ForschungBig Data und Machine Learning
Robuste Registrierung von luftgestützten Punktwolken

Robuste Registrierung von luftgestützten Punktwolken

Leitung:  Politz, Brenner
Team:  Jannik Busse
Jahr:  2019
Ist abgeschlossen:  ja

Diese Arbeit enthält eine robuste Methode für die grobe, translative Registrierung von dreidimensionalen Punktwolken auf der Grundlage des Maximum Consensus - Algorithmus. Weiterhin wird eine Methode zur Verringerung der Laufzeit des betreffenden Algorithmus vorgestellt. Zuletzt wird ein Ansatz zur Ausdünnung von Punktwolken eingeführt, der Punkte entfernt, die den Registrierungsprozess negativ beeinflussen.

 Zentraler Punkt dieser Arbeit ist die Registrierung von Punktwolkendaten, die aus zwei verschiedenen Sensorquellen stammen. Die Nutzung von terrestrischem Laserscanning einerseits und Luftbildaufnahmen andererseits bringt Probleme wie unterschiedliche Punktdichten und Rauschverhalten, sowie inkonsistente Landmarken in den beiden Datensätzen mit sich. Daher wurde nach einer Lösung für das robuste Angleichen von Punktwolken gesucht, die von luftgestützten Laserscannern und luftgestützten Kameradaten stammen. Nach einer grob-zu-fein Strategie wurde ein erster Algorithmus entwickelt, der sich auf die Anwendung von ICP für die endgültige Registrierung stützt. Zusätzlich wurden Trimmungsmethoden für die inkongruenten Punktwolkendaten zur Vorbereitung der Feinregistrierung entwickelt.

 Die Erstellung von Referenzwerten erfolgte durch Ausgleich der Verschiebungen von manuell ausgewählten Punktpaaren zur Schätzung einer endgültigen Registrierung. Die Referenzdaten wurden während der folgenden Experimente verwendet und bildeten die Grundlage für den Vergleich der Algorithmusergebnisse.

Um das Ziel einer robusten Grobregistrierung zu erreichen, wurde eine Version des Maximum Consensus mit einem kubischen Lösungsraum und drei verschiedenen Kriterien eingeführt und getestet. Die implementierten Kriterien betrafen die Bestimmung des Consensus-Wertes und basierten auf Punktabständen (Distance Consensus), Normalwinkeldifferenzen (Normal Vector Consensus) und einer Kombination dieser beiden, genannt Combined Consensus. Das Kriterium des Distance Consensus führte zu der robustesten und genauesten Grobregistrierung, obwohl die Ausführung viel Zeit in Anspruch nahm. Dennoch scheiterte ohne Trimmungsmethoden der kombinierte Ansatz von Distance Consensus und ICP an der Schwierigkeit inkongruenter Punktwolkendaten.

Darüber hinaus wurde eine Methode namens Accumulator implementiert und getestet, um die Laufzeit des zuvor erwähnten Distance Consensus zu verkürzen. Dieser Ansatz verwendete ebenfalls ein distanzbasiertes Kriterium zur Schätzung des Consensus-Wertes und untersuchte einen sphärischen Lösungsraum. Dem Akkumulator gelang es, die Laufzeit des Distance Consensus zu verkürzen, dabei wurde allerdings auch die Robustheit der Grobausrichtung verringert, da zu viele gleichwertige Lösungen produziert wurden.

Um den ICP-Algorithmus auf die inkongruenten Daten anzuwenden, wurden Trimmungsmethoden eingeführt. Das Beschneiden von Punktwolken durch Entfernen einzelner Punkte umfasste fünf verschiedene Ansätze. Border Pruning entfernte die Außenkanten einer Wolke, um kantenbedingte Verzerrungen bei der Registrierung auszuschließen. Die Beschneidung von Gewässern entfernte Geländemerkmale, die nur von einem der beiden Sensoren zur Punktwolkenerfassung erkannt werden können. Sigma Pruning nutzte die im Rahmen der Normalenvektorberechnung bestimmte Standardabweichung und entfernte Punkte, die nicht in planaren Bereichen der geschnittenen Wolke lagen. Normal Vector Pruning nutzte einen KD-Tree, um Nachbarpaare mit der korrespondierenden Punktwolke zu erstellen und entfernte Punkte, die hohe Normalvektorunterschiede zu ihren Nachbarn aufwiesen. Point Distance Pruning entfernt schließlich Punkte, deren nächster Nachbar in der korrespondierenden Wolke weiter entfernt ist als ein Schwellenwert.

Die Ergebnisse der Trimmungsmethoden waren von gemischter Qualität, wobei Point Distance Pruning die vorteilhafteste Wirkung hatte. In Kombination mit Border Pruning und Water Pruning wurde Distance Pruning in folgenden Testfällen verwendet. Interessanterweise führte diese Beschneidungsmethode in Kombination mit dem ICP zu einer noch genaueren Registrierung als Ansätze, die Distance Consensus oder Accumulator zur vorherigen groben Registrierung nutzten. Dies liegt vor Allem daran, dass die bestehende Ausrichtung der Daten noch genauer war als die Ergebnisse besagter Grobregistrierungsalgorithmen. Darüber hinaus wurde festgestellt, dass Point Distance Pruning eine schädliche Datenverzerrung einführte, die dafür sorgte, dass Änderungen der initialen Registrierung durch ICP unwahrscheinlicher wurden.

Schließlich wurde Distance Consensus - Pruning - ICP als die robusteste Lösung gewählt, während Pruning-ICP als Alternative bereits ausreichende Ergebnisse mit den dieser Arbeit zugrundeliegenden Daten lieferte.