Auto-qualification de données géographiques 3D par appariement multi-image et classification supervisée : application au bâti en milieu urbain dense
Institution:
Université de Marne-la-ValléeDisciplines:
Directors:
Abstract EN:
Bien que les méthodes de reconstruction automatique aient fait de nombreux progrès et soient actuellement transférées en production, des erreurs de modélisation subsistent de par la complexité et la diversité des formes de bâtiments présents en milieu urbain. Le contrôle des données produites reste une étape incontournable, mais ne peut actuellement être effectué que par une vérification visuelle et individualisée des données. Ceci réduit considérablement le gain de temps escompté par l’automatisation de la reconstruction. Dans ces travaux, nous en proposons une alternative qui vise la qualification automatique de données 3D par les seules données externes disponibles, les images aériennes. Elle se situe dans un cadre général semi-automatique, où un opérateur pourra vérifier a posteriori toutes les données qui n’auront pas été validées par le processus. Le processus se décompose en trois étapes : l’extraction d’observations des images, leur comparaison aux données 3D et une étape décisionnelle. Dans ces travaux, nous avons choisi l’option multi-image qui conduit à l’évaluation des données dans l’espace 3D. Nous nous sommes donc intéressés dans une première partie à l’appariement de multiples images, que ce soit à partir des textures, des radiométries ou des structures. Des observations 3D de natures diverses sont extraites afin de vérifier les propriétés géométriques et structurelles des données 3D. La multiplicité des observations assure de plus la généricité de la méthode. Dans une seconde partie, nous avons proposé d’utiliser une méthode de classification supervisée comme cadre décisionnel. Cette méthode permet non seulement d’engranger des connaissances sur la qualité des données, mais aussi de résoudre le problème posé, c’est-à-dire estimer la qualité de nouvelles données 3D. Etant donné les contraintes de performance d’un système de validation automatique, nous avons ensuite proposé d’appliquer des règles de décision robustes. Celles-ci s’inscrivent dans le paradigme des feux tricolores et sont très sélectives quant à la validation. Nous avons enfin mis en oeuvre la méthode avec des données réelles du bâti en milieu urbain dense et mené de nombreuses évaluations
Abstract FR:
Despite advances in automatic scene reconstruction field and the current technological transfer from research to production, modeling errors remain due to building shape complexity and diversity in urban areas. Produced data have to be checked, but only human verification of individualized data handles this task. This significantly reduces the interest of automation in scene reconstruction. In this work, we propose a new option that aims at automating 3D data quality diagnosis with the only available external data : the aerial images. This option takes place in a semi-automatic framework, where a human operator will be able to verify subsequently all the data that have not been validated by the process. The process is composed of three steps : observation extraction from the images, their comparison to the 3D data and a decision step. In this work, we have chosen the multi-image option that leads to data evaluation in the 3D space. First, we have been interested in matching several images from textures, from radiometries as well as from structures. 3D observations of diverse kinds have been extracted in order to verify geometrical and structural properties of 3D data. Furthermore, method genericity is ensured by the number of observations. Second, we have proposed to use a supervised classification method to cope with the decision process. This method enables to gather knowlegde on data quality as well as to solve the problem, that is to say to predict the quality of a new 3D data. Considering the performance constraints linked to an automatic validation system, we have then proposed to apply robust decision rules. These rules are in keeping with the traffic light paradigm and are very selective about the validation. Finally, we have applied the method to real buiding data in dense urban areas and performed many evaluations