Documente Academic
Documente Profesional
Documente Cultură
Universidad de Sevilla
G E N E R A C I N D E M A PA S 3 D A
PA R T I R D E I M G E N E S A R E A S
juan jess ruiz
Julio 2013
AGRADECIMIENTOS
En primer lugar, me gustara agradecerle a mi familia su apoyo incondicional durante los buenos y malos momentos; sin su ayuda jams
hubiera podido terminar esta aventura.
Tambin quiero expresar mi agradecimiento a todas las personas
que ,de una manera u otra, me han aportado algo durante los ltimos
seis aos:
A mis hermanos postizos Ignacio Reinoso y Daniel Valdera, porque
compartimos este objetivo desde pequeos y ahora se hace realidad.
Si algo he aprendido en la carrera es que la amistad no es ni ser una
funcin de la distancia.
A mis compaeros de promocin y aquellos que he ido conociendo a lo largo de la carrera, en especial a Sebastin del Moral, Roberto
Serrano, Manuel Snchez, Gilberto Surez y Daniel Callejo.
A profesores como Antonio Gonzlez y Fernando Fernndez por ser
grandes docente y saber cmo estimular a sus alumnos. A Luis Daz
y Francisco Prez de los cuales, a pesar de no ser profesores, he aprendido muchsimo durante el desarrollo de este proyecto.
Y por ltimo y no menos importante, agradecer a aquellas personas
con las que he compartido algn momento de mi vida durante estos
aos en especial a Andrea Adones, por soportarme en este sprint final
de carrera.
P R E FA C I O
vii
NDICE GENERAL
i introduccin
1
1 introduccin
3
1.1 Motivacin
3
1.2 Alcance y objetivos
4
1.3 Planificacin temporal
4
1.4 Estructura del documento
6
2 estado del arte
7
2.1 Introduccin
7
2.2 Contexto
7
2.3 Mapas 3D desde imgenes areas
2.4 Servicios de Cloud Computing
2.4.1 Pix4D
9
2.4.2 Sensefly
9
2.5 Herramientas Open Source
10
2.5.1 OpenCV y PCL
11
2.5.2 VisualSFM
11
2.5.3 MICMAC
12
8
9
ii generacin de mapas 3d
13
3 adquisicin de imgenes
15
3.1 Introduccin
15
3.2 Sistemas de visin
15
3.2.1 Sistemas estereos convencionales
15
3.2.2 Sistemas estreo con una sola cmara
17
3.2.3 Mapeado lser 3D con imgenes areas
17
3.3 Seleccin e integracin de la cmara
18
3.3.1 Cmaras digitales
18
3.3.2 Parmetros de la cmara
20
3.3.3 Montaje de la cmara
21
4 diseo de un vuelo de mapeado 3d
23
4.1 Introduccin
23
4.2 Ground Sample Distance
24
4.3 Altitude Ground Level
24
4.4 Solapamiento
25
4.5 Plan de vuelo
25
5 algoritmos de mapeado 3d
29
5.1 Introduccin
29
5.2 Modelo de caja negra
29
5.2.1 Imgenes areas
30
5.2.2 Parmetros extrnsecos
30
5.2.3 Parmetros intrnsecos
33
ix
ndice general
5.3
5.4
5.2.4 Mapas 3D
34
Mapas 3D dispersos
35
5.3.1 Detectores de caractersticas
35
5.3.2 Establecimiento de correspondencias
5.3.3 Triangulacin
42
5.3.4 Bundle Adjustment
43
Mapas 3D densos
44
5.4.1 Aproximacin multi-resolucin
45
5.4.2 Funcin de energa
46
5.4.3 Coeficiente de correlacin
47
5.4.4 Procesado de la nube de puntos
47
38
75
ndice general
v apndices
77
a publicacin de artculo en uav-g2013
79
b generacin de mapas 3d con micmac
85
b.1 Introduccin
85
b.2 Instalacin y distribucin
85
b.3 Proceso de generacin de mapas 3D
85
b.3.1 Deteccin de caracteristas y establecimiento de
correspondencias
86
b.3.2 Triangulacin y Bundle Adjustment
86
b.3.3 Generacin de matrices de Proyeccin
86
b.3.4 Densificacin de mapa 3D
87
c ejemplos de mapas 3d
89
c.1 Introduccin
89
c.2 Dataset 1
90
c.3 Dataset 2
91
c.4 Dataset 3
92
bibliografa
93
xi
NDICE DE FIGURAS
Figura 1
Figura 2
Figura 3
Figura 4
Figura 5
Figura 6
Figura 7
Figura 8
Figura 9
Figura 10
Figura 11
Figura 12
Figura 13
Figura 14
Figura 15
Figura 16
Figura 17
Figura 18
Figura 19
Figura 20
Figura 21
Figura 22
Figura 23
Figura 24
Figura 25
Figura 26
xii
39
Figura 27
Figura 28
Figura 29
Figura 30
Figura 31
Figura 32
Figura 33
Figura 34
Figura 35
Figura 36
Figura 37
Figura 38
Figura 39
Figura 40
Figura 41
Figura 42
Figura 43
Figura 44
Figura 45
Figura 46
Figura 47
Figura 48
Figura 49
Ejemplo de optimizacin usando Bundle Adjustment. En azul los puntos iniciales. En verde, la reproyeccin del punto
45
Ejemplo de aproximacin multi-resolucin.
46
Comparativa de diferentes sistemas de captacin de imgenes.
48
Triangulacin de Delaunay.
49
Ejemplo de tcnicas de reconstruccin de superficies
50
Ejemplo de funcionamiento de sistema GBAS
55
Esquema de generacin de proceso aleatorio
57
Testbed indoor situado en CATEC
59
Quadrotor utilizado para el experimento
60
Software de telecontrol de la cmara
61
Sistema VICON de posicionamiento.
62
Modelo Simulink para generacin de proceso
aleatorio.
64
Muestreo del proceso aleatorio de Gauss-Markov.
65
Colocacin de puntos de control.
67
Esquema general del experimento
67
Plan de vuelo utilizado para el experimento.
68
Resultados de precisin obtenidos al evaluar
diferentes receptores GPS
69
Resultados de precisin obtenidos haciendo uso
de 5 GCPs
70
Mapa 3D del escenario propuesto.
71
Factores de mejora de lo algoritmos de reconstruccin 3D .
75
Ortomosaico, mapa de altura y vista en perspectiva del modelo 3D del dataset 1.
90
Ortomosaico, mapa de altura y vista en perspectiva del modelo 3D del dataset 2
91
Ortomosaico, mapa de altura y vista en perspectiva del modelo 3D del dataset 3.
92
N D I C E D E TA B L A S
Tabla 1
Tabla 2
Tabla 3
Ejemplos de diferentes modelos de cmaras usados para mapeado 3D. Unidades: peso (gramos), resolucin (megapxeles) , precio(e)
19
Definicin de parmetros extrnsecos
31
Definicin de parmetros intrnsecos
33
xiii
xiv
ndice de tablas
Tabla 4
Tabla 5
Tabla 6
Tabla 7
Tabla 8
Tabla 9
Tabla 10
ACRNIMOS
agl
bsd
cmos
Charge-Coupled Device
ccd
dgps
dem
egnos
gbas
gsd
gis
gtp
gcp
gpu
gia
ppp
rtk
Real-Time Kinematics
snr
sfm
sift
sbas
sa
Selective Availability
utm
uav
uas
wgs84
waas
xv
Parte I
INTRODUCCIN
INTRODUCCIN
1.1
motivacin
Durante los ltimos aos, las tcnicas de mapeado a travs de imgenes areas han sido objeto de gran inters, sobre todo tras la aparicin de los sistemas areos no tripulados (UAV). Este auge ha sido
tal que ha absorbido el mercado que hasta ahora posean las tcnicas
de mapeado a partir de imgenes tomadas por satlites o aviones tripulados. La necesidad de modelos 3D ms precisos y detallados en
campos tales como medio ambiente, agricultura y monitorizacin de
recursos naturales ha provocado que las fotografas que ofrecen los
satlites no sean las adecuadas. Adems, la adquisicin de imgenes
es muy lenta y solo posible con condiciones meteorolgicas favorables. Aunque por otro lado el uso de aviones tripulados cubre esas
necesidades de resolucin y precisin, este tipo de tcnicas son muy
costosas y su limitacin de vuelo es de pocas horas. Resumiendo, las
tcnicas de adquisicin de imgenes areas utilizadas hasta antes de
la aparicin de los UAV poseen varias limitaciones tales como altos
costes de vuelo, maniobrabilidad restringida, baja resolucin etc [1].
En la figura 1 se puede observar como a medida que aumenta la
cobertura disminuye el nivel de detalle de las imgenes obtenidas. El
uso de UAS permite capturar imgenes con gran detalle a la vez que
se de las imgenes obtenidas evitan las perturbaciones producidas
por fenmenos atmosfricos a tales como nubes o niebla.
introduccin
1.2
alcance y objetivos
planificacin temporal
DIAGRAMA DE GANTT
2012
MESES:
2013
10 11 12 1
100 % Completado
1 Documentacin inicial
1.1 Estado del arte
100 % Completado
START-TO-START
100 % Completado
FINISH-TO-START
1.3 OpenCV
100 % Completado
83 % Completado
2 Generacin mapas 3D
2.1 Implementacin inicial
100 % Completado
FINISH-TO-START
100 % Completado
FINISH-TO-START
2.3 Optimizacin
50 % Completado
100 % Completado
3 Experimentos realizados
3.1 Diseo del experimento
100 % Completado
FINISH-TO-START
3.2 Experimentos
100 % Completado
FINISH-TO-START
100 % Completado
100 % Completado
HOY
introduccin
E S TA D O D E L A R T E
2.1
introduccin
contexto
Hasta principios del ao 2000, los grupos de investigacin de fotogrametra y visin artificial haban trabajado de manera independiente
en la reconstruccin de entornos 3D, coincidiendo slo en la resolucin de problemas basados en visin estereoscpica. Por un lado,
los fotogrametristas se centraron en el uso de cmaras de alto coste
bien calibradas e imgenes de alta resolucin analgicas, a las que se
les aplicaban algoritmos de optimizacin, los cuales necesitaban de
bastante interaccin humana. Sin embargo, la comunidad de visin
artificial trabajaba en sistemas de tiempo real, utilizando imgenes de
baja resolucin y siendo stos sistemas totalmente autnomos.
Es entonces cuando, en torno al ao 2010 se produjo un importante
descenso en el precio de las cmaras digitales. Era posible por ejemplo, adquirir cmaras reflex con unas caractersticas de resolucin y
SNR parecidas a las que se utilizaban a principios del ao 2000 en
fotogrametra. No es de extraar que este hecho provocar una evolucin natural en el tratamiento de imgenes areas, donde se combinaron las prestaciones ms relevantes de la fotogrametra y la visin
artificial. Gracias a ello, se han estado desarrollando herramientas automticas y bastantes precisas que permiten modelar un entorno 3D
utilizando para ello imgenes tomadas desde una cmara comercial
de bajo coste.
Sin embargo, antes de que estas herramientas se pudieran ofrecer
al pblico convencional como un servicio, fue necesario el desarrollo
de una serie de algoritmos que permitieran que la reconstruccin de
modelos 3D fuese factible desde el punto de vista computacional.
2.3
Con el desarrollo de sistemas areos no tripulados (UAV) (ver figura 3a) surge una alternativa a las tcnicas de mapeado que se realizaban hasta entonces, pudiendo realizar vuelos a baja altura con una
mayor resolucin y calidad de imagen. Adems, la integracin de sensores inerciales en los UAV permite la generacin no solo de mapas
ortogonales georeferenciados, sino tambin de modelos digitales de
altura (DEM).
Pix4D
Pix4D fue fundada a finales de 2009 como una spin-off de EPFL, escuela de ingeniera suiza con amplia experiencia tanto en robtica
como en inteligencia artificial [3].
Entre los productos que oferta esta empresa, destaca Pix4UAV (ver
figura 4a), una solucin software disponible tanto en la nube como
versin de escritorio. Este paquete software permite la reconstruccin
de mapas 3D a partir de imgenes areas as como la generacin de
mapas 2D georreferenciados o la posibilidad de integrar el resultado
final con Google Maps. La principal diferencia entre la versin en
la nube y la de escritorio reside en el precio, ya que en la versin
de escritorio se paga una licencia completa, mientras que para un
procesamiento en la nube solo es necesario abonar cada proyecto de
manera independiente.
2.4.2
Sensefly
10
los algoritmos utilizados, pudiendo as adaptar y cambiar esos parmetros segn la necesidad del usuario. A continuacin se exponen
las herramientas Open Source ms destacadas, as como proyectos de
cdigo libre relacionados con la reconstruccin 3D.
2.5.1
OpenCV y PCL
OpenCV es una biblioteca libre de visin artificial originalmente desarrollada por Intel. Desde que apareci su primera versin alfa en el
mes de enero de 1999, se ha utilizado en multitud de aplicaciones
como por ejemplo sistemas de seguridad con deteccin de movimiento o aplicaciones de control de procesos donde se requiere reconocimiento de objetos. Esto se debe a que su publicacin se da bajo
licencia BSD, que permite que sea usada libremente para propsitos
comerciales y de investigacin con las condiciones en ella expresadas.
OpenCV es multiplataforma [5], existiendo versiones para GNU/Linux, Mac OS X y Windows. Contiene ms de 500 funciones que
abarcan una gran gama de reas en el proceso de visin, como reconocimiento de objetos, calibracin de cmaras, visin estreo y reconocimiento de caras.
En lo relativo a reconstruccin 3D, OpenCV ofrece implementaciones de los algoritmos ms utilizados tales como detectores de caractersticas, establecimiento de correspondencias o algoritmos ms
complejos utilizados en visin estreo como el conocido Semi-Global
Matching o Graph Cut. Destaca tambin la re-implementacin de los
citados algoritmos para que sean usados en las emergentes memorias
GPU, que permite una aceleracin considerable en el tratamiento de
imgenes de alta resolucin.
Por ltimo, comentar tambin la aparicin de librerias para el tratamiento de nubes de puntos en 3D como Point Cloud Library (PCL)
[6], cuya publicacin tambin se da bajo licencia BSD.
2.5.2
VisualSFM
11
12
mapas 3D como por ejemplo, Multicore Bundle Adjustment, o SIFTGPU entre otros.
VisualSFM es por tanto una herramienta de propsito general (ver
figura 5a) que permite la reconstruccin de entornos 3D incluso cuando las imgenes son tomadas por gente con poco conocimiento sobre
fotografa. En consecuencia, el precio a pagar por esta flexibilidad es
una formulacin matemtica ms inexacta, que incurre en prdidas
de precisin para algunas aplicaciones, como es el caso de la generacin de mapas 3D.
2.5.3
MICMAC
Parte II
G E N E R A C I N D E M A PA S 3 D
ADQUISICIN DE IMGENES
3.1
introduccin
sistemas de visin
A continuacin se presentan los sistemas de visin ms utilizados para reconstruccin 3D entre los que se encuentran los sistemas estreos
convencionales, los sistemas monoestreos y por ltimo una tcnica
que combina sensores de imagen con informacin proveniente de un
lser.
3.2.1
15
16
adquisicin de imgenes
(x x )/2
x = b i 0 d0
(yi yd )
0
(y y )/2
y = b i 0 d0
(xi xd )
z=b
f
0
(xi xd )
0
(1)
(2)
(3)
Del estudio de las ecuaciones anteriores se puede deducir las siguientes afirmaciones:
La coordenada z (ecuacin 3) es inversamente proporcional a la
disparidad. La distancia a objetos prximos puede medirse de
forma ms precisa que a objetos lejanos.
Para un error determinado en el plano de imagen, el intervalo de incertidumbre en la determinacin de z aumenta con la
distancia.
Para un valor fijo de disparidad, la precisin en la determinacin de Z aumenta al separar ms las cmaras. Sin embargo,
cuando esta separacin aumenta, las imgenes son menos similares con lo cual el establecimiento de correspondencias es ms
difcil, pudiendo llegarse incluso a que puntos de una imagen
no aparezcan en la otra.
Por tanto, hace falta controlar dos factores a la hora del desarrollo
de un sistema estreo convencional: la distancia a los objetos y la
separacin entre las cmaras. Atendiendo al caso de mapeado 3D a
partir de imgenes areas estas afirmaciones se traduciran en vuelos
a baja altura y en el uso de una distancia base bastante elevada.
Debido a problemas de implementacin, los sistemas estreos convencionales no son recomendados en aeronaves pequeas o UAVs. En
contrapartida, se utiliza una tcnica denominada estreo con una cmara o motion stereo, la cual comparte muchas caractersticas con las
tcnicas estreo convencionales.
3.2.2
Los sistemas esteros que utilizan solo una cmara cubren el caso particular de visin estreo donde los ejes pticos de las cmaras no son
paralelos. Por consiguiente, es necesario determinar la transformacin que existe entre los sistemas de referencias asociado a la cmara
en cada una de las imgenes obtenidas. Por este motivo, la implementacin de este tipo de tcnicas es muy apropiada en aeronaves
pequeas debido a la integracin de sensores inerciales de posicionamiento (GPS,IMU), que permiten la localizacin de la cmara en un
sistema de coordenadas terrestre.
En la figura 7 podemos observar cmo utilizando una sola cmara
podemos cubrir la zona de inters si realizamos las fotografas en
las posiciones adecuadas. En el caso de imgenes areas, se deber
realizar un plan de vuelo o path planning, acorde a unas condiciones
de solapamiento entre imgenes.
3.2.3
17
18
adquisicin de imgenes
En esta seccin se propone el anlisis de las diferentes cmaras disponibles en el mercado y recomendadas por empresas que ofrecen
servicios de mapeado 3D. Adems, se plantea una configuracin inicial de parmetros relativos a la cmara, as como un estudio de la
integracin de la misma en la plataforma area.
3.3.1
Cmaras digitales
La eleccin de una cmara digital debe ser acorde a una serie de necesidades provenientes de los algoritmos de reconstruccin 3D. Por
tanto, las imgenes tomadas deben cumplir unos requisitos en cuanto a calidad y resolucin se refiere, adems de tener la opcin de
poder configurar parmetros tales como la velocidad de obturacin,
la apertura de la lente, la ISO etc..
19
modelo
peso
resolucin
precio
135
16.1
119.13
Sony RX 100
240
20.2
649
270-350
24.3
1273.81
Canon 5D mark ii
>500
22
2469
Hasselblad h5d
>2000
50
20,900
Leica rcd30
>4000
60
Tabla 1: Ejemplos de diferentes modelos de cmaras usados para mapeado 3D. Unidades:
peso (gramos), resolucin (megapxeles) , precio(e)
En este sentido, cabe aclarar que no solo las cmaras de gama baja
estn afectadas. Las cmaras de gama alta con sensor CMOS (prcticamente todas las disponibles en el mercado fotogrfico actual), en
modo vdeo producen el mismo efecto. No lo producen al tomar fotografas ya que primero se exponen los fotodiodos, se cierran las
20
adquisicin de imgenes
Parmetros de la cmara
Una vez se ha seleccionado el modelo a utilizar, es importante adecuar los parmetros de la cmara en funcin de la escena, con el
objetivo de conseguir una buena calidad de imagen. A continuacin
se exponen los principales parmetros que debemos tener en cuenta
a la hora de obtener las imgenes:
Sensibilidad ISO: Hace referencia a la sensibilidad de cada una
de las celdas que componen el sensor o chip CCD. Esta sensibilidad es fija y est en torno a 100 ISO. Los ndices ISO superiores
que nos ofrece la cmara digital se logran mediante un amplificado posterior de la seal, lo que conlleva una amplificacin de
la emisin aleatoria del chip.
Velocidad de obturacin: Hace referencia al tiempo de exposicin o lo que es lo mismo, al periodo de tiempo durante el cual
esta abierto el obturador de la cmara fotogrfica. Se expresa en
segundos y fracciones de segundo por lo cual se entiende que
estamos hablando de tiempo y no de velocidad (tiempo/distancia). Es muy importante en imgenes areas dependiendo de la
velocidad del UAV.
Apertura de la lente: En fotografa, la magnitud de la apertura est controlada por el diafragma, el cual es una estructura
interpuesta en la trayectoria de la luz para regular la cantidad
de sta admitida en el sistema. En combinacin con la velocidad de obturacin, el tamao de apertura regula el grado de
exposicin a la luz del filme o sensor, determinando as el valor
de exposicin. Grandes aperturas estn relacionadas con una
menor profundidad de campo y nitidez, mientras una apertura
pequea consigue concentrar ms la luz produciendo una mayor profundidad de campo y nitidez en la fotografa resultante.
Una buena estrategia a la hora de configurar la cmara para la
adquisicin de imgenes areas se basa en utilizar una sensibilidad
ISO acorde a la iluminacin de la escena (siempre intentando utilizar
el valor ms pequeo), as como una velocidad de obturacin en torno
a 1/300 y 1/1800 segundos. En lo relativo a la apertura de la lente, la
mayora de las cmaras poseen un modo de funcionamiento en el cual
la configuracin de este parmetro se hace de manera automtica,
ajustndola siempre a la mayor apertura posible.
3.3.3
Montaje de la cmara
21
4.1
introduccin
El primer paso antes de desarrollar un sistema de generacin de mapas 3D es realizar un estudio de uso de este tipo de tcnicas. Existen
diferentes reas de aplicacin tales como la exploracin de sitios inaccesibles, documentacin arqueolgica, restauracin etc.. para las cuales la utilizacin de un modelo tridimensional resulta de gran ayuda.
Por tanto, cada una de las posibles aplicaciones antes mencionadas
tendr unas necesidades en cuanto a resolucin y precisin del resultado final se refiere.
La figura 11 recoge el esquema de diseo que se seguir a lo largo
del captulo. Partiendo de una resolucin inicial (GSD), calcularemos
la altura media de vuelo (AGL) haciendo uso de diferentes parmetros de la cmara. Si la altura de vuelo fuese un factor limitante, se
recalculara la GSD. Por ltimo se calcula superficie cubierta por una
imagen o GIA, con el objetivo de disear un plan de vuelo acorde a
los parmetros ya descritos y a un solape entre imgenes requerido.
23
24
4.2
(4)
No debemos confundir la GSD con la resolucin de la imagen tomada ya que ,como se demostrar en el siguiente apartado, depende
de la resolucin de la cmara y la altura de vuelo.
4.3
Una vez se ha fijado la resolucin por pxel que necesita nuestra aplicacin, la altura de vuelo o Altitude above Ground Level (AGL) es el
segundo parmetro a calcular. La altura a la que tomaremos las imgenes depende de la distancia focal de la cmara, de las dimensiones
del sensor y de la GSD definida en el apartado anterior. La imagen
12 recoge un esquema de una situacin real, sealando los aspectos
de inters.
h=
fd
Sw
(5)
(6)
4.4 solapamiento
h=
f Imwdith GSD
Sw 100
(7)
Expresin que relaciona la mxima altura de vuelo desde donde podemos realizar las fotografas para cumplir unos requisitos de resolucin por pxel. Ordenes de magnitud tpicos para vuelos de mapeado
3D tratan con resoluciones en el rango [1,10] cm/pxel y alturas de
vuelo entre 80 y 200 metros. Sin embargo, muchas veces la altura mxima de vuelo es un factor limitante en el caso de utilizar UAVs, por
lo que habr que llegar a una relacin de compromiso entre AGL y
GSD.
4.4
solapamiento
plan de vuelo
Un factor muy importante a la hora de preparar un vuelo de reconstruccin 3D es el path planning o planificacin de la trayectoria. Debido a que se ha definido ya una altura de vuelo fija para cumplir una
determinada GSD, disear una plan de vuelo pasa de ser un problema en 3D a un problema 2D. En base a esto y de acuerdo con [12], el
diseo de una ruta ptima se puede dividir en dos fases:
1. En primera instancia, se calcula el denominado Ground Imaging Area (GIA) o superficie total que abarca una imagen:
(8)
25
26
donde:
rx ,ry = resolucin horizontal y vertical de la cmara (pixels)
gx ,gy = GSD horizontal y vertical deseada (m/pxel)
A continuacin, se divide el rea a mapear en una cantidad finita de rectngulos del mismo tamao, normalmente en forma de
malla. Se utiliza este tipo de divisin ya que se asume que a una
altura de vuelo constante y con un giro pitch and roll mnimo, la
GIA de cada una de las imgenes ser muy similar.
La eleccin del tamao de mallado se elige en funcin al solapamiento requerido. Para un solapamiento entre un 60 % y un
80 %, se recomienda utilizar un mallado 3 o 4 veces ms pequeo que la GIA anteriormente calculada.
2. Una vez establecido la malla sobre la superficie a mapear, se
debe tomar una fotografa en el centro de cada rectngulo. Disear una ruta que minimice la distancia recorrida es una versin
del problema del viajero o TSP. Este problema es ampliamente
conocido y estudiado en la literatura ( [13] y [14]), por lo que
no se tendr en cuenta en este estudio. Sin embargo en [12] se
propone una versin del algoritmo adaptado al problema que
nos ocupa.
27
ALGORITMOS DE MAPEADO 3D
5.1
introduccin
29
30
algoritmos de mapeado 3d
Imgenes areas
Parmetros extrnsecos
Rx , Ry , Rz
Tx , Ty , T z
(9)
P = [R|t]
5.2.2.1 Matriz de traslacin
(10)
31
32
algoritmos de mapeado 3d
5.2.2.2
Matriz de rotacin
En matemticas, el teorema de rotacin de Euler [15] dice que cualquier rotacin o conjunto de rotaciones sucesivas puede expresarse
siempre como una rotacin alrededor de una nica direccin o eje
de rotacin principal. De este modo, para definir una rotacin en el
espacio se hace uso de tres ngulos de giro conocidos como ngulos
de Euler.
Estos ngulos (, , ) corresponden con los ngulos convencionales de roll (), pitch() y yaw () que se utilizan en navegacin para
especificar la actitud de un mvil. El ngulo de roll es el giro de las
alas del avin, el ngulo de pitch la inclinacin del morro y el ngulo
de yaw es el giro del morro del avin respecto al norte tal y como se
define en la figura 16.
cos()
cos()
sen() 0
R =
sen() cos() 0
0
0
1
R =
0 sen()
1
sen() 0 cos()
R =
0 cos() sen()
0 sen() cos()
(11)
(12)
(13)
33
(14)
coscos
cossen
sen
Rn =
cossinsen sencos coscos + sensensen cossen
cossencos + sensen sensencos cossen coscos
(15)
5.2.3
fx , fy
Distancia focal efectiva en el modelo de cmara estenopica, que equivale a la distancia del
origen de coordenadas de la cmara al plano
de la imagen.
Factor de skew
Cx , Cy
fx
K=
0
0
cx
fy cy
(16)
34
algoritmos de mapeado 3d
Mapas 3D
5.3
mapas 3d dispersos
Con carcter general, el planteamiento de la reconstruccin 3D a partir de imgenes debe resolver las siguientes cuestiones:
1. Geometra de la escena (structure): Una vez establecidas correspondencia entre varias imgenes, Cuales son los puntos 3D
correspondientes a esos puntos?
2. Establecimiento de correspondencias (stereo matching): Dado un
punto 2D en una imagen, Cmo se localiza ese punto en las
dems imgenes?.
3. Geometra de la cmara (motion): Una vez establecida la correspondencias entre los diferentes puntos, Cuales son los parmetros extrnsecos asociados a cada una de las imgenes?
En ingls, al conjunto de algoritmos que permiten resolver stas
cuestiones se conoce como Structure from Motion (SfM). Esta tcnica
calcula la geometra 3D a partir del flujo ptico o movimiento en 2D.
En el caso de la toma de imgenes areas se asumir que la escena es
esttica y es la cmara la que se mueve en el entorno.
El modo de funcionamiento de los algoritmos SfM se puede dividir en 4 etapas, las cuales se muestran en la figura 18. En resumen,
se establecen correspondencias entre las diferentes imgenes con el
objetivo de obtener esas coordenadas 3D mediante una serie de algoritmos de triangulacin. Finalmente, una vez obtenida la estructura
se somete el modelo 3D a un proceso de optimizacin, minimizando lo que se conoce como el error de reproyeccin. En las siguientes
secciones se realizar un anlisis ms a fondo de estos conceptos.
5.3.1
Detectores de caractersticas
35
36
algoritmos de mapeado 3d
Figura 18: Esquema general de generacin de mapas dispersos (Structure from Motion).
37
38
algoritmos de mapeado 3d
5.3.1.3
Test de rendimiento
5.3.1.4
En conclusin, para obtener un modelo 3D disperso necesitamos establecer el mayor nmero de correspondencias posibles as como confiar en que estas correspondencias sean invariantes a escalado y rotacin. En nuestro caso, el tiempo de computacin no es un factor
limitante por tanto, la mejor opcin disponible actualmente se basa
en el uso de descriptores SIFT o SURF.
Para finalizar, en la figura 22 se ha realizado una prueba de extraccin de caractersticas utilizando los descriptores SIFT disponibles en
OpenCV, donde se puede apreciar la dependencia del contenido de
la imagen con el nmero de caractersticas detectadas.
5.3.2
Establecimiento de correspondencias
Una vez se han extrado las diferentes caractersticas, debemos realizar un seguimiento de esos puntos en el resto de imgenes captadas.
Por tanto, hay que ordenar el set de imgenes para ver cuales poseen
zonas de solape. La opcin ms fcil sera comparar todas con todas
en busca de puntos en comn, lo cual es extremadamente ineficiente
en datasets de centenares de imgenes de alta resolucin. En vistas a
realizar una comparacin ms eficiente, se proponen dos alternativas:
39
40
algoritmos de mapeado 3d
Figura 23: Resultado del proceso de matching entre dos imgenes areas consecutivas.
Filtro de simetra
Si tenemos dos imgenes, todo el proceso de establecimiento de correspondencias se realiza en ambos sentidos con el objetivo de poder
establecer una similitud entre ambos sets de emparejamientos.
Una vez se ha eliminado outliers mediante el test de distancia, se
aplica este filtro con el objetivo de eliminar aquellos puntos que no
cumplan con una determinada regla de simetra. Esta regla consiste
en comprobar si la correspondencia es la mejor en ambas direcciones,
es decir, se calcula los mejores candidatos en ambas direcciones y ,
en caso de no coincidencia, se eliminan, al ser considerados falsas
detecciones.
5.3.2.3
Como ltima etapa se propone un filtrado mediante el uso de las restricciones propuestas por la geometra epipolar. Despus del filtrado
anterior, se deben haber eliminado la mayora de outliers, por lo que
despus de esta ltima etapa, la mayora de los puntos emparejados
sern correctos.
De acuerdo con [18], consideremos dos imgenes consecutivas captadas por una cmara, tal y como se muestra en la siguiente figura:
Con el objetivo de encontrar la imagen x de un punto 3D X, se puede trazar la linea que une este punto 3D con el centro de proyeccin
(17)
x T Fx = 0
(18)
41
42
algoritmos de mapeado 3d
[19] se puede reconstruir unas matrices de traslacin y rotacin relativas a partir de la matriz fundamental F. Sin embargo, esto lleva a
una ambigedad en la proyeccin, lo que no es deseable ya que el
objetivo de este proyecto es la creacin de mapas georreferenciados
y escalados adecuadamente. Finalmente, la figura 25 recoge el proceso de establecimiento de correspondencias y las diferentes etapas de
filtrado.
5.3.3
Triangulacin
x =PX
x = PX
(19)
xp3T p1T
3T
xp p2T
A= 0
3T p 0 1T
xp
(20)
xp 3T p 2T
(21)
min
aj ,bi
n X
m
X
i=1 j=1
vij
xij xR
ij
(22)
43
44
algoritmos de mapeado 3d
Para conseguir reducir el error de reproyeccin se utiliza un algoritmo de minimizacin no lineal robusto que modifica los valores
estimados de los parmetros conjuntamente, o dicho de otra forma,
intenta ajustar el grupo (bundle) de rayos que unen las proyecciones y
los puntos fsicos de tal forma que el error de reproyeccin sea el menor posible. Este mtodo fue creado en el campo de la fotogrametra
durante la dcada de 1950 y ha incrementado su uso en los ltimos
aos gracias a los avances en visin artificial.
Al tratarse de un problema de optimizacin sobre una funcin no
lineal, bundle adjustment hace uso de algoritmos de mnimos cuadrados. El ms conocido, Levenberg-Marquardt (LM) ha probado ser
uno de las mejores opciones debido a su fcil implementacin y rpida convergencia.Para poder empezar con la optimizacin, LM necesita un punto de partida, un conjunto de valores para los parmetros y
las mediciones de error para dichos parmetros. A cada iteracin de
LM se calcula un nuevo conjunto de parmetros que reduce el error,
hasta llegar a la solucin ptima, y la modificacin que se produce
entre una iteracin y la siguiente es aquella que minimiza el error en
un cierto grado.
En cuanto a su implementacin, existen herramientas open source
como sba [22] el cual implementa en el lenguaje de programacin C++
una versin dispersa del algoritmo LM especialmente adaptado a reconstruccin 3D. En la figura 27 se ha representado de manera grfica
el error de reproyeccin con el objetivo de ver el efecto de bundle adjustment. En 27a el error de reproyeccin era de unos 400 pxeles de
media mientras que en 31b el error disminuye hasta 0,3 pxeles. Cabe
aclarar que el error de reproyeccin es una medida geomtrica, por
lo que no corresponde con medidas de error absolutas.
5.4
mapas 3d densos
45
Figura 27: Ejemplo de optimizacin usando Bundle Adjustment. En azul los puntos iniciales. En verde, la reproyeccin del punto
5.4.1
Aproximacin multi-resolucin
MICMAC utiliza una estrategia multi-resolucin que permite mejorar el tiempo de computacin y asegurar que las correspondencias
encontradas en diferentes niveles son similares. Esta estrategia es la
siguiente:
Primero se calcula una pirmide de N imgenes de resolucin
2K K [1 : N]
Se genera un mapa de profundidad a baja resolucin utilizando
la primera etapa de la pirmide.
Si en estamos en el paso k-simo, se utilizar la informacin
generada en la etapa anterior para predecir el mapa de profundidad de ese nivel, pues los verdaderos puntos homlogos
estarn cercanos en todas las etapas de la pirmide.
La figura 28 muestra el escalado inicial de las imgenes utilizadas
as como el factor de escala usado.
46
algoritmos de mapeado 3d
5.4.2
Funcin de energa
El principal objetivo del establecimiento de correspondencias es calcular una funcin Fz con la restriccin de que las imgenes que se
apliquen sean similares (de hecho sern las utilizadas en la aproximacin piramidal).
Sea:
Corr(x, y, Fz (x, y))) > 0 un criterio para medir la similitud entre las diferentes imgenes. Cuando Corr=0 las imgenes son
perfectamente idnticas.
5(Fz ) el gradiente de Fz .
reg
5(Fz )
la norma del gradiente que es usada como un parmetro de regulacin (penaliza la variacin de Fz ).
Se define la funcin de energa a minimizar como:
ZZ
(Fz )
reg
Corr(x, y, Fz (x, y) +
5(Fz )
(23)
Coeficiente de correlacin
0
0
(I(x + i) I(x))(I
(x + 4 + i) I (x + 4))
Corrx (4) = P
P 0
2 21
2
0
( i (I(x + i) I(x))
i (I (x + 4 + i) I (x + 4) )
(24)
0
47
48
algoritmos de mapeado 3d
Segn la definicin de Delaunay la circunferencia circunscrita es vaca, si no contiene otros vrtices aparte de los tres que la definen. La
condicin de Delaunay dice que una red de tringulos es una triangulacin de Delaunay si todas las circunferencias circunscritas de todos
los tringulos de la red son vacas. Esa es la definicin original para espacios bidimensionales. Sin embargo, es posible ampliarla para
espacios tridimensionales usando la esfera circunscrita en vez de la
circunferencia circunscrita.
En la figura 46 se puede observar un ejemplo de triangulacin de
Delaunay
5.4.4.2
El algoritmo de reconstruccin de superficies de Poisson es una aproximacin que permite el clculo de superficies como una solucin a
(c) Aplicacin de la
condicin de Delaunay
1 ifp M
0 ifp
/M
(25)
Adems se sabe que existe una relacin entre los puntos muestreados de una superficie y el indicador de funcin del modelo. Ms
especficamente, el gradiente del indicador de funcin es un campo
vectorial que es cero en casi todo el modelo excepto en los puntos
cercanos a la superficie, donde es igual a la normal en ese punto.
Entonces, el problema se resume en encontrar una funcin escalar
~ tal que:
cuyo gradiente mejor se aproxime al campo vectorial V
~
min
5 V
(26)
(27)
49
50
algoritmos de mapeado 3d
Parte III
E VA L U A C I N D E L A P R E C I S I N E N M A PA S
3D
6.1
introduccin
El objetivo de este experimento es evaluar cmo afectan las desviaciones en el sistema de posicionamiento de un UAV en la generacin
de mapas 3D. Para llevar a cabo el experimento, se ha utilizado un
testbed indoor situado en las instalaciones del Centro Avanzado de
Tecnologas Aeroespaciales (CATEC). Este testbed posee un sistema
de posicionamiento con una precisin milimtrica, lo que ha permitido simular unos sensores inerciales ideales. Finalmente, se ha distorsionado esta seal haciendo uso de un modelo de ruido de GPS con
el objetivo de simular diferentes calidades en la recepcin de la seal
GPS y as cuantificar cmo afectan estos parmetros a la precisin del
modelo 3D final.
6.2
Los errores acumulados en la generacin de mapas 3D pueden deberse a diversas fuentes, debido a la gran cantidad de algoritmos
que integra. Sin embargo, observando el esquema entrada-salida y
conociendo cmo funcionan dichos algoritmos, las fuentes de errores
pueden clasificarse esencialmente en tres grupos:
Adquisicin de imgenes: Dentro de este grupo entran los parmetros relativos a calidad de imagen y solapamiento. Como
ya se mencion en el correspondiente captulo, las imgenes deben estar bien definidas y contener las texturas suficientes para
que los detectores de caractersticas puedan generar un modelo
3D disperso adecuado. Por tanto, se deben controlar factores tales como la exposicin de la cmara o el solapamiento existente
entre las imgenes.
Altura de vuelo: La altura de vuelo o AGL est directamente
relacionada con la resolucin por pxel o GSD de las imgenes
captadas. Cuanta ms resolucin contenga las imgenes captadas (lo que es equivalente a una AGL baja) ms precisin tendremos a la hora reconstruir los diferentes puntos 3D.
Sistema de posicionamiento: Aparte de las propias imgenes, es
necesario aportar informacin sobre el posicionamiento de stas
en algn sistema de coordenadas con vistas a generar mapas 3D
georreferenciados. Para ello se hace uso de los sensores inerciales a bordo del UAV, los cuales suelen ser equipos de bajo coste
53
54
simulacin de gps
El objetivo principal del experimento consiste en estudiar cmo afectan las desviaciones en los receptores GPS en la generacin de mapas
3D. Con ese objetivo, la siguiente seccin pretende caracterizar el modelo de ruido de un GPS, as como realizar un breve anlisis de las
desviaciones tpicas en los diferentes receptores que existen en la actualidad.
6.3.1
segmento
Espacio
Control
Espacio
UERE
fuente de error
uere (m)
3.0
1.0
Otros
0.5 m
Error de efemrides
4.2
Otros
0.5 m
Propagacin en ionosfera
5.0
Propagacin en troposfera
1.5
Multitrayecto
2.5
Ruido de medida
1.5
Otros
0.5
Total
8.0
55
56
Finalmente aparecieron los sistemas denominados Space Based Augmentation Systems (SBAS) que utilizan un sistema de satlites de referencias situadas a lo largo de un continente entero. Por tanto, no es
necesario el uso de equipamiento extra en tierra, alcanzando precisiones en torno a 1-3 metros. Los sistemas WAAS en Norte Amrica o
EGNOS en Europa son ejemplos de sistemas SBAS.
En la tabla 5 se recogen los diferentes sistemas anteriormente citados junto a sus valores tpicos de precisin horizontal y vertical.
nombre
precisin horizontal
precisin vertical
RTK / PPP
0.1 m
0.3m
WAAS / EGNOS
1m
3m
DGPS
3m
5m
5m
15m
6.3.3
Modelo de ruido
De acuerdo a [26] los errores acumulados en el GPS pueden modelarse como un proceso de Gauss-Markov de bajo orden, el cual posee
una funcin de correlacin que decae de manera exponencial.
La manera de proceder en la experimentacin ser simular durante
el tiempo de vuelo dos procesos de Gauss-Markov acorde a unas desviaciones mximas en la horizontal y vertical correspondientes a los
diferentes receptores GPS. Estas dos desviaciones sern aadidas a
la seal proveniente del sistema de posicionamiento que nos proporcionar el testbed obteniendo as nuestra seal GPS simulada. Este
proceso queda plasmado en la figura 33
6.4
experimentos a realizar
57
nombre
precisin horizontal
precisin vertical
RTK / PPP
0.1cm
0.3cm
WAAS / EGNOS
1cm
3cm
DGPS
3cm
5cm
5cm
15cm
7.1
introduccin
Una vez definido el experimento, el presente captulo trata de describir paso a paso la ejecucin del mismo, haciendo un repaso tanto por
los materiales utilizados como por los parmetros de configuracin.
7.2
Para la realizacin de este experimento se ha utilizado las instalaciones del Centro Avanzado de Tecnologas Aeroespaciales (CATEC).
Este centro de investigacin est situado en el Parque Tecnolgico y
Aeronutico de Andaluca en la localidad de La Rinconada, Sevilla.
CATEC es un centro tecnolgico que desarrolla su actividad en base a nuevas tecnologas y proyectos de I+D+i siendo el trabajo con aeronaves no tripuladas una de sus principales lineas de investigacin.
Este hecho ha permitido que gracias a sus instalaciones y recursos,
sea el lugar idneo donde llevar a cabo este tipo de experimentos.
El desarrollo del experimento se llev acabo en un testbed indoor
utilizado para la experimentacin con quadrotors. Este testbed est
formado por un volumen de 14x14x5 metros el cual cuenta con un
sistema de posicionamiento formado por 20 cmaras VICON.
59
60
7.3
material utilizado
A la hora de realizar un vuelo de mapeado 3D, es necesario desarrollar una serie de herramientas tanto software como hardware. A
continuacin se presenta el material utilizado para la ejecucin de los
experimentos:
7.3.1
UAV
7.3.2
Cmara
La cmara fotogrfica utilizada ha sido la Canon G10 Powershot, cuyas especificaciones ms relevantes se recogen en la tabla 7
En cuanto a la programacin de la cmara, se ha hecho uso de las
libreras libgphoto2 [27], las cuales permiten controlar de forma remota y configurar la cmara mediante el USB. La cmara va conectada
por USB al UAV y a travs de una conexin TCP con un servidor
instalado en el quadrotor, se ha desarrollado un software especifico
de telecontrol. As, como muestra la figura 36, podemos configurar
caracterstica
Sensor
61
descripcin
1/1.7 tipo CCD
14.7 Megapxeles
28-140 mm
Lentes
5x zoom ptico
F2.8-4.5
Peso
350 gramos
Tamao imgenes
4416x3312 pxeles
Velocidad de obturacin
15-1/4000 sec
7.3.3
La idea original del experimento es sustituir el receptor GPS que poseen los UAVs por un sistema de posicionamiento ms preciso. Para
ello, se va a utilizar el sistema VICON situado en el testbed indoor
de CATEC. Este sistema es capaz de calcular el tiempo real (100Hz
de tasa de refresco) la posicin y la actitud de cualquier objeto mvil
que se encuentre en el volumen contenido por el testbed. En la figura 37 podemos ver un ejemplo de cmaras VICON y los marcadores
utilizados para el seguimiento dentro del volumen.
62
7.3.4
PIX4UAV
Durante la elaboracin de este proyecto fin de carrera, se ha desarrollado el software necesario para la generacin de mapas 3D dispersos,
utilizando las libreras OpenCV y PCL. Adems se ha estudiado la
densificacin de estos mapas a travs de las libreras MICMAC. Sin
embargo, con el objetivo de evaluar la precisin final de los mapas 3D
generados, se va a hacer uso de una versin trial del software proporcionado por la empresa Pix4d, Pix4UAV. El motivo de la eleccin es
buscar la abstraccin de la cadena de algoritmos usados y centrar el
esfuerzo en el proceso de adquisicin de datos. Por otra parte, Pix4d
es la empresa a la vanguardia en la creacin de mapas 3D, por lo
que comprobar la precisin usando sus productos permite dar ms
verosimilitud a los resultados obtenidos.
7.4
parmetros de configuracin
A continuacin se exponen los diferentes parmetros de configuracin necesarios antes de cualquier vuelo de mapeado 3D. Para tal fin
se seguir el esquema presentado en el captulo 4.
7.4.1
Parmetros de vuelo
Debido a las limitaciones de espacio (ya que el vuelo se har en interiores), se ha montado un escenario escalado con respecto a una
situacin real. El factor de escala escogido es de 1:100, lo cual es acorde a las dimensiones del testbed. Hay que disear por tanto, la altura
de vuelo y el flight planning acorde a una determinada GSD. Procedemos por partes:
h=
fd
6,34823 mm 0,2 mm/pixel 4416 pixel
=
= 755,95 mm
Sw
7,4168 mm
(28)
Donde los parmetros relativos al tamao del sensor y la distancia focal se han tomado del catlogo de la cmara. En conclusin
es necesario volar en torno a un metro de altura. Esta medida es
razonable si la comparamos con una situacin real en el que el
quadrotor puede volar en torno a 80-100 metros para conseguir
una GSD en torno al centmetro.
3. Clculo de la GIA: La GIA o superficie de visin de la cmara
vendr determinada por:
Parmetros de la cmara
63
64
Como se coment en el captulo anterior, se modelar el ruido proveniente de los receptores GPS como un proceso aleatorio de bajo orden
de Gauss-Markov. La generacin del ruido as como el procesado con
los datos originales se hizo en Matlab. Por tanto, se procesar el log
de datos de VICON con el objetivo de simular diferentes tipos de receptores GPS. El bloque de Simulink que genera el proceso aleatorio
se muestra en la figura 38:
se simularn 4 tipos diferentes de receptores GPS dependiendo de la precisin que posean. En nuestro caso, este valor se
dividir entre el factor de escala que poseemos (1:100).
Varianza eje vertical: Cumple la misma funcionalidad del parmetro anterior pero aplicada a la componente Z del sistema de
posicionamiento.
Tiempo de generacin de ruido: Se generar un ruido acorde al
tiempo de vuelo usado para la adquisicin de las imgenes.
La perturbacin de la seal de posicionamiento original se realizar
de la siguiente manera: una vez generado el ruido aditivo tanto para
X,Y como Z se muestrea este ruido justo en el instante de adquisicin
de cada imagen obteniendo un valor que ser el utilizado para distorsionar la seal. Este proceso se muestra en la siguiente figura, donde
se simul durante 180 segundos de vuelo el ruido en un receptor GPS
con una desviacin de 3 metros en la horizontal y 5 en la vertical.
7.5.2
Como ya se ha comentado, es necesario asignar una medida de posicionamiento a cada imagen. Para ello, VICON proporciona una API
en C++ que permite la interaccin con las cmaras situadas en el
testbed para obtener el posicionamiento y ngulos de navegacin de
unos determinados objetos previamente definidos. Se han colocado
marcadores de VICON en la cmara (ver figura 37a), definiendo el
centro de la lente, donde se forma la imagen.
El algoritmo de asignacin imgenes-posicionamiento es el siguiente: se generan dos procesos en el microprocesador del UAV correspondientes al programa que controla la cmara y al programa que lee la
posicin de la misma. En ambos programas se genera un log donde
65
66
Generacin de mapas 3D
Evaluacin precisin
HOR
v
u n
u1 X
=t
X2i + Yi2
n
(30)
i=1
VER
v
u n
u1 X
=t
Z2i
n
(31)
i=1
67
68
7.5.5
R E S U LTA D O S
8.1
introduccin
experimento 1
69
70
resultados
8.3
experimento 2
conclusiones
8.4 conclusiones
71
Parte IV
CONCLUSIONES
La generacin de mapas 3D a partir de imgenes areas es una tecnologa que se ha desarrollado sobre todo en la ltima dcada, debido
a la aparicin de sistemas areos no tripulados que han permitido reducir costes con respecto a los sistemas de adquisicin de imgenes
areas utilizados hasta entonces.
Aplicaciones tales como monitorizacin de recursos naturales, inspeccin de sitios inaccesibles etc.. hacen de este tipo de tcnicas un
servicio en el que varias empresas estn enfocando sus lineas profesionales. Sin embargo, se trata de un mercado relativamente joven,
por lo que la normativa referente al uso de estos sistemas areos no
tripulados no est del todo definida en algunos pases.
Por otro lado, aparte del sistema de adquisicin de imgenes, es necesario el desarrollo de un software especfico para la generacin de
dichos de mapas 3D. A lo largo de esta memoria se ha implementado
parte de estos algoritmos, los cuales estn siendo cada vez ms ptimos a medida que avanza la tecnologa. Destacar en este aspecto la
integracin, cada vez ms notoria, de las GPU o tarjetas grficas, las
cuales permiten optimizar la velocidad de ejecucin de los diferentes
algoritmos haciendo uso de la programacin en paralelo. Adems,
la evolucin de las cmaras fotogrficas permitirn , en un futuro
no muy lejano , grabar vdeo a gran resolucin, permitiendo extraer
varios frames consecutivos con una calidad similar a las fotografas
actuales, lo que mejorar notablemente los resultados obtenidos con
este tipo de tcnicas.
75
76
Parte V
APNDICES
P U B L I C A C I N D E A R T C U L O E N U AV- G 2 0 1 3
Center for Advanced Aerospace Technologies (CATEC), Seville, Spain (jjruiz.ext, ldiaz, fjperez, aviguria)@catec.aero
Commission ICWG I/5
KEY WORDS: Digital Elevation Model, Unmanned Aerial Vehicle, GPS error
ABSTRACT:
In this work we evaluate how the use of different positioning systems affect the accuracy of Digital Elevation Models (DEMs) generated from aerial imagery obtained with Unmanned Aerial Vehicles (UAVs). In this domain, state-of-the-art SFM algorithms suffer
from typical errors obtained by INS devices in the position measurements associated to each picture obtained. The deviations from
these measurements to real world positions are about meters. The experiments have been carried out using a small quadrotor in the
indoor testbed of the Center for Advanced Aerospace Technologies (CATEC). This testbed houses a system that is able to track small
markers mounted on the UAV and along the scenario with millimetric precision. This provides very precise position measurements,
to which we can add random noise to simulate errors in different GPS receivers. The results showed that DEM accuracy depends
on the positioning information. Furthermore, the introduction of Ground-Control-Points (GCPs) in the scenario clearly reduces the
georeferencing deviation, even for the less precise GPS receivers.
1
INTRODUCTION
SFM PIPELINE
79
80
Figure 2: Example of UAV flight planning. Using a desired overlapping and a GSD value, a Ground Imaging Area (GIA) is defined. Grid path is formed linking check points optimally.
2.3
Geotagging information
Image quality
(1)
Fig. 3 depicts the general approach for estimating the 3D positions from image features.
Flight planning
(2)
Name
RTK/PPP
WAAS/EGNOS
DGPS
GPS with SA deactivated
Furthermore, a good synchronization between the image acquisition time and the corresponding INS data sample is required.
Even with a poor synchronization, projection matrices are optimized during the bundle adjustment step using geometric information from images. However, inaccuracies and global shift in
positioning sensors directly affect to the final result.
3
GPS SIMULATION
Horizontal
1 dm
1m
3m
5m
81
Vertical
3 dm
3m
5m
15 m
Errors in GPS
After selective availability deactivation (Service, 2011), a standard GPS receiver for civil use could be located within 15-20
meters, depending on the number and position of available satellites.
The next improvement in this field was the use of Ground Based
Augmentation Systems (GBAS). GBAS uses data from reference
receivers and calculates corrections to the pseudo ranges for all
visible satellites, allowing to reach a sub-meter accuracy. Examples of GBAS systems are Differental GPS (DGPS), Real-Time
Kinematics (RTK) and Precise Point Positioning (PPP).
Finally, Space Based Augmentation Systems (SBAS) use a network of reference stations deployed across an entire continent.
No extra equipment is needed since SBAS signal is broadcast by
geostationary satellites able to cover vast areas, with error positioning around 1-3 meters. WAAS in North America or EGNOS
in Europe are examples of SBAS systems.
EXPERIMENTATION
Noise model
According to (Minha and Yang, 2008), GPS errors can be modeled as time correlated low-order Gauss-Markov processes, which
have an exponentially decaying correlation. For this purpose,
82
4.2
Experiment setup
The positions measurements reported by the testbed system replace the ones obtained from INS devices for UAV imagery. After
adding the noise signal to these measurements, the input images
and positional data are introduced in a DEM generation pipeline
similar to Fig. 1. For this purpose, the experiments have been
performed using the software Pix4UAV Desktop (Strecha et al.,
2011) that offers an optimized implementation of the algorithms
described above. Finally, accuracy is calculated as the distance
between the real point and the matched point in the 3D model.
Complete flowchart is shown in Fig. 4.
The scale factor between our testbed dimensions and a typical
flight scenario for UAVs is about (1 : 100). Artificial objects
were placed on the scenario to simulate buildings and other structures at a small scale. Table 2 compares several parameters used
in the scaled scenario with typical parameters in a mapping flight.
GSD
Flight height
GPS sensibility
Flight planning
Scaled scenario
0.2 mm
80-90 cm
1 cm
grid
Real flight
1-5 cm
80-100 m
1m
grid
P LAN
(3)
i=1
v
u n
u1 X
V ER = t
i=1
(Zi2 )
Figure 8: Accuracy of DEMs generated using different GPS receivers and GCPs
Results
v
u n
u1 X
(Xi2 + Yi2 )
=t
(4)
CONCLUSIONS
83
Minnesota-Planning, 1999. Positional accuracy handbook: Using the national standard for spatial data accuracy to measure and
report geographic data quality. Technical report, Minnesota Planning Agency.
Nagai, M., T., C., R., S., H., K. and A., A., 2009. Uav-borne
3-d mapping system by multisensor integration. Sensors 47(3),
pp. 701708.
Service, E. G. N. O., 2011. User guide for egnos application
developers. Technical report, European Geostationary Navigation
Overlay Service.
Solimeno, A., 2007. Low-cost ins/gps data fusion with extended
kalman filter for airborne applications. Masters thesis, Universidade Tcnica de Lisboa.
Strecha, C., Van Gool, L. and Fua, P., 2011. The accuracy of automatic photogrammetric techniques on ultra-light uav imagery.
In: Proceedings of the International Conference on Unmanned
Aerial Vehicle in Geomatics (UAV-g).
Ze-tao, J., Bi-na, Z., Min, W. and Zhong-xiang, C., 2009. A 3d
reconstruction method based on images dense stereo matching.
In: Genetic and Evolutionary Computing, 2009. WGEC 09. 3rd
International Conference on, pp. 319323.
G E N E R A C I N D E M A PA S 3 D C O N M I C M A C
b.1
introduccin
MICMAC es una librera liberada por el Instituto de Geografia Nacional Francs (IGN) en 2007. Ofrece tanto el cdigo fuente como diferentes modulos ya compilados y configurables mediantes ficheros
.XML. El objetivo de este apendice consiste en recopilar la informacin bsica para utilizar dicha libreria.
b.2
instalacin y distribucin
Las herramientas proporcionadas por el IGN estn escritas en el lenguaje de programacin C++. Su distribucin se lleva a cabo en forma
de cdigo fuente que necesita ser compilado. Para descargar los fuentes, hace falta el uso de la herramienta subversion. Una vez instalado,
se ejecuta el siguiente comando:
svn co http://www.micmac.ign.fr/svn/micmac/trunk micmac
Durante el proceso de instalacin, se requieren una serie de dependencias a otras librerias o programas, los cuales se pueden obtener a
partir de los repositorios oficiales de Linux:
sudo aptget install x11protocoredev libx11dev
b.3
85
86
b.3.1
b.3.2
En esta segunda etapa, se calcula unas matrices de proyeccin relativas a partir de las correspondencias establecidas entre las imgenes
en el paso anterior. Con estas matrices de proyeccin se triangula y
se ejecuta el proceso de optimizacin de Bundle Adjustment, el cual
permite refinar la posicin de las cmaras y minimizar el error de reproyeccin. El parmetro FraserBasic toma un modelo de distorsin
radial de la cmara. El fichero Apero_init.xml contiene informacin
sobre los parmetros configurables durante el paso de bundle adjustment. Por ltimo, el comando AperiCloud permite la generacin de
un fichero .ply donde se recoge el modelo del mapa 3D disperso y
coloca los ficheros relativos a las matrices de proyeccin en la carpeta
Init.
Tapas FraserBasic .*.JPG Out=Init
Apero Apero_Init.xml
AperiCloud .*.JPG Init Out=AperiCloud.ply
b.3.3
Hasta ahora, hemos generado un mapa disperso utilizando las orientaciones relativas sacadas de la informacin proveniente de las imgenes. El siguiente paso es referenciar nuestro mapa utilizando informacin del GPS. Para ello, MICMAC necesita que se referencie cada
imagen utilizando un sistema de coordenadas cartesiano. Si suponemos que las medidas GPS proveniente del UAV vienen en el sistema
de coordenadas WGS84, tenemos dos opciones:
87
Donde X Y Z hace referencia a la posicin de la imagen en el sistema de referencia y ParamRotation a los ngulos de navegacin. El
ltimo parmetro sirve para especificar cual convenio queremos seguir a la hora de construir la matriz de rotacin.
Ya hemos creado una pequea base de datos con la informacin de
posicionamiento real. Para volver a calcular de nuevo las matrices de
proyeccin se ejecuta el siguiente comando, el cual vuelve a lanzar el
proceso de bundle adjustment:
Apero Apero_Geo.xml
AperiCloud .*.JPG Ground Out=AperiCloud.ply
b.3.4
Densificacin de mapa 3D
88
Donde Tarama calcula ese ortomosaico haciendo uso de las orientaciones especificadas en el paso anterior y situadas en la carpeta
Ground. Le herramienta SaisieMasq abre una ventana que permite al
usuario seleccionar la mscara donde se quiere realizar la densificacin del mapa 3D. El ltimo paso es invocar al comando MICMAC y
a su fichero de configuracin, el cual realizar el resto del proceso:
MICMAC Micmacorthocloud.xml
E J E M P L O S D E M A PA S 3 D
c.1
introduccin
89
90
ejemplos de mapas 3d
c.2
dataset 1
caracterstica
Imgenes
descripcin
85 fotografias
4000 x 3000 pxeles
Canon IXUS 220 HS
Cmara
1/500 segundos
F2.8 apertura
Altura de vuelo
80 m
Link a vdeo
http://youtu.be/A25Mkx-a8aw
Figura 47: Ortomosaico, mapa de altura y vista en perspectiva del modelo 3D del dataset 1.
C.3 dataset 2
c.3
91
dataset 2
caracterstica
Imgenes
descripcin
35 fotografas
4592 x 3056 pxeles
SAMSUNG NX100
Cmara
1/3200 segundos
ISO 200
Altura de vuelo
130 m
Link a vdeo
http://youtu.be/sIgbvh_ELa8
Figura 48: Ortomosaico, mapa de altura y vista en perspectiva del modelo 3D del dataset 2
92
ejemplos de mapas 3d
c.4
dataset 3
caracterstica
Imgenes
descripcin
105 fotografias
4000 x 3000 pxeles
Canon IXUS 220 HS
Cmara
1/200 segundos
Modo TV
Altura de vuelo
1m
Figura 49: Ortomosaico, mapa de altura y vista en perspectiva del modelo 3D del dataset 3.
BIBLIOGRAFA
http://
93
94
bibliografa
bibliografa
95
colofn
Este Proyecto Fin de Carrera ha sido compuesta con latex utilizando
la fuente Bera Mono, desarrollada originalmente por Bitstream, Inc.
como Bitstream Vera.
El estilo tipogrfico se ha inspirado en el brillante trabajo de Bringhurst presentado en The Elements of Typographic Style. Se puede descargar gratuitamente para LATEX va CTAN como classicthesis.