Recalage fondé sur des a priori géométriques de nuages de points 3D issus d'acquisitions LiDAR de scènes structurées - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2018

Recalage fondé sur des a priori géométriques de nuages de points 3D issus d'acquisitions LiDAR de scènes structurées

F. Denis
Paul Checchin
Laurent Trassoudaine

Résumé

1 Résumé L'utilisation de capteurs LiDAR pour obtenir des données 3D implique l'acquisition de scans à partir de différents points de vue. L'algorithme ICP (Iterative Closest Point) est largement utilisé pour recaler les scans entre eux. Cependant, cette méthode se heurte à des problèmes de minima locaux. Cet article développe une nouvelle méthode de recalage adaptée aux environnements structurés et fondée sur des caractéristiques géométriques. La transformation rigide recherchée est calculée en utilisant respectivement l'image gaussienne des nuages de points et une corrélation d'histogrammes. la comparaison de notre algorithme avec les méthodes de l'état de l'art sur deux ensembles de scans 3D montre qu'il est plus robuste à de faibles résolutions de scans, à la complexité de la scène et au bruit du capteur. 2 État de l'art La première méthode proposée pour recaler des nuages de points se fondait sur la projection sur la sphère gaussienne [1]. L'idée était d'échantillonner respectivement l'image gaussienne et l'espace des rotations, puis d'évaluer la similarité des sphères après transformation par chacune des rotations. Les méthodes EGI (Extended Gaussian Sphere) et CEGI (Complex Extended Gaussian Sphere) [7] sont les dernières extensions de la méthode. Ces approches ne prennent pas en compte un chevauchement partiel. L'algorithme ICP surpasse les méthodes précédentes. Cet algorithme attribue itérativement des correspondances entre les points de la source et les points de la cible, filtre ces correspondances et minimise la distance entre les points de chaque paire créée. Cependant, la minimisation peut mener à un minimum local. Il faut donc assurer un mouvement faible entre les scans en entrée de l'algorithme, soit en adaptant le processus d'acquisition, soit en cherchant un alignement approximatif initial avant le traitement par ICP. De nombreux travaux ont eu pour but d'améliorer la robustesse de cet algorithme [9]. Les variantes ICP point à plan [15] et ICP généralisé [12] ont été proposées pour optimiser la fonction de coût utilisée. Dans [4], l'algorithme de Levenberg-Marquardt est utilisé pour améliorer la convergence de la fonction. Récemment, l'algorithme Go-ICP [14] a été introduit pour régler le problème de non convexité. Il permet une alternance entre une phase ICP et un processus fondé sur une approche branch and bound pour réaliser une recherche dans l'espace des transformations. Cet algorithme peut se révéler très coûteux en temps de calcul. Holz et al. [5] ont créé une chaîne de traitement intégrant ICP afin d'assurer la convergence de l'algorithme. Un alignement approximatif est tout d'adord déterminé, puis, ICP (ou une de ses variantes) est exécuté pour ajuster le résultat. Pour trouver un alignement approximatif, des points clés sont sélectionnés [2] et leur descripteur local est calculé grâce à leur voisinage [6, 11, 13]. Enfin, les points de la source et de la cible sont mis en correspondance par similarité de leur descripteur et un alignement optimal est déduit. L'erreur principale vient des fausses correspondances attribuées dans ce processus. Zhou et al. [16] ont amélioré le traitement en proposant la méthode FGR (Fast Global Registration) qui applique des poids aux correspondances dans l'optimisation pour leur donner plus ou moins d'importance suivant leur cohérence. Cette méthode présente une rapidité remarquable et la majorité des résultats atteint une bonne précision. Néanmoins, toutes les méthodes fondées sur des descripteurs nécessitent que la scène étudiée ait des détails permettant de différencier les points localement. Un autre moyen d'obtenir un recalage initial est d'utiliser RANSAC (RANdom SAmple Consensus). La méthode a tout d'abord été introduite dans [3]. Le principe est d'attribuer des correspondances aléatoires entre des ensembles de trois points provenant de chacun des nuages. Une transformation est déduite pour chaque correspondance et une évaluation permet de déterminer la meilleure. Super4PCS [8] est la dernière optimisation de l'algorithme et présente une convergence optimale. Cependant, le temps de calcul peut se révéler très important pour obtenir une précision suffisante. Dans cette article, une méthode inspirée de considérations géométriques, au processus non itératif et suffisamment rapide pour pouvoir envisager une implémentation temps réel est présentée.
Fichier principal
Vignette du fichier
CFPT2018_paper_sanchez.pdf (757.81 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-02095690 , version 1 (10-04-2019)

Identifiants

  • HAL Id : hal-02095690 , version 1

Citer

Julia Sanchez, F. Denis, Paul Checchin, Florent Dupont, Laurent Trassoudaine. Recalage fondé sur des a priori géométriques de nuages de points 3D issus d'acquisitions LiDAR de scènes structurées. Conférence Française de Photogrammétrie et de Télédétection, CFPT 2018, Jun 2018, Marne la vallée, France. ⟨hal-02095690⟩
121 Consultations
368 Téléchargements

Partager

Gmail Facebook X LinkedIn More