de densité associée à chaque cellule de la grille via la commande « Export lattice model ». Après avoir déterminé un espacement grille de 5 centimètres et la valeur de densité moyenne permettant de distinguer au mieux points d’intérêts et points indésirables nous pouvons nous rendre compte que le résultat est correct lorsqu’il s’agit de façades simples sans balcon mais s’avère beaucoup moins bon lorsque l’on a affaire à des façades constituées de différents plans et balcons. Le temps passé à corriger la classification de ces dernières est conséquent, il est donc nécessaire de proposer une autre méthode basée sur des critères différents.
|
Table des matières
Remerciements
Glossaire
Table des matières
Introduction
I ÉTAT DE L’ART
I.1 LES SYSTEMES DE CARTOGRAPHIE MOBILES (MOBILE MAPPING SYSTEMS)
I.1.1 Le système de position et d’orientation
I.1.2 Les capteurs de perception
I.1.2.1 Les scanners
I.1.2.2 Les caméras
I.1.3 Les systèmes de cartographie mobile existants
I.2 LE TRAITEMENT DES DONNEES
I.2.1 Segmentation et classification
I.2.2 La modélisation
I.2.3 Le texturage
I.2.4 Etude de quelques logiciels de modélisation et de texturation
I.3 LES SIG ET LA 3D
I.3.1 Les formats 3D
I.3.2 Les modélisations 3D urbaines
II SEGMENTATION ET CLASSIFICATION
II.1 LE SOL
II.1.1 Méthode
II.1.2 Evaluation de la classification
II.2 LES FAÇADES
II.2.1 Méthode
II.2.2 Évaluation de la segmentation
II.3 LES OBJETS URBAINS
II.3.1 Méthode
II.3.2 Evaluation de la segmentation
II.4 CONCLUSION
III GENERATION D’UN MODELE 3D
III.1 MODELISATION D’UNE FAÇADE
III.1.1 Modélisation par maillage
III.1.2 Modélisation à partir de primitives géométriques
III.1.2.1 Création d’un plan
III.1.2.2 Digitalisation
III.1.2.3 Modélisation 3D
III.1.3 Comparaison des deux méthodes
III.2 MODELISATION D’UN ENSEMBLE DE FAÇADES
III.2.1 Création de plans
III.2.2 Détection de contours
III.2.3 Modélisation de contours
III.2.4 Évaluation de la modélisation
III.2.4.1 Évaluation qualitative
III.2.4.2 Évaluation quantitative
Segmentation, classification et modélisation à partir de données issues de capteurs dynamiques
III.2.5 Modification de contours
III.3 MODELISATION D’OBJETS URBAINS
III.3.1 Calcul des coordonnées du point d’insertion
III.3.2 Calcul de l’orientation
III.3.3 Insertion sous Rhinocéros 3D
III.4 CONCLUSION
Conclusion et perspectives
Bibliographie
Poster scientifique
Table des annexes
Annexe 1 Macro sol
Annexe 2 Script FME modélisation de contours
Annexe 3 Modélisation et insertion automatique des balcons
Annexe 4 Script FME modélisation d’objets ponctuels
Annexe 5 Script FME modélisation d’objets linéaires
Annexe 6 Script Python modélisation d’objets urbains
Liste des figures
Liste des tableaux
Télécharger le rapport complet
