Mobil in der Stadt Untersuchung von Punktwolken

Transkript

1 AIIPS Interdisziplinäre Projektarbeit WS 2010/2011 Gruppe: Agnes Werner, Stefan Herbert, Wolfgang Kubisch, Jürgen Meß, Christian Peil Mobil in der Stadt Untersuchung von Punktwolken

2 Inhalt I. Einleitung... 3 II. Vorgehensweise... 3 III. Theorie PCD-Dateistruktur Gewinnung einer Punktwolke aus [JiBu1995] Seite IV. Diskussion VI. Quellen Agnes Werner, Stefan Herbert, Wolfgang Kubisch, Jürgen Meß, Christian Peil

3 I. Einleitung Das Ziel dieser Ausarbeitung ist eine Untersuchung, welche Möglichkeiten es im Bereich der Verarbeitung von Punktwolken (engl. Pointclouds) gibt. Punktwolken sind das Resultat von 3D- Laserscannern, die bestehende Objekte erfassen/scannen. Ein ausgesandter Laserpunkt wird an einer Stelle im 3D-Raum reflektiert und vom Scanner wieder aufgenommen. Jeder Punkt wird mit seinen X-, Y- und Z-Koordinaten abgespeichert. Eventuell wird noch ein Wert für die Intensität des reflektierten Punkt aufgenommen. Diese Prozedur wird Millionenfach wiederholt, sodass für den gescannten Bereich ein Abbild in Punkten entsteht. Fortschritte in der Technik ermöglichen heute die Entwicklung interessanter und kostengünstiger Hardware zum Erstellen von Punktwolken. Hier sei exemplarisch die Kinect- Sensorkamera der Firma Microsoft genannt. Sprechen wir bei 3D-Laserscannern von Investitionen in der Größenordnung von 4- bis 5-stelliger Eurobeträgen, so kostet eine Kinect-Sensorkamera heute weniger als 100. Natürlich ist die Hardware nur die eine Seite der Medaille. Die bisherige Verarbeitungssoftware ist hochkomplex und nicht minder kostspielig. Aktivitäten in dem Open-Source-Bereich lassen aufhorchen, denn die Open-Source-Gemeinde hat sich an die Verarbeitung von Punktwolken gemacht mit einem Riesenpotential von Anwendungsgebieten. Auch hier sei das Schwesterprojekt der OpenCV genannt, die PointCloudLibrary ( PCL ist als eines der Projekte bei dem Google Summer of Code 2011 angenommen. [PCL1] II. Vorgehensweise Aufgrund des AIIPS-Projekts haben wir verschiedene Möglichkeiten untersucht, wie zu prüfende Bauten aufgenommen werden können. Der in diesem Zusammenhang stehende Bestandbau wird häufig über 3 Agnes Werner, Stefan Herbert, Wolfgang Kubisch, Jürgen Meß, Christian Peil

4 3D-Laserscannern eingelesen. Da auch die Fachhochschule Frankfurt über einen 3D-Laserscanner verfügt, haben wir uns die Technik intern angesehen. Weiterhin finden in dem Bereich der Punktwolken interessante Neuentwicklungen statt, die das Thema unwiderstehlich machen. Die Robotik nutzt Kinect zum räumlichen Sehen. III. Theorie 1. Aufbau einer PCD-Datei (Point Cloud Data) [PCL1] As of version 0.7, the PCD header contains the following entries: VERSION - specifies the PCD file version FIELDS - specifies the name of each dimension/field that a point can have. Examples: FIELDS x y z # XYZ data FIELDS x y z rgb # XYZ + colors FIELDS x y z normal_x normal_y normal_z # XYZ + surface normals FIELDS j1 j2 j3 # moment invariants... SIZE - specifies the size of each dimension in bytes. Examples: o unsigned char/char has 1 byte o unsigned short/short has 2 bytes o unsigned int/int/float has 4 bytes o double has 8 bytes TYPE - specifies the type of each dimension as a char. The current accepted types are: o I - represents signed types int8 (char), int16 (short), and int32 (int) o U - represents unsigned types uint8 (unsigned char), uint16 (unsigned short), uint32 (unsigned int) o F - represents float types COUNT - specifies how many elements does each dimension have. For example, x data usually has 1 element, but a feature descriptor like the VFH has 308. Basically this is a way to introduce n-d histogram descriptors at each point, and treating them as a single contiguous block of memory. By default, if COUNT is not present, all dimensions count is set to 1. WIDTH - specifies the width of the point cloud dataset in the number of points. WIDTH has two meanings: o it can specify the total number of points in the cloud (equal with POINTS see below) for unorganized datasets; o it can specify the width (total number of points in a row) of an organized point cloud dataset. Also see HEIGHT. Note 4 Agnes Werner, Stefan Herbert, Wolfgang Kubisch, Jürgen Meß, Christian Peil

5 An organized point cloud dataset is the name given to point clouds that resemble an organized image (or matrix) like structure, where the data is split into rows and columns. Examples of such point clouds include data coming from stereo cameras or Time Of Flight cameras. The advantages of a organized dataset is that by knowing the relationship between adjacent points (e.g. pixels), nearest neighbor operations are much more efficient, thus speeding up the computation and lowering the costs of certain algorithms in PCL. Examples: WIDTH 640 # there are 640 points per line HEIGHT - specifies the height of the point cloud dataset in the number of points. HEIGHT has two meanings: o it can specify the height (total number of rows) of an organized point cloud dataset; o it is set to 1 for unorganized datasets (thus used to check whether a dataset is organized or not). Example: WIDTH 640 # Image-like organized structure, with 640 rows and 480 columns, HEIGHT 480 # thus 640*480= points total in the dataset Example: WIDTH HEIGHT 1 # unorganized point cloud dataset with points VIEWPOINT - specifies an acquisition viewpoint for the points in the dataset. This could potentially be later on used for building transforms between different coordinate systems, or for aiding with features such as surface normals, that need a consistent orientation. The viewpoint information is specified as a quaternion (qx qy qz qw) + translation (tx ty tz). The default value is: VIEWPOINT POINTS - specifies the total number of points in the cloud. As of version 0.7, its purpose is a bit redundant, so we re expecting this to be removed in future versions. Example: POINTS # the total number of points in the cloud DATA - specifies the data type that the point cloud data is stored in. As of version 0.7, two data types are supported: ascii and binary. See the next section for more details. 5 Agnes Werner, Stefan Herbert, Wolfgang Kubisch, Jürgen Meß, Christian Peil

6 #.PCD v.7 - Point Cloud Data file format VERSION.7 FIELDS x y z rgb SIZE TYPE F F F F COUNT WIDTH 213 HEIGHT 1 VIEWPOINT POINTS 213 DATA ascii e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e+06 6 Agnes Werner, Stefan Herbert, Wolfgang Kubisch, Jürgen Meß, Christian Peil

7 e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e+06 7 Agnes Werner, Stefan Herbert, Wolfgang Kubisch, Jürgen Meß, Christian Peil

8 e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e+06 8 Agnes Werner, Stefan Herbert, Wolfgang Kubisch, Jürgen Meß, Christian Peil

9 e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e+06 9 Agnes Werner, Stefan Herbert, Wolfgang Kubisch, Jürgen Meß, Christian Peil

10 2. Gewinnung einer Punktwolke aus [JiBu1995] Seite Triangulationsverfahren Aktive Triangulation stellt wohl das am häufigsten eingesetzte Messprinzip zur optischen Abstandsmessung dar. Der Unterschied zwischen dieser Art der Triangulation und jener in den Stereoverfahren besteht darin, dass eine der Stereokameras hierbei durch eine aktive Lichtquelle ersetzt wird. Auf diese Weise wird die Korrespondenzfindung wesentlich vereinfacht. Mittels gezielter Ablenkung der Lichtquelle lässt sich außerdem eine flächendeckende Vermessung der Oberfläche problemlos realisieren Projektion von Lichtstrahlen Die einfachste Art der Triangulation geschieht dadurch, daß ein Lichtprojektor einen Lichtstrahl in die Szene projiziert. Der daraus resultierende Lichtfleck auf der Oberfläche wird von einer Kamera aufgenommen. Wird die Lage dieses Lichtflecks in der Bildebene gemessen, ist das Dreieck zur Bestimmung des Abstands des beleuchteten Szenenpunktes vollständig gegeben. Eine einfache Geometrie eines derartigen Sensors ist in Abb. 4.9 dargestellt. Hierbei wird ein lokales Koordinatensystem UV in der Bildebene definiert. Weltkoordinatensystem XY Z, in dem die Messung vorgenommen wird, hat das optische Zentrum der Kamera als Ursprung. Die X- und 10 Agnes Werner, Stefan Herbert, Wolfgang Kubisch, Jürgen Meß, Christian Peil

11 Y -Achse sind parallel zur U- bzw. V -Achse und die Z-Achse entspricht der optischen Achse der Kamera. Ein Punkt P(x, y, z) auf der Oberfläche wird von der Lichtquelle beleuchtet und auf einen Punkt P (u, v) in der Bildebene abgebildet. Aus dieser Abbildung ergibt sich Um die Position von P zu bestimmen, betrachten wir zuerst dessen Z-Koordinate und dazu die Projektion der Punkte P und P auf die XZ-Ebene. In dieser Ebene hat die Gerade l 1 die Gleichung Unter der Annahme, dass die Projektion l 2 des Lichtstrahls auf die XZ-Ebene einen Winkel θ mit der X- Achse ausmacht, wird die Gerade l 2 durch die Gleichung repräsentiert. Nach Auflösung der Gleichungen (4.7) und (4.8) erhalten wir die Z-Koordinate von P und aus (4.6) resultieren dann die X- und Y -Koordinate: Wird ein von der Lichtquelle beleuchteter Punkt P auf der Oberfläche auf die Position (u, v) der Bildebene abgebildet, so liefert (4.9) die Position von P im Raum. Bei einer Ablenkung der Lichtquelle in horizontaler und vertikaler Richtung wird die Oberfläche dann flächendeckend gemessen. An dieser Stelle ist noch zu erwähnen, dass von der Kamera her lediglich die ganzzahligen Bildkoordinaten (i, j) von P gegeben sind. Die Umrechnung ins UV Koordinatensystem erfolgt durch wobei d x und d y dem Abtastungsintervall der Kamera in der X- bzw. Y -Richtung entsprechen. In diesem Kapitel wird oft von den Koordinaten (u, v) ausgegangen. Der Beziehung (4.10) müssen wir uns jedoch immer bewusst sein. In der Literatur wurde eine große Anzahl von Tiefensensoren, die auf der Lichtstrahlprojektion basieren, beschrieben. Als Lichtquelle kommt oft eine Laserdiode mit Kollimatoroptik zum Einsatz. Besonders vorteilhaft bei Laserlicht ist die Tatsache, dass mit Hilfe eines Interferenz- 11 Agnes Werner, Stefan Herbert, Wolfgang Kubisch, Jürgen Meß, Christian Peil

12 filters der Fremdlichteinfluß durch Tages- und Kunstlicht stark reduziert werden kann. Die verschiedenen Sensoren unterscheiden sich vor allem in der Wahl der Bildaufnahmegeräte. Bei einer CCD-Kamera wird nach jeder Strahlung ein Bild aufgenommen und nach dem hellsten Bildpunkt gesucht. Dabei ist die Kamera jedoch äußerst schlecht ausgenutzt. Ein Bild von beispielsweise Bildpunkten wird lediglich dazu verwendet, einen einzigen Punkt zu extrahieren. Besser geeignet für diese Aufgabe erweisen sich u.a. positionsempfindliche Chips, die direkt die XY -Position des Lichtflecks mit einer Geschwindigkeit von mehr als 1000 Punkten pro Sekunde liefern. IV. Diskussion Die Nutzung von Punktwolken könnte das Einlesen von Bestandsdaten vereinfachen. Auch im Zusammenhang mit AutoCAD existiert bereits eine Erweiterung zum Exportieren von Punkten (Firma SYCODE). Diese Zusammenstellung dient zur ersten Orientierung. Es werden weitere Untersuchungen nötig sein, um zu bestimmen, ob ein Barrieren-Messgerät in einer Punktwolke operieren kann. Sicherlich müssten für Laserscans und mit der Kinect ausreichend Ansichten kombiniert werden, um eine vollständige 3D-Repräsentation zu erhalten. Darauf basierend könnte ein 3D-Messprofil (z.b. ein Rollstuhl) durch die Punktwolke iterieren und Schwachstellen identifizieren. 12 Agnes Werner, Stefan Herbert, Wolfgang Kubisch, Jürgen Meß, Christian Peil

13 V. Quellen [JiBu1995]Xiaoyi Jiang, Horst Bunke, Dreidimensionales Computersehen: Gewinnung und Analyse von Tiefenbildern, Springer Verlag 1995 Seite [PCL1] Point Cloud Library. Online unter: letztmalige Prüfung Agnes Werner, Stefan Herbert, Wolfgang Kubisch, Jürgen Meß, Christian Peil