Automatische Rekonstruktion von Fassadenstrukturen aus 3D-Punktwolken

Dauer der Arbeit: 6 Monate
Abschluss: Februar 2015
Betreuer: Dr.-Ing. Susanne Becker
Prüfer: Prof. Dr.-Ing. Dieter Fritsch

Der schnellen Verbreitung und Anwendung von 3D-Laserscanning und dichten Bildzuordnungsverfahren in der Stadt-Modellierung, im Denkmalschutz und in anderen Bereichen folgend, sind 3D-Punktwolken zu einer häufig verwendeten Darstellung von geometrischen 3D-Objekten geworden.

Eine Punktwolke besteht aus einer großen Anzahl von unorganisierten, unstrukturierten 3D-Punkten. Da eine Punktwolke nicht die Topologie des Objekts, sondern nur die geometrischen Eigenschaften des Objekts darstellen kann, liegt die Schwierigkeit einer Objektrekonstruktion daraus insbesondere in dem Auffinden zusammengehöriger Regionen, wie zum Beispiel Fenster und Türen eines Gebäudes.

Für die Segmentierung von 3D-Punktwolken und Bildern wurden bereits viele Algorithmen entwickelt. Eine Segmentierung einzig basierend auf einfachen geometrischen Merkmalen ergibt oft unzureichende Ergebnisse. Ausgehend von dieser Problemstellung wurden in dieser Bachelorarbeit beispielhaft einige 3D-Punktwolken mit unterschiedlichen Algorithmen segmentiert, um daraus die Effektivität der verschiedenen Algorithmen zu beurteilen.

3D-Segmentierungsverfahren auf unstrukturierten Punktwolken im Speziellen für die Fassadenrekonstruktion sollen in dieser Arbeit untersucht werden. In diesem Bereich ist besonders die Segmentierung in planare Segmente interessant. Zu diesem Thema sollen zwei Methoden betrachtet werden: ein Ansatz, der auf einem farbbasierten Bereichswachstumsverfahren beruht sowie ein Ansatz zur Anpassung geometrischer Primitive (fitting geometric primitives) [Boulaassal et al., 2007] basierend auf der Schätzung einzelner Ebenenstücke unter Verwendung von RANSAC.

Mit dem RANSAC Algorithmus wurden bereits Ebenen aus den Rohdaten extrahiert. Weil der geometrische Raum und der Farbraum als voneinander unabhängig angesehen werden können, liegt es nahe, das Bereichswachstumsverfahren und das RANSAC-basierte Verfahren zur Anpassung geometrischer Primitive in der Segmentierung zu kombinieren. Es wird vermutet, dass die durch RANSAC detektierten Ebenen mit Hilfe des Bereichswachstumsverfahrens weiter in sinnvolle Regionen segmentiert werden können. Grund für diese Vermutung ist die Tatsache, dass die auf der Farbinformation basierende Segmentierungsmethode solche Segmente, die sich ungefähr in derselben Ebene befinden, aufgrund der Farbinformation voneinander unterscheiden kann. Dies motiviert die Idee, einen Optimierungsansatz als Hybrid-Verfahren zu entwerfen.

Die Umsetzung und der Vergleich der oben vorgestellten Verfahren ist die Hauptaufgabe dieser Arbeit. Um die Evaluierung der Verfahren durchzuführen, werden die Ergebnisse hinsichtlich ihrer Qualität anhand verschiedener Daten analysiert und potentielle Verbesserungs- bzw. Kombinationsmöglichkeiten untersucht.

Die in dieser Arbeit zur Auswertung genutzten Datensätze sind Punktwolken, wobei jeder Punkt durch Gauß-Krüger Koordinaten beschrieben ist und zusätzlich Farbinformationen in Form von RGB-Werten hat.

Für die Umsetzung der vorgestellten Segmentierungsalgorithmen wurde zunächst MATLAB zur Implementierung der vorliegenden Algorithmen eingesetzt. In einem zweiten Schritt wurden die Algorithmen in C++, kombiniert mit der PCL Bibliothek, umgesetzt, weil eine schnelle Prozessierung in dieser Entwicklungsumgebung auch für größere Datensätze möglich ist.

Der RANSAC Algorithmus lässt sich wie folgt beschreiben: In jedem Durchlauf wird eine minimale Anzahl von Punkten (hier zur Segmentierung von Punktwolken einer Fassade ein Datums-Set mit drei Punkten) zufällig aus dem Datensatz ausgewählt und es wird geprüft, ob eine Ebene daraus erzeugt werden kann. Jede Ebene wird gegen die restlichen Punkte getestet; die Ebene mit den meisten Inlier-Punkten wird letztendlich beibehalten.

Das Bereichswachstumsverfahren zur Extraktion von Ebenen aus Punktwolken nutzt die RGB-Werte und ist damit nur vom farbmetrischen Unterschied abhängig. Die Segmentierungsmethode beinhaltet drei Stufen, nämlich Bereichswachstum, Regionen-Verschmelzung und Verfeinerung.

Hinsichtlich der Kombination beider Algorithmen werden zwei Ansätze verfolgt. Zunächst wird die Kombination in der Reihenfolge „RANSAC - farbbasiertes Bereichswachstumsverfahren“ getestet. Eine andere Möglichkeit ist die Anwendung der Algorithmen in umgekehrter Reihenfolge. Aus dem Ergebnis wird die qualitative Verfeinerung der Segmentierung ersichtlich. In den Beispielen konnte der Einfluss der Schatten vermieden und die Fassadenelemente wie z.B. die Balkone, die Fenster sowie die Ladenschilder konnten erkannt werden.

Zur Evaluierung der unterschiedlichen Verfahren wurden die Ergebnisse hinsichtlich ihrer Qualität ausgewertet. Die Segmentierungsverfahren wurden sowohl auf Basis der visuellen Darstellung der Resultate als auch quantitativ analysiert. Die zwei grundlegenden Algorithmen wurden erfolgreich umgesetzt. Mit der in dieser Arbeit neu durchgeführten Kombination des RANSAC Algorithmus mit dem farbbasierten Bereichswachstumsverfahren konnte die Segmentierung der Beispieldatensätze signifikant verbessert werden.