Terrestrisches Laserscanning - Institut für Photogrammetrie

Transcription

Institut für Photogrammetrie
ifp
Terrestrisches Laserscanning
Universität Stuttgart
Kapitel 2 – Statisches Laserscanning
Terrestrisches Laserscanning
ifp









Vorwort
Referenzen
1. Einführung
2. Statisches Laserscanning
3. Mobiles Laserscanning, Mobile Mapping
4. Registrierung von Punktwolken, Theorie
5. Objektextraktion, Objektmodellierung, Software
6. Distanzmessende Kameras
7. Neues aus Wissenschaft und Forschung
2
ifp
3
Punktwolken & Registrierungen
ifp
Pi
Z
z
y
Y
x
Lokales KS
Welt KS
d
s
X
R
Punkt im Welt KS
Punkt im lokalen KS (scan
world)
Rotationsmatrix
t
Translationsvektor
© Institute for Photogrammetry, Univ. Stuttgart
Im Allgemeinen: 6 unbekannte
Parameters für jeden ScanStandpunkt (scan world) j
Triviale Lösung: 2 Kontrollpunkt
im Welt-KS / lolalen KS
4
Planung
ifp
Kloster Hirsau: Planung von Standpunkten
The Leica Scanstation HDS 3000
Wassim Moussa – Master Thesis
25/2/2010
5
Planung
ifp
Kloster Hirsau: Skizzen für die Planung
25/2/2010
6
ifp
Planung
The Leica Scan
Station HDS 3000
25/2/2010
7
ifp
Zielmarken
 Zur Verknüpfung verschiedener Standpunkte werden künstliche
und natürliche Zielmarken eingesetzt
25/2/2010
8
Zielmarken
ifp
Zielmarken
ifp
Künstliche Zielmarken
Pros
Cons
Natürliche Zielmarken
- werden von der Software
automatisch erkannt
- Nutzer entscheidet über Verteilung
und Anzahl
- Messzeit für die Datenerfassung wird
eingespart
- Zusätzliche Zielmarken verbessern die
Auswertung
- Standpunkt- und
Messmarkenplanung erforderlich
- Auswahl ist eingechränkt
- Benötigt Zeit zum Aufbau
- Können nicht durch Software erkannt
werden
- Genauigkeit ist von Auflösung abhängig
- Eingeschränkte Nutzerkontrolle, da
abhängig vom gescannten Objekt und
dessen Umfeld
25/2/2010
10
ifp
The Leica ScanStation C10 - A Quick
Start
http://www.leica-geosystems.com
ifp
LEICA ScanStation C10 - Safety Guidelines
•
THIS INSTRUMENT IS HEAVY (13 Kg) !!!!
•
ALWAYS UP FOR TWO
•
TRIPOD LEGS NOT EXTEND
•
TRIPOD LEGS FESTIVAL IN THE FLOOR / / FOR CONSTRUCTION
ON ASPHALT: Tripod-star or Floor Stand (Stativsterne or Spinne
in DE)
•
BATTERY STATUS OF SCANNER KEEP IN MIND
ifp
Leica ScanStation C10 - Packing / Unpacking
Grasp the handle and
the base of the
instrument
and lift (13 kg !!!)
ifp
Leica ScanStation C10 - Scanner Setup
Set up the tripod and
level up the instrument
Place the tribrach or the
scanner and secure it
Extend the tripod legs and
tighten the screws
ifp
Leica ScanStation C10, Overview
ifp
Leica ScanStation C10 - Start a Scan
2. Set up a scan: scan parametres – FOV – e.g. Quick Scan
Turn the scanner to a start direction then lock it
Turn the scanner to an end direction then lock it
Set lower vertical angle
Start scaning and
take images
Set upper vertical angle
ifp
2. Set up a scan: scan parametres – FOV – e.g. Custom View
Select the scan/image area by fencing the area
then press the scan & image button
More info. can be found in the ScanStation C10 System Field Manual, page 45-47
ifp
2. Set up a scan: scan parametres - Resolution
Distance: stand-off distance betwen
the scanner and the object
Horizontal: space distance in horizontal
direction in meter
Vertical: space distance in vertical
direction in meter
ifp
2. Set up a scan: scan parameters - Resolution
The resolution is applicationdependant and is set according
to the stand-off distance
ifp
2. Set up a scan: scan parametres - Resolution
Measure the distance to the point indicated by
the crosshair in the video screen
Select a point in the video camera window
ifp
2. Set up a scan: scan parametres – Image Control
ifp
2. Set up a scan: view a scan
ifp
2. Set up a scan: aquire a Target
Insert targrt
name, height and
type
Select the target center in the video camera
window
ifp
2. Set up a scan: view a Target
ifp
Leica ScanStation C10 - Switching System Off
Press here
then yes
Faro Focus 3D
ifp
26
ifp
Faro Focus 3D - General Description





Einfach zu bedienen durch User Interface
Genauigkeit der Distanzmessung ca. ±2mm
Reichweite: 0.6 m bis zu 120 m
Messraten: 976.000 Punkte/Sek
Leicht und kompakt: Bisher der leichteste 3D Scanner (5 kg), der
jemals gebaut wurde
 Integrierte Farbkamera (RGB): Photorealistische 3D Color Scans
mit bis zu 70MP Auflösung und eines parallaxenfreien Color
Overlays
27
ifp
Faro Focus 3D – Sicherheitshinweis
 Focus 3D sollte stabil aufgestellt werden
 Gerät dreht sich um 360 Grad
 Der Spiegel rotiert sehr schnell, nicht nur während des
Scannings, sondern auch danach
 Daher sollte er nicht berührt werden
 Der direkte Augenkontakt mit der Laserlichtquelle ist gefährlich,
besonders wenn kein Schutzglas getragen wird
28
ifp


Stelle Stativ auf, montiere und horizontiere den Scanner auf dem
Stativkopf und setze die SC Card ein
Die Scan-Parameter und Scanprofil können im Hauptmenue vor dem
Scannen eingestellt werden: Auflösung, Punktentfernung, Scanqualität
Um ein vordefiniertes Scanprofile einzustellen oder die Parameter zu
ändern drücke ‘Parameters button’ im ‘Home’ screen

Faro Focus 3D - Laser Scanner Setup
29
ifp



Selected Profile – Zeigt den Namen des ausgewählten Scanprofils.
Klicke, um ein Scanprofil auszuwählen und verändere die Parameter im
folgenden Screen:
Resolution/Quality: Auflösung in Megapunkten wie auch Festlegung
des Qualitätsniveaus
Scan Range: Scanhorizont mit horizontalen und vertical Start- und
Endwinkeln (degrees)
Scan with Color: Drücke diesen button um die Punkte zu texturieren

30
2. Statisches Laserscannning
ifp




Advanced Settings : Schaltet 2 Hardware Filter ein oder aus: Clear
Contour und Clear Sky
Eye Safety Distance: Richtet eine minimale Augensicherheit ein,
entsprechend der gewählten Auflösung und der Qualitätsparameter
Scan Size [Pt]: Die Größe der Punktwolke. The vertikale Größe hängt
von der Auflösung wie auch des gewählten Scanwinkels ab.
Scan Duration, Scan File Size: zu erwartende Messzeit wie auch
Filegröße in Megabytes entsprechend der gewählten Auflösung, Qualität
und Scan Horizont.
31
ifp




Faro Focus 3D - Start Scanning
Starte das Scanning durch Klicken auf den ‘Start Scan button’ im ‘Home
screen’
Der Scan Process startet: der Laser wird eingeschaltet und der Scanning
screen wird angezeigt. Die Scanner LEDs blinken ROT solange der
Scanner eingeschaltet ist.
Während des Scannings, rotiert der Scanner im Uhrzeigersinn um 180°.
Nachdem alles gescannt und die Bilder aufgenommen wurden, wird ein
neuer Scan entsprechend den Höhenwinkeln durchgeführt.
Nach dem Scanning wird die erfasste Punktwolke auf dem Screen
angezeigt (nicht texturiert).
32
Punktwolken & Datenformate
ifp




Verschiedene Software Versionen verarbeiten die Punktwolken auf
verschiedene Art und Weise
Das ASCII File Format ermöglicht auch Einsteigern ein Gefühl für
verschiedene Datenformate.
Binäre Formate erlmöglichen ein schnelles Lesen wie auch die
Interpretation der Punktwolken – sie reduzieren die Filegröße.
Einige ausgewählte Datenformate für Punktwolken:
 ASCII (.asc, .xyz, .svy, .csv and .txt)
 FARO (.fls, .fws, .iQscan, .iQmod and iQwsp)
 Leica (.pts and .ptx)
 Riegl (.3dd)
 Z+F (.zfc und .zfs)
 ASPRS Standard LiDAR Punktwolken-Format (LAS)
 …
33
Point Clouds & Data Formats
ifp
ASCII
Format
Description
XYZ
Continuous list of points with XYZ coordinates
No indication of the start of new point clouds
PTS
Total number of points in the point cloud followed by a
stream of XYZ coordinates, the intensity value and the
colors (RGB) for the points
PTX
XYZ coordinates and intensity value of each point with the
associated registration transformation information
The points list is arranged according to the scanning order
PLY
Continuous list of points with XYZ coordinates and RGB
color
SVY
Continuous list of points (point number, easting, northing,
elevation and optional annotations)
34
Registrations and Transformations
ifp
Mapping :
Pi
Z
z
y
→
Rigid Body transform:
Y
x
Local CS
World CS
X
d
s
R
point in world CS
point in local CS (scan world)
rotation matrix
t
translation vector
In general: 6 unknown parameters for each scan
world j
Trivial solution: 2 control points
in world CS / local CS
35
Starrkörper-Transformation als geschlossene Lösung
ifp

Starrkörper-Transformation
36
ifp
Problem: Parameters of rotation matrix R
a) Euler angles , , 
, ,
b) Cardan angles , , 
, Θ,
Weakness of rotation matrices with angle parameters
• every parameterization with 3 angle unknowns has singularities
• the parameterization is not unique, e.g. there are dual solutions
• the elements of the rotation matrix are products of trigonometrical
functions, which are nonlinear and have to be linearized. This
slows the convergence of iterative parameter estimations
c) Quaternions for R
2
2
2
2
2
2
37
ifp
The Rodriguez matrix R is without any singularities.
The quaternion equations
, ∀
can be used to derive
2
∈
;
∀
, ∀ ∈
∈
,
0
0, . . , 3
.
An interpretation of the quaternion parameters: Quaternions describe a
and the amount of the
rotation around an axis, with its scalar
rotation
.
Compared with classical angles of rotation (e.g. , , ), quaternions are
much better suited for parameter estimations, because they have more
linear behaviour due to quadratic powers instead of the transcendent
characteristics of superimposed trigonometric functions.
38
Rigid Body Transfrom (Closed Solution)
ifp
Compute the center of gravity and derive centered coordinates
∑
∑
;
;
;
Compute an auxiliary matrix M with its elements
∑
and construct a further symmetrical auxiliary matrix
39
ifp
The Singular Value Decomposition (SVD) of N delivers singular
values and their corresponding vectors, of which the largest one
represents the rotation we are looking for 
Then we obtain the vector t of translation parameters
If points have not been determined with the same accuracy, then
every pair of homologous points can be assigned with a weight wi,
leading to a ‚weighted center-of-gravity‘
∗
∑
∑
;
and the auxiliary matrix
∗
∑
/∑
∑
40
2. Statisches laserscanning
ifp
Rigid Body Transform (Iterative Solution)
The iterative solution is embedded in a LS parameter estimation. Using
the 4 unit quaternion elements and 3 translation leads to the
determination of 7 unknown parameters. The normalization of the unit
quaternions is performed by a Constrained Least-Squares Parameter
Estimation.
Let be the Gauss-Markov Model
≔
subject to
with normalization for
; according to
∑
1
and the following linearized constraints
0
0
0]
41
ifp
with
1
The linear model is obtained from the original math relations
with the Jacobi-Matrix and its partial derivatives subject to the
unknown parameters.
≔
2 q x
≔
2
≔
2
≔
q y
q z
1
0
0
0 0
1 0
0 1
2
42
ifp
Thus we get
the normal equation system of least-squares
;
;
Approximate values for the linearization process can be obtained by a
closed solution. The least-square parameter estimation is iterated to meet
a given threshold.
A more efficient method is obtained by supposing a transformation matrix
with incremental changes from an Identity matrix. The incremental
, is then computed.
transformation matrix
43
ifp
With
Using
,
and the approximate solution
,
we get
,
,
,
the total transform
we can define the observation equations
≔
In order to consider differential rotations we will decompose
and introduce a normalization factor
to maintain the unity of the
quaternions (M.D.Wheeler/K.Ikeuchi,1995)
The derivatives of the rotation matrix
1, using
and
wrt the quaternion
delivers
44
ifp
|
only the terms of
At
|
|
|
2
0
0
0
2
0
are unless 0 which carry
0
0
2
|
0 0
0 0
0 2
|
0
2
0
0
0
2
0 2
0 0
0 0
0
2
0
2
0
0
0
0
0
45
ifp
For the partial derivatives of the 2nd term we get
|
2
0
0
0
2
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
that the Jacobi-Matrix impacts changes of
0
0
0
0
0
0
will vanish @
Using these derivatives we see that
0
0
0
0
0
0
0
2
2
,
,
0
0
0
0
0
0
. This means
only.
2
0
2
2
2
0
46
ifp
As a follow-up the resulting parameter estimation is reduced on 6
independent parameters only (3 rotations, 3 translations) with
0
2
2
1 0
2
0
2
0 1
;
;
2
2
0
0 0
Instead of using the quaternions we substitute
∀
0
0
1
0,1,2 and estimate
to reconstruct the quaternions vector
afterwards. For differential rotations we obtain (B.K.P. Horn, 1990)
1
47
ifp
Punktwolke A
Der Iterative Closest Point Algorithmus (ICP)
Punktwolke B
Vorgehensweise:
Die
unbekannte
Starrkörper-Transformation zwischen
zwei benachbarten Punktwolken wird
mithilfe
der
Nächsten-NachbarTransformation
bestimmt.
Diese
Annahme ist dadurch berechtigt, weil
beide Punktwolken ähnliche Position
und Orientierung aufweisen.
Es
werden Näherungswerte benötigt!
 Interaktiver Ausgleich (by
click&draw)
 Mittels signalisierter
Verknüpfungspunkte
 Mittels Punktmerkmalen durch
markmalsbasierte Erkennung
48
ifp
Yes
Search for corresponding points
Compute Fixed Body
Transformation
Error > Threshold
No
End
ifp
 Problemstellung:
 Zwei benachbarte, sich überlagernde Punktwolken sollen aufeinander
transformiert werden.
 Annahme:
 Ähnliche Position und Orientierung
z
y
x
50
ifp
 Starrkörpertransformation (3 Translationen, 3 Rotationen)

 Differentielle Rotationen
1
→

,
1
,
1

Da ähnliche Positionierung/Orientierung vorliegen, gilt folgende lineare
Beziehung für die Starrkörpertransformation (relative Lage)

51
ifp
,

,
,
,
,
′ ist der unbekannte Vektor der 6 Lagerungs-
und Orientierungsparameter.

Mit Hilfe der Näherungswerte
,
,
,∆
,∆
,∆
(die mittels 2
Pass- / Verknüpfungspunkten bestimmt werden können), ergibt sich eine
iterative Lösung durch Ausgleichung / Parameterschätzung, indem nach jeder
Parameterschätzung die Näherungswerte neu berechnet werden.

1. Iteration

2. Iteration
∆
∆
|∆
↔ 2 PP/ VKP
|
|∆
∆
|
|∆
∆
|∆
∆

usw.
52
ifp

Die Koeffizientenmatrix B ergibt sich durch einfache Umstellung der
Starrkörpertransformation in differentieller Schreibweise.
1
0
0
…

0
1
0
∆
0 0
0
0 ∆
∆
1
∆
…
…
∆
∆
0
∀
1,2,
/

Da i. d. R. mehr als 2 PP / VKP verwendet werden, können die unbekannten
Parameter durch Ausgleichung ermittelt werden.

FRAGE: Welches Ausgleichungsmodell muss verwendet werden?
53
ifp
 In verfügbarer Software ist häufig das Gauß-Markoff-Modell
realisiert, mit den Verbesserungsgleichungen
; Δ
Δ
Δ
Δ
Δ
Δ
 welches jeweils die Schätzwerte liefert für
,
,
,
,
,
∀
(j = Anzahl der Iterationen)
 Normalgleichungssystem
,
,
,
,
,
,
,
,…
,…
54
ifp
 Da auf der rechten Seite des Verbesserungsgleichungssystems
ebenso „gemessene Koordinaten“ auftauchen, muss das GaußMarkoff-Modell durch das Gauß-Helmert-Modell ersetzt
werden, welches lautet:
; Universität Stuttgart
 Hier lauten die Verbesserungsgleichungen
Δ
Δ
Δ
Δ
Δ
Δ
Δ
Δ
Δ
Δ
Δ
Δ
55
ifp
 Diese Verbesserungsgleichungen werden in
Bedingungsgleichungen überführt – jeder Pass- oder
Verknüpfungspunkt liefert 3 Bedingungs-Gleichungen:
Δ
Δ
Δ
Δ
Δ
Δ
Δ
Δ
Δ
Δ
Δ
Δ
 Das algebraische System von Bedingungsgleichungen wird in
Matrixschreibweise überführt
, … ∀
1,2, …
Δ Δ
Δ Δ
Δ Δ
Δ
Δ
Δ
Δ
Δ
Δ
56
ifp
 Die A-Matrix (Koeffizientenmatrix der Verbesserungen lautet)
1 0
0 1
0 0
… …
0
0
1
1
0
0
0
1
0
0
0
1
0
∆
∆
∆
0
0
 und die B-Matrix (Koeffizientenmatrix der unbekannten
Parameter)
1
0
0
0
1
0
0
0
1
0
Δ
Δ
Δ
0
Δ
Δ
Δ
0
57
ifp
 Die Auflösung des Normalgleichungssystems liefert
′
′
die geschätzen Parameter für die Lagrange‘schen
Multiplikatoren wie auch die Lagerungs- und
Orientierungsparameter .
Auch hier muss „iteriert“ werden.
Dies ist die strenge Lösung des Iterative Closest Point
Algorithmus.
58
CloudCompare – Standard Software für Punktwolken
ifp

Eine OpenSource Software für 3D
Punktwolken und Triangulationen

Originär zum Vergleich von zwei 3D
Punktwolken entwickelt, oder zwischen
Punktwolke und Triangulation

Spezifische Octree-Datenstruktur ermöglicht
schnellen Zugriff

Kann grosse Punktwolken bearbeiten (>10
Millionen, < 120 Millionen Punkte, mit 2 GB
Kernspeicher)
http://en.wikipedia.org/wiki/CloudCompare
CloudCompare
ifp

Input/Output in verschiedenen Formaten
(PLY, STL,OBJ,LAS,ASCII … etc.)

Mittels erweiterter Funktionalität um
generische Punktwolkenverarbeitung
durchzuführen:
 Registration, resampling,
color/normal/scalar fields handling,
statistics computation, sensor
management, interactive or automatic
segmentation, display enhancement, etc.
http://en.wikipedia.org/wiki/CloudCompare
MeshLab – Standard Software für Punktwolken
ifp

Eine Open Source Software zur 3D
Punktwolkenverarbeitung und Triangulierung
sowie Editierung

Funktionalität:
 Verarbeitung von mittleren (nicht-sokleinen) unstrukturierten Modellen aus
3D Punktwolken
 Stellt viele Tools zum Editieren,
Cleaning, Healing, Inspecting, Rendering
und Vermaschung bereit

Input/Output in verschiedenen Formaten
(PLY, STL, OFF,OBJ,3DS,COLLADA,ASCII
… etc.)
http://en.wikipedia.org/wiki/MeshLab
MeshLab
ifp

Insbesondere werden folgende Funktionen
angeboten:
 Interaktive Selektion und Löschung von
vermaschten Objektteilen
 Painting Interface zu Selektion,
Smoothing und Colorierten
Vermaschungen
 Mesh Cleaning und Remeshing Filter
 Verschiedene Colorisierungen/Inspection
Filter
 Interaktive Gitter Painting
 Messfunktionen, Slicing und 3D
Scanning Tools
http://en.wikipedia.org/wiki/MeshLab
LGS Cyclone & Trimble SketchUp
ifp
Workflow zur Generierung von 3D VR Modellen (Processing Pipeline)
Leica Cyclone Software
Registration
3
2
1
Point Clouds
Georeferencing
Modeling
3D CAD Model
Google SketchUp Software
Finalized 3D
Model
Texturing
3D-VR Model
63
2. Statisches LaserscanningStandard SW for
LGS Cyclone – Software für Punktwolken
ifp


3D Punktwolken werden damit prozessiert
Struktur der Software
 Cyclone-Scan: User-specified scan area and density, data filtering,
scan scripting, and automatic recognition and extraction of Leica
HDS targets
 Cyclone-Register: Aligning point clouds captured from different
scanning positions
 Cyclone-Model: Processing the point clouds into objects for robust
export/import into/from CAD (and other applications)
 Cyclone-Survey: Extracting relevant feature and coordinate
information from the point cloud data

Processing pipeline:
Scanning
Recognition and
extraction of targets
Point clouds
registration
Object fitting
64
Referenzen Kapitel 2
ifp
Fritsch, D. (Ed.) (2011): Photogrammetric Week’11. Wichmann/VDE Verlag, Berlin,
Offenbach, 330 S.
Fritsch, D. (Ed.) (2013): Photogrammetric Week ‘13. Wichmann/VDE Verlag,
Berlin, Offenbach, 350 S.
Horn, B. K. P. (1987): Closed-form Solution of Absolute Orientation using Unit
Quaternions, Journal Opt. Soc. Am., Vol 4 (4), pp. 59–78
Horn, B. K. P. (1990): Relative Orientation, Int. Journ. Computer Vision, Vol. 4, pp.
59–78
Sanso, F.(1973): An Exact Solution of the Roto-Translation Problem,
Photogrammetria, Vol. 29, pp. 203–216
Web Sites:
http://www-graphics.stanford.edu/data/3Dscanrep/
http://www.sparpointgroup.com/uploadedFiles/News/PDF/peterquinn.pdf
Leica Geosystems: Help file of Cyclone 8.2
65

Terrestrisches Laserscanning - Institut für Photogrammetrie

Transcription

Similar documents

2. Statisches Laserscanning

Hochauflösender Ultraschall leicht gemacht

automation - x

Bayern vermessen wurde - Bayerische