Académique Documents
Professionnel Documents
Culture Documents
Bertrand CANNELLE
Laboratoire MATIS
Service de la Recherche
Institut National de lInformation Gographique et Forestire
73 avenue de Paris
94165 Saint-Mand cedex FRANCE
Tlphone : 01 43 98 80 00
Rfrence BibTEX :
@PHDTHESIS{Ca13,
author = {Cannelle, B.},
title = {Estimation de pose de grands blocs dimages panoramiques
issues de syst\emes de num\erisation mobile},
school = {Universit\e {P}aris-{E}st},
year = {2013}
}
Thse B. CANNELLE i
ii Thse B. CANNELLE
Rsum
Tire par le dveloppement et la dmocratisation des globes numriques et des sys-
tmes de golocalisation grand public, la numrisation 3D mobile terrestre en milieux
urbains sest dveloppe de manire trs importante ces dix dernires annes. Les princi-
paux verrous rsiduels de ces systmes reste dune part la localisation prcise des donnes
pour certaines applications (conduite autonome urbaine, levers de gomtres, etc.) du fait
des masques et multi-trajets GPS dans les canyons urbains et dautre part le passage
lchelle du traitement de linformation vu les volumes de donnes considrables acquis
chaque jour (plusieurs To).
La premire partie de cette thse est consacre la prsentation de la numrisation
mobile, aussi bien du point de vue systme que du point de vue usage. Une description fine
du systme Stropolis V2, vhicule de numrisation mobile multi-camras dveloppe au
laboratoire MATIS de lInstitut National de lInformation Gographique et Forestire, est
faite afin de prsenter les donnes utilises dans cette thse. Les blocs dimages manipuls
dans ces travaux sont constitus de plusieurs centaines de milliers un million dimage.
La seconde partie est consacre la calibration du systme : calibration intrinsque de
camra, tout dabord, en utilisant une gomtrie dacquisition de type panoramique, qui
permet de saffranchir de rseaux de cibles 3D mtrologiques. Une calibration extrinsque
des imageurs du vhicule, ensuite, qui permet de dterminer de faon prcise la position
et lorientation de camras sur un dispositif de numrisation mobile. Deux procdures
sont dtailles et compares : lune dite "off-line" ncessitant une acquisition spcifique
avec un rseau de cibles mtrologiques et lautre dite "on-line" utilisant uniquement les
donnes dacquisition standards. Nous dmontrons que la mthode "on-line" produit dans
les mmes conditions une prcision comparable celle "off-line" tout en tant plus adapte
aux variations de conditions dacquisition in-situ.
La troisime partie dtaille le processus de compensation par faisceaux applique aux
donnes de numrisation mobile multi-camras qui permet destimer la pose dun grand
nombre dimages. La mise en quation ainsi que diffrents cas dutilisations de la mthode
sont explicits. La structuration et la gestion des donnes dans un entrept est elle aussi
dveloppe car elle permet la gestion dimportants volumes et donc le passage lchelle
tout en restant performante.
La quatrime et dernire partie propose diffrentes mthodes de recalage qui peuvent
tre utilises aussi bien de manire individuelle que combines afin de permettre de mettre
en cohrence des squences dimages distinctes (boucles, passage multi-dates, etc.) dans
des contextes applicatifs diffrents.
Thse B. CANNELLE v
vi Thse B. CANNELLE
Remerciements
Cette page prend un sens particulier pour moi parce quelle marque la fois la fin de
mon travail de thse, mais aussi mon dpart vers dautres horizons. Je souhaite donc
travers ces quelques lignes remercier toutes les personnes qui ont contribu ce travail de
thse et mon aventure au MATIS.
Tout dabord je souhaite remercier les personnes linitiative de ce travail : Didier
BOLDO et Nicolas PAPARODITIS, chefs successifs du laboratoire MATIS, ainsi que
Patrice BUESO et Bndicte BUCHER, chefs successifs du service de la recherche de
lIGN.
Je souhaite galement remercier Marc PIERROT-DESEILLIGNY et Nicolas
PAPARODITIS pour mavoir dirig et encadr. Jai beaucoup appris vos cots. Jespre
que mon travail a rpondu vos attentes !
Je souhaite ensuite remercier les membres du jury qui ont eu la patience de lire
ces pages et dvaluer mon travail : Michel DHOME et Pierre GRUSSENMEYER pour
avoir accept la fonction de rapporteur ainsi que El Mustapha MOUADDIB et Konrad
SCHINDLER pour avoir accept celle dexaminateurs. Vos remarques et vos questions
mont permis de prendre du recul sur mon travail et de progresser. Merci pour tout !
Merci ensuite aux matinaux du MATIS : Jrme, Fabrice, Clment, Nicolas D., Fabien
et Jean-Pascal pour les (longues) discussions changes au caf qui mont toujours permis
de dmarrer la journe du bon pied.
Merci Jean-Pierre, toujours disponible aussi bien pour acqurir des donnes en v-
hicule, pour raliser des programmes permettant de faire tout et nimporte quoi ainsi que
pour partager son exprience. Jai beaucoup appris tes cots !
Merci Franois, puis David Co. qui mont permis de travailler dans des conditions
matriels toujours parfaites. Merci David Ca., pour sa patience et sa technicit aussi
bien en Linux quen administrateur PostgreSQL.
Un merci tout particulier Marie-Claude au moment dcrire ces lignes, qui ma initi
aux joies des dmarches administratives avec une grande disponibilit.
Merci toutes les personnes que jai ctoy au quotidien : Alexandre H., Bahman,
Rmi, Emmanuel, Isabelle, Narut, Neelanjan, Lijun, Abdalbassir, Wen, Bruno, Arnaud,
Adrien, Jean-Christophe, Antonio, Lmn, Mathieu Br., Murat, Lionel, Alexandre D.,
Mathieu Be., Quoc-Dinh, Patrick, Erwann, Mahzad, Corina, Daniela, Olivier, Adrien
C., Mlanie D, Mlanie S., Lionel P. ... qui mont permis de passer dagrables moments.
Merci Clment et Samuel, ainsi que Nicolas D. et Emmanuel et enfin Papa et Philippe
davoir relu ce manuscrit de nombreuses fois afin darriver au rsultat qui est prsent
ici.
Thse B. CANNELLE ix
x Thse B. CANNELLE
TABLE DES MATIRES
Rsum iii
Abstract v
Remerciements vii
Notation ix
I Introduction 1
1 Rvolution lie la numrisation mobile 1
1.1 Numrisation mobile ................................................................................ 1
1.2 Vhicules de numrisation mobile............................................................. 3
1.3 Types et utilisations des donnes ............................................................. 4
2 Contexte 7
2.1 Utilisation de la numrisation mobile par lIGN ....................................... 7
2.2 Stropolis ............................................................................................... 8
2.3 Motivations ............................................................................................. 17
2.4 Prsentation des donnes utilises dans la thse ....................................... 19
2.5 Problmatiques ........................................................................................ 24
2.6 Approche propose et organisation du manuscrit...................................... 24
Thse B. CANNELLE xi
TABLE DES MATIRES
12 Conclusion 151
12.1 Contributions marquantes ........................................................................ 151
12.2 Points amliorer.................................................................................... 152
13 Perspectives 153
13.1 Amlioration du processus de calcul de trajectoire ................................... 153
13.2 Passage lchelle.................................................................................... 154
13.3 Utilisation de primitives........................................................................... 155
Bibliographie 155
Publications 181
Thse B. CANNELLE xv
TABLE DES FIGURES
6.1 Schma explicatif du systme de fichiers mis en place pour un accs rapide
aux donnes. ............................................................................................ 96
6.2 Implmentation du schma de notre base de donnes................................ 98
6.3 Influence du temps de renvoi des requtes en fonction du type dindexation. 99
4.1 Norme L2 des rsidus image par camra, avant et aprs calibration. ......... 63
4.2 Rsultats sur le site de contrle des mthodes Off-Line et On-Line . 75
5.1 Statistiques par camra sur les points dintrt extraits. ........................... 84
5.2 Nombre de mesures homologue appareilles bonnes et mauvaises en fonction
du nombre de meilleurs voisins................................................................. 88
5.3 Rsultats de la classification des mesures bonnes et mauvaises par SVM... 94
9.1 Statistiques sur les mesures la fin du processus 2x2 en fonction du seuil
minimum. ................................................................................................ 127
9.2 Influence de la rorganisation des sommets sur la matrice normale. .......... 135
9.3 Ratio optimal entre les recalages 2x2 et la trajectoire. .............................. 139
9.4 Rsidus sur les points de controle aprs recalage en fonction de la distance
entre panoramiques.................................................................................. 139
9.5 carts en altitude entre les diffrentes trajectoires pour chaque zone. ....... 141
xx Thse B. CANNELLE
Premire partie
Introduction
Thse B. CANNELLE 1
1. Rvolution lie la numrisation mobile
Chapitre 1
1.1.a Dfinition
La numrisation 3D (Mobile mapping en Anglais) est la discipline qui permet de
collecter de limagerie 3D et/ou lasers gorfrencs partir de plates-formes mobiles
pour rpondre aux besoins de nombreuses applications qui sont listes ci-aprs.
Cest une mthode complmentaire aux systmes traditionnels qui utilisent des tech-
nologies ariennes ou spatiales [McGlone et al., 2004]. En effet, lheure actuelle, il est
trs difficile de distinguer depuis le ciel le fond des rues dans les centres villes et de cap-
turer les faades des btiments, notamment pour des applications de texturations fines
et de modlisation dtaille. Ces dernires annes, la prise de vue arienne oblique sest
dveloppe, par exemple [Petrie, 2009], mais ne permet pas dimager le fond des rues
en toute situation. Pour pallier ce problme avec les mthodes traditionnelles, il faudrait
que les avions volent trs basse altitude. Ces conditions dacquisition sont en pratique
irralisables :
un volume de donnes grer trs important (plusieurs centaines de GigaOctets),
une autorisation de vol spcifique afin de voler trs bas de plus en plus difficile
obtenir pour les agglomrations importantes.
La numrisation mobile est surtout laboutissement des progrs technologiques concer-
nant :
Thse B. CANNELLE 1
Chapitre 1. Rvolution lie la numrisation mobile
Toutes ces avances ont permis de faciliter lintgration des capteurs et des systmes
denregistrements sur des vhicules des fins cartographiques. La section suivante prsente
quelques applications de la numrisation mobile.
2 Thse B. CANNELLE
1.2. Vhicules de numrisation mobile
1.1.c Limitations
La principale limitation des procds actuels de numrisation mobile rside dans la
qualit du gorfrencement absolu et linteroprabilit automatique entre les donnes.
Raliser ces oprations manuellement nest ni optimal ni rentable cause notamment
du volume de donnes de plus en plus important. Comment raliser ces oprations sur
une ville de grande taille comme Paris et quel cot ?
Aprs avoir introduit la notion de numrisation mobile, nous allons nous intresser
aux vhicules qui permettent de la raliser.
Thse B. CANNELLE 3
Chapitre 1. Rvolution lie la numrisation mobile
de calcul de trajectoire que pour les capteurs image et/ou laser. Certaines fournissent des
vhicules nayant que des capteurs lasers [Puente et al., 2011], dautres ne produisent que
des images [Petrie, 2010]. Enfin certains contiennent les deux technologies [Petrie, 2010].
Ces diffrences de conception sont dues principalement lutilisation finale des donnes :
pour des applications de mtrologie (extraction de pentes, de modles numriques de sur-
face et extraction automatique dobjets), les lasers sont suffisants ; pour des applications
de navigation et dextractions et de reconnaissance dobjets, limage devient ncessaire
(identification de panneaux de direction par exemple). Le tableau 1.2 prsente quelques
systmes constructeurs avec les technologies et les applications potentielles prvues.
Tous ces vhicules sont munis dun systme de positionnement (GPS/INS) capable
de le positionner dans une rue avec une prcision mtrique, par contre peu de solutions
utilisent la redondance dinformation pour amliorer le positionnement. Autrement dit
deux acquisitions ralises dans la mme rue ne seront pas directement superposables et il
faudra une opration de recalage pour pouvoir les utiliser conjointement. Dautre part, les
prcisions de positionnement sont indiques lorsque la rception GPS est optimale (pertes
de signaux GPS sur des laps de temps trs courts), ce qui nest gnralement pas le cas
surtout en milieu urbain.
1.3.a Lasers
Les donnes lasers obtenues par les systmes dacquisition ont diffrents usages. Lun
deux est la visualisation (figure 1.1.a). Un autre concerne la dtection et la mesure dobjets
(figure 1.1.b) : largeur de route, hauteur de pont, gabarit urbain ou la reconnaissance
dobjets (pitons, poteaux...). Lorsque le laser peut acqurir un objet en entier dans un
laps de temps trs court, la prcision est directement lie la prcision intrinsque du
laser (de lordre du centimtre [Riegl, 2013], [Velodyne, 2012]). Lorsque lobjet ne peut
pas tre mesur sur une mme acquisition, le vhicule doit effectuer plusieurs passages
successifs avec un cart temporel consquent (plusieurs dizaines de secondes). La prcision
attendue dpend alors directement de celle du systme de positionnement.
4 Thse B. CANNELLE
1.3. Types et utilisations des donnes
GPS
IMU
Optech
Modlisation 3D
[Ussyshkin, 2009]
3 lasers
(4 camras)
GPS
IMU
RIEGL VMX-450 odomtre
Modlisation 3D
[Riegl, 2012]
2 lasers
(6 camras)
GPS
IMU Modlisation 3D
Street Mapper
Classification
[StreetMapper, 2012]
2 lasers Levs dobjets
2 camras
GPS
IMU
TopCon odomtre Modlisation 3D
[TopCon, 2012] Levs dobjets
2 lasers
camra 360
GPS
IMU
Modlisation 3D
Trimble MX8 odomtre
Levs dobjets
[Trimble, 2012]
Inspection routire
2 lasers
4 camras
GPS
IMU
odomtre
Siteco Modlisation 3D
[Siteco, 2012] Levs dobjets
3 lasers
8 camras
1 profilomtre
Table 1.2 Solutions professionnelles pour la cartographie mobile. Les capteurs entre
parenthse signifient quils sont en option.
Thse B. CANNELLE 5
Chapitre 1. Rvolution lie la numrisation mobile
(a) (b)
Figure 1.1 Exemple de donnes laser. (a) Visualisation de nuages sur les Champs-
lyses Paris. (b) Mesures de volumes partir des donnes lasers [Paparoditis et al.,
2012].
1.3.b Images
Les images acquises pour la numrisation mobile ont diffrents usages. Le premier
est un usage de visualisation. Pour cette application, il suffit de connatre la topologie 5
des images pour pouvoir naviguer de manire fluide dans les donnes. On peut citer par
exemple Google qui diffuse ses donnes dans son systme GoogleStreetView [Google, 2012]
ou encore Itowns [Devaux et Paparoditis, 2010] (figure 1.2.a). Le second usage concerne
lenrichissement de modles existants cest--dire bnficier de la rsolution des images
acquises depuis la rue afin de plaquer ses textures sur des modles 3D fabriqus soit
partir dimages ariennes (figure 1.2.b), ou de plans topographiques. Pour ce dernier
usage, une prcision absolue et relative de lordre du centimtre est souhaite. De mme
quil est ncessaire de pouvoir mettre en cohrence des missions acquises des poques
diffrentes afin de pouvoir faire de la dtection de changements.
(a) (b)
Figure 1.2 Utilisations des donnes image. (a) visualisation travers le web (source
[Devaux et Paparoditis, 2010]). (b) modle gnr et textur partir dimages.
Aprs avoir prsent la numrisation mobile dans son ensemble nous allons nous in-
tresser au contexte de cette thse qui est la cration et lutilisation dun vhicule de
numrisation mobile lInstitut National de lInformation Gographique et Forestire.
5. quelle(s) image(s) se trouve(nt) avant et/ou aprs celle que je suis en train de visualiser.
6 Thse B. CANNELLE
2. Contexte
Chapitre 2
Contexte
Thse B. CANNELLE 7
Chapitre 2. Contexte
2.2 Stropolis
Dans cette section, nous allons prsenter lhistorique du projet puis nous prsenterons
le vhicule actuel, dont les donnes ont t utilises durant cette thse.
2.2.a Historique
Le premier vhicule Stropolis a t ralis au dbut des annes 2000. Lobjectif tait
de crer un nouvel outil dacquisition capable, grce aux donnes acquises, denrichir les
bases de donnes existantes 3 et de crer un Rfrentiel Grande chelle (RGE) nouvelle
gnration contenant par exemple les hauteurs de trottoir, le mobilier urbain (poteaux,
bancs, arrts de bus) ou le positionnement prcis des adresses. Les camras numriques
dveloppes au laboratoire LOEMI de lIGN taient suffisamment abouties pour pouvoir
les disposer sur un vhicule munis de mts (cf. figure 2.1). Elles disposaient dune grande
rsolution (pour lpoque) de 16 Mga pixels et une dynamique de 12 bits [Thom et
Souchon, 1998, 2001]. La figure 2.1 prsente le Stropolis V1. Le positionnement des
images tait assur uniquement par GPS (les antennes sont visibles sur la figure 2.1
aux sommets des mts). Le vhicule comportait quatre camras rparties en deux bases
stroscopiques :
Arrire permettant la mesure dobjet sur la chausse,
Latrale permettant la mesure dobjet sur les faades.
De nombreux travaux ont t fait partir des donnes acquises par le vhicule :
[Bentrah et al., 2004] reconstruit la gomtrie dacquisition de squences dimages
acquises par le vhicule en milieu urbain,
[Pnard et al., 2005] reconstruit des surfaces de faades et de rues en utilisant la
corrlation dense multi-vues,
[Soheilian et al., 2010] extrait et reconstruit des marquages au sol (passages pitons)
en 3D,
[Paparoditis et al., 2005] propose ce que devrait tre une chane de traitements
optimale, qui permet de raliser lacquisition de donnes jusqu la mise en base de
donnes dobjets extraits.
Les limitations de ce premier vhicule taient :
La frquence dacquisition des camras peu leve 4 (une image toute les trois se-
condes pour 16 Mga pixels 5 ) ce qui ne permet pas de circuler dans des conditions
de trafic normales (pour assurer le recouvrement entre images, les images doivent
tre prises tous les 4 mtres donc le vhicule doit rouler moins de 10 km/h).
Pas de capteurs lasers. La technologie ntait encore pas mature et trs onreuse.
Aprs ce premier prototype et les rsultats prometteurs des travaux raliss, le MATIS
sest lanc dans le dveloppement dun second vhicule spcialement conu pour la nu-
mrisation mobile en 2007 : le Stropolis V2 [Paparoditis et al., 2012]. Sur la figure 2.2,
3. BD ORTHO, BD TOPO, BD ALTI, BD ADRESSE, BD PARCELLAIRE.
4. La frquence dacquisition dpend de la vitesse du vhicule et de la distance de lobjet imager.
Dans le cas arien, lavion vole vite mais laltitude de vol est elle aussi leve. Dans le cas terrestre, le
vhicule doit avoir une vitesse adapte pour la circulation, mais avec des objets pouvant tre trs proche.
5. Aujourdhui la camra numrique V2 du LOEMI permet de prendre des images toutes les 1,5
seconde une rsolution de 39 Mga pixels [Souchon et al., 2012].
8 Thse B. CANNELLE
2.2. Stropolis
GPS
Camras
Mts
nous pouvons voir le vhicule avec ses capteurs (ils sont dcrit individuellement dans la
section suivante).
Laser Velodyne
Mt panoramique
Camras
Laser Riegl
Aprs avoir prsent lhistorique du projet et le vhicule actuel, nous allons maintenant
nous intresser plus particulirement ses capteurs.
(a) (b)
Figure 2.3 Capteurs laser du Stropolis V2. (a) Laser RIEGL LMS-Q120i. (b) Laser
Velodyne HDL-64E.
Thse B. CANNELLE 9
Chapitre 2. Contexte
Il y a tout dabord deux lasers RIEGL LMS-Q120 (figure 2.3.a) qui sont des lasers
balayages plans. Ils peuvent scanner sur un champ de 80 avec une rsolution angulaire
allant de 100 400 points par balayage, la frquence dacquisition tant fixe (10 kHz). Ce
type de laser permet de faire de la numrisation prcise de lenvironnement : sa densit
de scanner tant plus importante. La figure 2.4 reprsente une partie dune acquisition.
Chaque laser est reprsent par une couleur.
Figure 2.4 Exemples de donnes acquises simultanment par deux Riegl plans. Chaque
laser tant reprsent par une couleur.
Il y a aussi un laser Velodyne HDL-64E (figure 2.3.b) qui est un laser multi-fibres (64
fibres) qui tourne sur lui mme entre 5 et 15 Hz. Il permet dacqurir 1,3 million points par
seconde (cf. figure 2.5) ce qui reprsente un volume de donnes trs important. Ce type
de laser permet de faire de la dtection dobjet mobile parce quil numrise rapidement
et plusieurs fois les mmes zones.
2.2.b.ii Camras
10 Thse B. CANNELLE
2.2. Stropolis
des vhicules de la circulation qui masquent des portions de chausse diffrentes dune
panoramique 6 lautre.
Afin de pallier ce problme, les camras peuvent tre positionnes par paire strosco-
pique : deux camras (ou plus) imagent la mme scne (figures 2.6 c et d). Le premier
avantage est davoir directement une mesure 3D possible et/ou de gnrer directement le
modle 3D par corrlation (par exemple [Geiger et al., 2012]). Le second avantage concerne
la synchronisation : les images sont prises en mme temps donc il ny a pas dobjet se
dplaant dans la scne, ce qui vite des erreurs lors de processus dappariement ou de
corrlation par exemple. Par contre, linconvnient de cette mthode est de doubler le
nombre de camras.
6. Une panoramique est lensemble des images prise par le vhicule un instant donn.
7. Contrairement au Stropolis V1, ces camras sont des produits du commerce (camra Pike).
Thse B. CANNELLE 11
Chapitre 2. Contexte
11 12
41 43
42
51 52
(a) (b)
Figure 2.8 Camras du Stropolis V2. (a) Camra droite. (b) Camra coude 90
degrs.
Pendant toute une acquisition, le temps de pose est constant pour chaque camra et
il est fix pour toute lacquisition, ce qui est possible grce la grande dynamique des
camras. Cela permet par contre davoir une homognit colorimtrique entre les images
mme si on constate parfois quune partie des images est surexpose cause du soleil
tandis que dautres sont sombres cause des ombres.
Aprs avoir prsent les capteurs, nous allons maintenant nous intresser aux applica-
tions pour lesquelles il a t conu.
12 Thse B. CANNELLE
2.2. Stropolis
21 22 23
32 33
31 34
41 42 43
des camras
Identifiant
32 33
31 21 22 23 34 43 42 41
Figure 2.9 Exemples de panoramiques. (a) Rue une voie. (b) Rue deux voies.
(c) Place dgage.
Thse B. CANNELLE 13
Chapitre 2. Contexte
Ces lasers plans, comme le Riegl, peuvent tre utiliss dans diffrents contextes : pour
lextraction dobjets verticaux (poteaux) [Liberge et al., 2010], lextraction de vgta-
tion [Monnier et al., 2012], lextraction et la modlisation de faades [Demantk et al.,
2012], ou encore lanalyse du sol (chausse et trottoir) pour tudier laccessibilit [Serna
et Marcotegui, 2013] .
Lutilisation de laser rotatifs, comme le Velodyne, est la dtection dobstacles en robo-
tique [Urmson et al., 2008] et, dans un contexte de cartographie, de faciliter la dtection
dobjets mobiles afin de les enlever de la scne lors de texturation (pitons, voitures...)
[Spinello et al., 2010].
Dans cette partie, nous prsentons le vhicule Stropolis dans son ensemble. Pour
certaines applications, mise jour de base de donnes par exemple, les donnes laser ne
sont pas ncessaires. Cest pourquoi, dans le cadre de cette thse, nous navons considr
que le systme image. Pour lutilisation de donnes laser le lecteur peut se rfrer [Gressin
et al., 2012] pour le gorfrencement en absolu et [Monnier et al., 2013] pour le recalage
sur modles 3D urbain.
2.2.c.ii Images
2.2.d.i Composants
14 Thse B. CANNELLE
2.2. Stropolis
Thse B. CANNELLE 15
Chapitre 2. Contexte
Contrle derreur
Solution de navigation
Ces pondrations sont dfinies dans les diffrents logiciels et ne sont pas accessibles. En
effet, elles dpendent des prcisions des diffrents capteurs et des algorithmes utiliss.
Nous avons donc une seule trajectoire notre disposition : la trajectoire post-traite.
2.2.d.iii Spcifications
Daprs les spcifications annonces par le constructeur (cf. tableau 2.1), la prcision
dpend de la prsence ou non de donnes GPS (prcision divise par 10 en planimtrie).
Elles sont relativiser car lerreur sur le positionnement nest pas une fonction linaire
du temps. En effet, la position en absence de signaux GPS est estime grce une double
intgration des donnes des acclromtres et des gyromtres. En pratique, surtout dans
les centres-villes, les masques GPS peuvent durer plusieurs minutes en raison de ltroitesse
des rues et de la hauteur des immeubles.
Avec GPS Aprs 1 minute de masque GPS
Position X,Y (m) 0,020 0,240
Position Z (m) 0,050 0,130
Roulis et Tangage ( ) 0,020 0,060
Cap ( ) 0,025 0,030
16 Thse B. CANNELLE
2.3. Motivations
10 000
Nb de panoramiques
9 000
8 000
7 000
6 000
5 000
4 000
3 000
2 000
1 000
Nb de satellites
0 1 2 3 4 5 6 7 8 9 10
Sur une acquisition type, le temps dabsence de signal GPS dpend de lenvironnement
o le vhicule circule. La figure 2.13 prsente le nombre de satellites en fonction du temps
sur 5 tronons linaires extraits dune campagne dacquisition sur le XIIe arrondissement
de Paris. Un trajet dans des rues avec peu de btiments permet de capter beaucoup de
satellites (figure 2.13 courbe rouge). Les trajets en milieu urbain dense captent souvent
moins de quatre satellites sur des intervalles de temps pouvant dpasser la minute (fi-
gure 2.13 courbes bleues et jaune). On constate aussi que la dure dabsence de signal
peut tre bien suprieure une minute, ce qui fait que le systme est utilis au del des
spcifications prsentes dans le tableau 2.1.
2.2.d.iv Conclusion
2.3 Motivations
Dans un contexte de cration dun Rfrentiel Grande chelle Urbain (RGEU), la
prcision de positionnement devra tre sub-dcimtrique. Ce RGEU pourrait contenir :
les hauteurs de ponts, les largeurs de rues, les passages pitons, les panneaux de signalisa-
tion, les trottoirs (hauteur, passages bateaux), les plaques adresses ou encore le mobilier
urbain. Il pourrait servir notamment lamnagement du territoire, aussi bien de manire
globale (amnagement de boulevard, implantation de stade...) ou de manire locale (im-
plantation darrt de bus, de poteaux tlphoniques...), pour des services aux particuliers :
calcul ditinraires pour les personnes mobilit rduite, les poussettes ou des services
pour les entreprises : planification ditinraires pour les convois exceptionnels, gabarit des
emplacements de livraisons...
Dans un contexte de mise jour et dentretien de ce RGEU, nous devons pouvoir
Thse B. CANNELLE 17
Chapitre 2. Contexte
Nb. Sat.
10
8
6
4
2
t (min)
0 1 2 3 4 5 6
Nb. Sat.
10
8
6
4
2
t (min)
0 1 2 3 4 5 6 7 8 9 10 11
Nb. Sat.
10
8
6
4
2
t (min)
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Nb. Sat.
10
8
6
4
2
t (min)
0 1 2 3 4 5 6 7 8 9 10
Nb. Sat.
10
8
6
4
2
t (min)
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
recaler toutes nouvelles acquisitions avec une prcision identique lacquisition initiale,
de lordre du centimtre. Nous pouvons aussi vouloir intgrer des donnes images dutili-
sateurs privs ou publics afin de complter la base existante ou de mettre en cohrence la
base utilisateur avec le RGEU.
18 Thse B. CANNELLE
2.4. Prsentation des donnes utilises dans la thse
La section suivante prsente une analyse sur les donnes disponibles pour cette thse.
Dans cette thse, nous avons eu accs plusieurs jeux de donnes et deux configu-
rations diffrentes du vhicule.
Le premier jeux de donnes concerne le chantier du XIIe arrondissement de Paris
acquis en 2008. Il est reprsentatif dune acquisition standard (chantier type ralis par
le vhicule). Il est compos de 46750 panoramiques 13 . Cela correspond une acquisition
de 2 jours pleins.
Le second jeux de donnes concerne le chantier de la mairie du XIIe arrondissement de
Paris. Il est compos de 1617 panoramiques acquises durant une unique journe en 2009.
Plusieurs passages successifs ont t raliss autour de la mairie du XIIe arrondissement.
Thse B. CANNELLE 19
Chapitre 2. Contexte
cohrence entre les donnes provenant de diffrentes trajectoires sur une mme zone
sont donc prsents.
20 Thse B. CANNELLE
2.4. Prsentation des donnes utilises dans la thse
z (m) z (m)
1 1
0 d (m) 0 d (m)
0 1 2 3 4 5 a 0 1 2 3 4 5 b
z (m) z (m)
0 d (m) 0 d (m)
-1 -1
-2 -2
0 1 2 3 4 5 c 0 1 2 3 4 5 d
z (m) z (m)
2 2
1 1
0 d (m) 0 d (m)
-1 -1
0 1 2 3 4 5 e 0 1 2 3 4 5 f
z (m) z (m)
1 1
0 d (m) 0 d (m)
-1 -1
0 1 2 3 4 5 g 0 1 2 3 4 5 h
z (m) z (m)
1 1
0 d (m) 0 d (m)
-1 -1
0 1 2 3 4 5 i 0 1 2 3 4 5 j
z (m)
1
0 d (m)
-1
-2
-3
0 1 2 3 4 5 k
Figure 2.15 carts en altitude entre les diffrentes trajectoires pour chaque zone.
En abscisse : distance la zone considre. En ordonne : diffrence daltitude entre les
passages. Chaque couleur correspond une zone reporte sur le plan 2.14.
Thse B. CANNELLE 21
Chapitre 2. Contexte
En absolu. La notion "dabsolu" signifie lcart entre les donnes fournies par le systme
de positionnement et des donnes externes (borne godsique, lev terrain...) dont la
prcision est matrise (ici mieux que le centimtre, cf section 2.4.b {page 24}).
La figure 2.16 prsente la diffrence altimtrique entre la position du camion et des
passages piton levs par topomtrie (z) et la distance planimtrique entre le vhicule
et les points de rfrence (dplani ). On remarque que mme lorsque le vhicule passe la
verticale dun point connu, la diffrence est loin dtre nulle. Elle est souvent dcimtrique,
voir mtrique.
z (m)
2
1
0 dplani (m)
-1
0 1 2 3 4 5
La figure 2.17 reprsente les mmes donnes que la figure 2.16 mais en affichant les
panoramiques successives par une mme couleur et en les reliant par une droite. On
constate quau sein dune mme acquisition, les carts altimtriques sont constants, ce
qui montre que le systme est cohrent sur un intervalle de temps restreint (quelques
secondes). Lors de passages conscutifs, on peut avoir des carts qui peuvent atteindre
deux mtres (courbes la plus haute et la plus basse).
Pour conclure, on peut prendre la solution fournie par le systme de positionnement
comme quasi parfaite pour deux panoramiques successives dans une mme acquisition,
mais il peut y avoir un cart significatif avec la ralit (jusqu un mtre).
z (m)
2
1
0 dplani (m)
-1
-5 -4 -3 -2 -1 0 1 2 3 4 5
Figure 2.17 cart entre la position de Stropolis et les points de rfrence en tenant
compte de la continuit temporelle. Chaque couleur reprsente une acquisition temporelle
continue.
Lors du post-traitement, nous avons accs aux incertitudes qui sont calcules pour
chaque position. Malheureusement, celles ci ne sont pas suffisamment fiables pour pou-
voir tre utilises. La figure 2.18 reprsente lcart entre la position de points connus et
22 Thse B. CANNELLE
2.4. Prsentation des donnes utilises dans la thse
laltitude vraie. Nous avons indiqu la barre dincertitude en vert lorsquelle est fiable et
en rouge lorsquelle ne lest pas. dplani correspond la distance planimtrique entre le
vhicule et les points de rfrence.
z (m)
dplani (m)
-1
-2 -1 0 1 2
incertitude (m)
1
z (m)
0 1
Au final, les deux figures prcdentes illustrent que dans plus de la moiti des cas,
lincertitude nest pas fiable. Elle ne pourra donc pas servir comme source de donnes
pour nos traitements.
Thse B. CANNELLE 23
Chapitre 2. Contexte
Ainsi le systme de positionnement peut avoir des carts de lordre du mtre. Les
incertitudes fournies par le systme de positionnement ne sont pas suffisamment fiables
pour pondrer les observations lors du calcul de compensation. En relatif, le systme de
positionnement est cohrent : on peut donc localement considrer la trajectoire comme
rigide.
2.5 Problmatiques
Le vhicule de numrisation mobile de lIGN est capable dacqurir des milliers dimages
sur des priodes dacquisition courtes.
Comme nous lavons constat dans la section prcdente, nous nous heurtons de
nombreux problmes :
la solution fournie par le systme de positionnement nest pas toujours prcise (cart
parfois mtrique avec la vrit terrain),
les donnes ne sont pas cohrentes entres elles lors de passages successifs au mme
endroit ( partir de quelques minutes),
les indicateurs de prcision fournis par le systme ne sont pas fiables.
Pour constituer le nouveau rfrentiel grande chelle centimtrique, nous utiliserons
uniquement :
les trajectoires fournies par le systme de positionnement,
les images acquises par le vhicule.
Nous pourrons aussi utiliser quelques 15 points connus en 3 dimensions, en quantit limi-
te : leur cot (matriel et humain) de production tant lev.
La section suivante prsente lapproche que nous allons suivre ainsi que lorganisation
du manuscrit, afin de rpondre la problmatique qui vient dtre expose.
24 Thse B. CANNELLE
2.6. Approche propose et organisation du manuscrit
Partie III
Chapitre 5 Chapitre 6
Partie II Partie IV
Compensation par
Calibration de camra Recalage interne
faisceaux
Chapitre 3 Chapitre 9
Chapitre 7
Thse B. CANNELLE 25
Chapitre 2. Contexte
26 Thse B. CANNELLE
Deuxime partie
Calibration de systmes de
numrisation mobile bass images
Thse B. CANNELLE 27
Dans cette partie, nous nous intressons aux mthodes de calibrations.
Le chapitre 3 tudie une mthode particulire de calibration de camra. : l auto-
calibration panoramique. Ce composant est le premier lment de notre vhicule de nu-
mrisation mobile.
Le chapitre 4 prsente deux mthodes permettant de dterminer avec prcision la
position des camras sur le vhicule.
Thse B. CANNELLE 29
30 Thse B. CANNELLE
3. Calibration intrinsque de camra
Chapitre 3
Nous allons tout dabord passer en revue ltat de lart, trs riche dans ce domaine,
concernant la modlisation dune camra. Nous prsenterons diffrents modles de distor-
sion qui permettent de pallier les dfauts de loptique puis nous nous intresserons aux
diffrentes mthodes de calibration qui existent.
Nous prsenterons alors une mthode qui peut tre utilise pour talonner nos cam-
ras : lautocalibration panoramique. Pour cela nous utilisons un dispositif particulier :
le Cyclopolis (prsent dans la section 3.2.a {page 41}) dvelopp par le MATIS. Nous
expliciterons les spcificits de la mthode puis nous tudierons sa sensibilit au bruit sur
les mesures et aux dfauts de montage de la camra sur le dispositif Cyclopolis, grce
des simulations. Enfin nous prsenterons le protocole dacquisition de donnes relles, les
rsultats obtenus et la validation de notre mthode.
Le domaine de la calibration de camra a t tudi depuis que des mesures sont faites
partir des images notamment des fins cartographiques. En effet, plus nous nous rappro-
cherons de la gomtrie dacquisition de limage, plus la qualit des objets restitus sera
grande. On peut citer le manuel de photogrammtrie [McGlone et al., 2004] ralis par
lASPRS 1 . Il y a aussi de nombreux tats de lart raliss par la communaut photogram-
mtrique [Clarke et Fryer, 1998] et ceux de la communaut de la vision par ordinateur
[Tsai, 1986]. [Sturm et al., 2011] prsentent en plus des mthodes de calibrations pour des
systmes complexes (multi-camras, camra et miroir hmisphrique par exemple).
Nous allons dabord tudier la modlisation dune camra dun point de vue optique et
photogrammtrique. Ensuite nous ferons un tat de lart des modles de distorsion ainsi
que des mthodes de calibration.
1. American Society of Photogrammetry and Remote Sensing. Cet ouvrage est r-dit rgulirement,
tous les 5 10 ans
Thse B. CANNELLE 31
Chapitre 3. Calibration intrinsque de camra
le plan image est caractris par sa hauteur (H) et sa largeur (L). On dfinit le repre
image tel que les deux premiers axes appartiennent ce plan (i et j sur la figure
3.1) et le troisime est dfini pour que le repre soit orthogonal direct (k sur la
figure 3.1). Dans le cas dune camra numrique, on le dfinit tel que le premier axe
soit dans le sens des colonnes croissantes, le second axe soit dans le sens des lignes
croissantes et le dernier est construit pour que le repre soit orthogonal direct.
la focale note p, est la distance entre le centre de perspective et le plan image.
le centre de perspective est le point de convergence des rayons issus de lobjet. Ce
point, not S, a pour coordonnes t (XS , YS , ZS ) dans le repre terrain, not F , qui a
pour coordonnes t (cP P A , lP P A , p) dans le repre camra. Dans le modle stnop,
S etF sont confondus.
le point principal dautocollimation not P P A. Il est situ sur la droite orthogonale
au plan du capteur et qui passe par le centre de perspective. Il a pour coordonnes
t
(cP P A , lP P A , 0) dans le repre camra.
M
k
L
H
m
F
S PPA
i
j
32 Thse B. CANNELLE
3.1. tat de lart
c cP P A 1 0 0 R (M S)
m= = p (1)
l lP P A 0 1 0 t kR (M
S)
Lhypothse qui vient dtre faite pour la modlisation dune camra est loin dtre
vrifie. En effet, les conditions de Gauss ne sont pas respectes : le champ dune camra
est de plusieurs dizaines de degrs et tous les rayons ne passent pas forcment par un point
unique. Lobjectif contient plusieurs lentilles qui affectent le trajet des rayons de manire
individuelle : cette complexit de loptique est difficilement modlisable. La figure 3.2.a
prsente une image acquise par une camra ayant de la distorsion. Les joints de btiments
sont courbes alors quils devraient tre droits. La figure 3.2.b prsente la mme image
corrige de la distorsion. Nous pouvons remarquer que, dans le cas dune image sans
distorsion, les joints de btiments sont droits.
(a) (b)
Figure 3.2 Illustration de la distorsion dans les images. (a) Image avec distorsion, (b)
Image sans distorsion.
Thse B. CANNELLE 33
Chapitre 3. Calibration intrinsque de camra
3.1.b.ii Modlisation
(a) (b)
Figure 3.3 Illustration de la distorsion radiale. (a) Image sans distorsion. (b) Image
avec distorsion radiale.
(a) (b)
Figure 3.4 Illustration des distorsions radiale et tangentielle. (a) Image sans distorsion.
(b) Image avec distorsion radiale et tangentielle.
34 Thse B. CANNELLE
3.1. tat de lart
principal intrt de ces mthodes est de modliser tout type de distorsion (radiale,
tangentielle et plus complexe). Le principal inconvnient est le nombre de paramtres
estimer qui est trs important. Il faut donc beaucoup dobservations pour talon-
ner une camra avec cette famille de modle. La figure 3.5 prsente la dformation
dune grille rgulire en prsence de distorsion complexe.
(a) (b)
Figure 3.5 Illustration de la distorsion complexe. (a) Image sans distorsion. (b) Image
avec distorsion complexe avec une formule base de sinus et cosinus.
Le tableau 3.1 prsente des formules mathmatiques correspondant aux trois familles
de modles.
Thse B. CANNELLE 35
x X x xcor = xmes + x
+S x = 2 2
y = R Y On pose : z
y , r= (x xP P S ) + (y yP P S ) et
y = z
z Z ycor = ymes + y
La notion de Point Principal de Symtrie nexiste pas toujours (de coordonnes t (xP P S , xP P S , 0) dans le repre image). Certains le confondent avec le PPA,
dautres le placent au milieu du capteur et tandis que dautres lestiment dans leur processus de calibration.
Famille Modle Inconnues
M
x = m=1 am rm
radial (1) an
Radiale
M
y = m=1 am rm
M
x = m=1 am r2m
radial (2) an
M
Thse B. CANNELLE
2m
y = m=1 am r
Chapitre 3. Calibration intrinsque de camra
x = 1 + ar2 + br4 + cr6 x + 2dx y + e(r2 + 2x2 )
Radiale et Tangentielle a, b, c, d, e
= 1 + ar2 + br4 + cr6 y + d(r2 + 2y 2 ) + 2ex y
y
N
x = M
(a cos(mu + nv) + bm,n sin(mu + nv))
c
u = + W 2 N n=N m,n
m=1
+ (a cos(mu + nv) + b0,n sin(mu + nv))
Srie de Fourrier M n=1N 0,n am,n , bm,n
Mathmatique
y = m=1 (a cos(mu + nv) + bm,n sin(mu + nv))
v = + l 2
H n=N m,n
N
+ n=1 (a0,n cos(mu + nv) + b0,n sin(mu + nv))
i
Pi (x) = 21i k=0 Cki (x 1)ik (x + 1)k
c M N
u = 1 + 2 W
x = m=0 n=0 (am,n Pm (u)Pn (v))
Polynme de Legendre M N am,n , bm,n
y = m=0 n=0 (am,n Pm (u)Pn (v))
v = 1 + 2 Hl
M N
x = m=0 n=0 (am,n xm y n )
Polynme M N am,n , bm,n
y = m=0 n=0 (bm,n xm y n )
Table 3.1 Formules gnrales des familles de distorsion.
36
3.1. tat de lart
Thse B. CANNELLE 37
Modle
Radial 6 paramtres
Radial 7 paramtres
Radial 8 paramtres
cc
= cb + (cb cP P S ) ar 3 cc
= cb + (cb cP P S ) ar 3 + br 5 cc
= cb + (cb cP P S ) ar 3 + br 5 + cr7
quation lc = lb + (lb lP P S ) ar 3 lc = 3
lb + (lb lP P S ) ar + br
5 lc = lb+ (lb lP P S ) ar 3 + br5 + cr 7
r
r
r
= (cb cP P S )2 + (lb lP P S )2 = (cb cP P S )2 + (lb lP P S )2 = (cb cP P S )2 + (lb lP P S )2
Inconnues p, cP P A , lP P A ,cP P S , lP P S , a p, cP P A , lP P A ,cP P S , lP P S , a, b p, cP P A , lP P A ,cP P S , lP P S , a, b, c
Nb Nb Nb
150 150 150
125 125 125
100 100 100
75 75 75
50 50 50
25 25 25
Histogramme 0 2,5 5 10 15
Pix.
0 2,5 5 10 15
Pix.
0 2,5 5 10 15
Pix.
Thse B. CANNELLE
Chapitre 3. Calibration intrinsque de camra
des rsidus
Champs des
rsidus dans
le plan image
10 pixels 10 pixels 10 pixels
Focale (pix.) 1045,428 1039,998 1038,469
PPA (pix.) 1023,590 1092,696 1033,393 1122,405 1025,934 1129,284
EMQ (pix.) 5,7871 1,2705 0,4817
Table 3.2 Diffrence de calibration par rapport au choix du modle de distorsion.
38
3.1. tat de lart
Le modle que nous avons utilis est celui prsent dans lquation 2. Il comporte une
modlisation de la distorsion radiale (a, b et c) ainsi quune inconnue de positionnement
du point principal de symtrie (cP P S et lP P S ). Ce modle est inspir de celui de [Fraser,
1997] prsent dans la partie "standard eight parameter model". Il est utilis depuis
longtemps lIGN [Thom et Souchon, 1998] et[Paparoditis et al., 2006] et est appropri
pour les camras ariennes et pour les camras utilises au MATIS (sur le vhicule et sur
le Cyclopolis). Toutes les camras calibres avec ce modle prsentent des rsidus faibles
et du mme ordre de grandeur que la prcision de la mesure et une rpartition alatoire
du champs de rsidus.
3 5 7
cc = cb + (cb cP P S ) (ar3 + br5 + cr7 )
+ (lb lP P S ) (ar + br + cr )
lc = l b (2)
r = (cb cP P S )2 + (lb lP P S )2
Thse B. CANNELLE 39
Chapitre 3. Calibration intrinsque de camra
Il faut noter que toutes les mthodes ne sont pas valables pour toutes les camras.
Par exemple, une camra grand champ avec une mire de un mtre de ct ne pourra pas
tre utilise : la surface de la mire tant toute petite par rapport au champ de la camra.
De mme que la configuration des prises de vues, par rapport la mthode utilise peut
introduire des corrlations entre les diffrents paramtres du modle, donc conduire une
mauvaise estimation de ceux-ci [Li et Lavest, 1995]. Pour toutes ces raisons, ltat de
lart est trs riche et de nombreux travaux sont encore mens afin de trouver la ou les
technique(s) permettant de calibrer le plus grand nombre de camras.
Dans tous les travaux cits prcdemment, les paramtres intrinsques des camras
sont considrs comme constants. Cest--dire que la focale, le PPA et le modle de dis-
torsion ne varient par pour une mme squence dimages. [Willson, 1994],[Lourakis et
Deriche, 2000a] et [Park et Hong, 2001] prsentent diffrentes manires de calibrer des
camras en considrant que les paramtres intrinsques peuvent varier. Cela correspond
notamment aux camras munies dun focus automatique modifiant notamment la focale.
Dans notre cas, nous navons pas constat de variabilit sur les paramtres intrinsques des
camras durant une acquisition ce qui fait que nous navons pas utilis cette modlisation.
Nous avons choisi dutiliser la mthode de calibration en gomtrie panoramique pour
diffrentes raisons : la mise en quation est simple (cf. sous-section 3.2.b) et elle ne dpend
que de la qualit des mesures homologues. La section suivante dtaille cette mthode.
40 Thse B. CANNELLE
3.2. Autocalibration panoramique
technique. Enfin nous validerons notre processus en travaillant sur des donnes relles
produites lors dune phase dexprimentation.
(a) (b)
Figure 3.6 Le systme Cyclopolis. (a) Dispositif complet. (b) Systme tournant +
camra.
Thse B. CANNELLE 41
Chapitre 3. Calibration intrinsque de camra
(a) (b)
Figure 3.7 Illustration de la prsence de parallaxe avec le Cyclopolis. Les images (a)
et (b) comportent des objets proche et loin dans la partie de gauche (a) et la partie droite
(b). Il y a une inversion entre lantenne au second plan et le fil au premier plan. Ainsi la
camra nest pas parfaitement centre.
Im1 M
Im2
En gomtrie panoramique, les images ont (quasiment) le mme centre (S sur la fi-
gure 3.8). En dfinissant la rotation RIm,pano de limage par rapport lorigine du dispositif
et M un point terrain, un faisceau dune image acquise en gomtrie panoramique scrit
selon lquation :
c cP P A
RIm,pano l lP P A
p
SM = (3)
(c cP P A )2 + (l lP P A )2 + p2
Un mme dtail de la scne vu dans deux images diffrentes reprsente le mme vecteur
en 3D. Ce vecteur passe par le sommet (qui est commun grce la gomtrie panora-
mique) et le dtail. Si on tablit cette quation pour deux faisceaux issus de deux images
distinctes, et que lon considre que les images sont prises du mme sommet (hypothse
dune acquisition panoramique), on peut crire lquation 4 qui relie deux mesures homo-
logues.
42 Thse B. CANNELLE
3.2. Autocalibration panoramique
cIm1 cP P A
lIm1 lP P A faisceau exprim pour limage 1
SM =
p
cIm2 cP P A
lIm2 lP P A faisceau exprim pour limage 2
SM =
p
cIm1 cP P A cIm2 cP P A
RIm1,pano lIm1 lP P A RIm2,pano lIm2 lP P A
p p
= (4)
(cIm1 cP P A )2 + (lIm1 lP P A )2 + p2 (cIm2 cP P A ) + (lIm2 lP P A )2 + p2
2
cIm1,cor cIm1,b
=f
lIm1,cor lIm1,b
cIm1,cor cP P A cIm2,cor cP P A
RIm1,pano lIm1,cor lP P A RIm2,pano lIm2,cor lP P A
p p
2 2 = 2 2 (5)
cIm1,cor cP P A + lIm1,cor lP P A + p 2 cIm2,cor cP P A + lIm2,cor lP P A + p2
cA(i),j cP P A cB(i),j cP P A
RA(i),pano lA(i),j lP P A RB(i),pano lB(i),j lP P A
N
bC N bM
p p
= 0
2 2 2 2
i=0 j=0 c cPPA + l l PPA + p 2 c c PPA + l l PPA + p 2
A(i),j A(i),j B(i),j B(i),j
(6)
Nous pouvons constater que seule lorientation relative des images et les paramtres
intrinsques, sont dterminer tandis que les autres mthodes doivent en plus dterminer
la position des images.
Thse B. CANNELLE 43
Chapitre 3. Calibration intrinsque de camra
obtenu 6 et le rsultat attendu 7 est donne. Tout type de camras peut de plus tre simul
(arienne, terrestre, grand public, industrielle).
Nous prsenterons tout dabord les diffrents types de capteurs simuls, puis le proto-
cole mis en uvre lors de nos simulations. Nous tudierons linfluence du bruit de mesure
et limpact de la parallaxe due un mauvais centrage de la camra sur le dispositif.
La figure 3.9 reprsente les corrections dr appliquer aux mesures images afin de tenir
compte de la distorsion pour chaque camra.
Dans toutes les exprimentations suivantes, nous avons estim au sein du mme pro-
cessus tous les paramtres intrinsques (focale, PPA, PPS et coefficients du polynme
6. Caractristiques de la camra calcules la fin du processus.
7. Caractristiques de la camra simule.
8. Celle utilise sur le vhicule Stropolis
44 Thse B. CANNELLE
3.2. Autocalibration panoramique
Figure 3.9 Polynmes de distorsion des camras simules (cf tableau 3.3).
de distorsion) ainsi que lorientation de chaque image. Les conditions initiales lors de la
compensation sont :
Focale gale 80% de la valeur relle 9 ,
PPA et PPS au centre de limage,
Coefficients du polynme de distorsion mis zro.
Les mesures ont t simules en utilisant une rpartition de points sur une sphre 10
autour des images en gomtrie panoramique. La rpartition a t ralise en utilisant
les points dun maillage godsique qui a comme lment de base le ttradre [Kenner,
1976]. La figure 3.10.a reprsente llment de base du dme, la figure 3.10.b prsente le
dme aprs une tape de division et la figure 3.10.c reprsente les points ayant servi la
simulation des mesures.
Figure 3.10 Points servant pour la simulation de mesures homologues. (a) lment de
base du dme. (b) Premire division. (c) Rsultat aprs 4 divisions.
Notre mthode ne ncessitant aucun point dappui, elle est totalement tributaire de
la qualit des mesures homologues entre les images. Nous avons donc simul un bruit
9. En gnral, la valeur de la focale est connue de manire approche que ce soit grce aux donnes
EXIF des images ou grce la documentation des objectifs.
10. La sphre a t choisie afin de pouvoir valuer linfluence dun dfaut de centrage par rapport au
rayon de celle ci cf 3.2.c.iv {page 47}.
Thse B. CANNELLE 45
Chapitre 3. Calibration intrinsque de camra
alatoire de type Gaussien sur les mesures dans les images afin dvaluer limpact de
celui-ci sur la calibration. La fonction utilise est une gaussienne centre sur la "vraie"
mesure et dont lcart type dpend de la simulation.
Les figures 3.11, 3.12 et 3.13 prsentent les carts sur la focale, le PPA et la distorsion
en prsence de bruit.
14
13
12
11
10
9
8
7
6
5 Lgende
4 Camra 1
3 Camra 2
2 Camra 3
1 Camra 4
Bruit (pixels)
0 0,5 1 1,5 2 2,5 3
9
8
7
6
5 Lgende
4 Camra 1
3 Camra 2
2 Camra 3
1 Camra 4
Bruit (pixels)
0 0,5 1 1,5 2 2,5 3
46 Thse B. CANNELLE
3.2. Autocalibration panoramique
6
5
4 Lgende
3 Camra 1
2 Camra 2
1 Camra 3
Bruit (pixels) Camra 4
0 0,5 1 1,5 2 2,5 3
Lorsque le bruit de mesure dpasse 2 pixels, la calibration obtenue peut tre signi-
ficativement loigne de la "vraie" calibration.
Afin dutiliser notre processus dans des conditions optimales, nous devrons donc nous
assurer que le bruit sur les mesures est faible. Pour cela il faut utiliser une mthode
dextraction de points homologues prcise (cf. chapitre 5). En gomtrie panoramique,
toutes les images "voient" la scne du mme point de vue ce qui permet de minimiser les
erreurs et les biais lis aux changement de relief et de point de vue.
11. Le paramtre important est le rapport parallaxe/distance fixe mais pas la valeur de la distance
elle-mme
Thse B. CANNELLE 47
X Y Z
diffrence en pixels diffrence en pixels diffrence en pixels
103 103 103
102 102 102
101 101 101
Focale
Thse B. CANNELLE
Chapitre 3. Calibration intrinsque de camra
102 101 100 101 102 101 100 101 102 101 100 101
(1mm 10m) (1cm 10m)(10cm 10m) (1m 10m) (1mm 10m) (1cm 10m)(10cm 10m) (1m 10m) (1mm 10m) (1cm 10m)(10cm 10m) (1m 10m)
diffrence en pixels diffrence en pixels diffrence en pixels
103 103 103
102 102 102
101 101 101
PPA
48
Figure 3.14 Influence de la parallaxe sur la dtermination de la focale et du PPA.
3.2. Autocalibration panoramique
49
Lgende
Camra 1 Camra 2 Camra 3 Camra 4
X Y Z
diffrence en pixels diffrence en pixels diffrence en pixels
103 103 103
Thse B. CANNELLE
102 102 102
101 101 101
Distorsion
Les figures 3.14 et 3.15 rcapitulent tous les rsultats de lexprience. Nous pouvons
en extraire trois conclusions :
Une erreur de centrage de 1 cm (en pratique, la camra peut tre positionne
2 millimtre cf. sous-section 3.2.a {page 41}) entrane sur des cibles 10 mtres
une erreur de calibration de 2 pixel sur la focale, le PPA et la distorsion. Ceci est
relativement faible.
Quel que soit le type de camra, le processus converge vers les valeurs quasi exactes
lorsque la parallaxe est faible.
Lerreur sur la calibration est plus importante lorsque lerreur de positionnement se
trouve selon laxe de vise (axe Z). Plus la focale est longue, plus les effets de la
parallaxe se ressentent sur la qualit de la calibration.
La simulation permet de voir si un processus est fiable et sensible au bruit et/ou
aux dfauts de mcanique mais ne permet pas de conclure totalement quant la validit
exprimentale dune mthode dans des cas rels. En effet, la rpartition des mesures ne
sera pas forcment homogne, les mesures homologues ne seront pas parfaites et le bruit
sur les mesures ne sera pas forcment gaussien 12 .
Nous allons maintenant vrifier les rsultats de nos simulations en utilisant des don-
nes relles. En ce qui concerne les mesures nous avons utilis Scale Invariant Feature
Transform (SIFT) de [Lowe, 2004] pour lextraction de points caractristiques ainsi que
son descripteur. Ce choix est argument dans le chapitre 5 et prsente un bruit faible
(infrieur au demi-pixel dans le cas gnral, mais infrieur dans le cas prsent o lon est
du mme point de vue).
12. Ou tout autre mthode de simulation de bruit.
13. Plus les objets sont loin de la camra, moins les effets de dcentrage de la camra ont une influence
sur la calibration.
50 Thse B. CANNELLE
3.2. Autocalibration panoramique
Cyclopolis
Images +
Spcifications Traitements :
recouvrement dbayerisation
temps de pose balance des blancs
flat-field
Acquisition
Camra Mtadonnes
focale approche rotation/image
taille graphe de voisinage
Appariement
Calibration SIFT
Lgende
Pour tudier linfluence de la parallaxe, nous avons ralis deux jeux de donnes.
Le systme Cyclopolis a t plac au mme endroit, les images ont t prises aux mmes
emplacements, mais par contre, la camra a t dsaxe de 5 cm entre les deux acquisitions.
Le tableau 3.4 prsente les rsultats des deux calibrations. Les valeurs indiques com-
parent la calibration de la camra dans le cas dune panoramique parfaitement centre et
une calibration avec une camra dcentre. simu. est lcart observ lors des simulations
et reelle est lcart observ avec les donnes relles. Concernant la focale, lcart est de
3,43 pixels tandis que moins de 1 pixel de diffrence tait prvu sur les simulations. Lcart
sur le PPA est de 0,5 pixel ce qui est beaucoup mieux que les simulations (5 pixels). Pour
finir, lcart sur la distorsion est de 2,84 pixels dcart (au maximum), tandis que moins
de 1 pixel de diffrence tait prvu sur les simulations.
La figure 3.18 prsente les histogrammes des rsidus image entre la panoramique com-
pense avec la calibration panoramique centre (figure 3.18.a) et la panoramique compen-
se avec la calibration sur la panoramique dsaxe (figure 3.18.b). Les rsidus image sont
Thse B. CANNELLE 51
Chapitre 3. Calibration intrinsque de camra
Table 3.4 Valeurs des calibrations avec et sans parallaxe sur les donnes relles et
simules.
plus levs en utilisant la calibration ralise avec la panoramique dsaxe mais ils restent
dans des proportions raisonnables (majoritairement infrieurs au pixel).
Nombre de mesures
300
250 Nombres de mesures
200 200
150 150
100 100
50 50
0 0,5 1 1,5 2 2,5 3 3,5 4 0 0.5 1 1.5 2 2.5 3 3.5 4
Rsidus (pixels) Rsidus (pixels)
(a) (b)
En conclusion, la parallaxe a une influence sur la calibration qui est quatre fois plus
grande sur les donnes relles que sur les simulations. Par contre, une parallaxe de 5 cm
pour le positionnement est trs exagre, en pratique on peut centrer la camra au milli-
mtre (cf. partie 3.2.a {page 41}). Ce choix a t fait pour avoir des rsultats parlant. Sur
un site comme le hall de lENSG (objets loigns de la camra de manire homogne), en
multipliant lerreur obtenue avec les simulations par quatre, une prcision de lordre du
dixime de pixel peut tre attendue.
3.2.e Conclusion
Dans cette partie, nous avons dmontr lintrt de calibrer une camra pour des
applications de mesures fines (de lordre du pixel). Nous avons vu que lacquisition de
type panoramique permet de calibrer une camra qui prsente de la distorsion mme
forte. Cette mthode prsente de nombreux avantages : elle ne ncessite pas de matriels
dacquisition coteux ni de polygone ou de mire, et na besoin que dun systme de
motorisation pan-tilt pour extraire les mesures homologues.
Il reste encore des perspectives ce travail, au niveau de lexprimentation sur diff-
rents types de camras, notamment ariennes. Nous navons pas pu le faire dans le cadre
de cette thse car cela ncessite le dveloppement de matriel spcifique : Cyclopolis ne
52 Thse B. CANNELLE
3.2. Autocalibration panoramique
pouvant pas supporter le poids dune camra arienne. Une seconde perspective est lin-
clusion dun modle de distorsion plus complexe, par exemple un polynme gnralis,
puis de dterminer dans le processus les coefficients conserver dans la modlisation afin
davoir le modle adapt la camra. Une seconde perspective concerne lappariement.
En effet, une source derreur principale est lerreur dappariement qui est d au phasage
de lobjet dans la grille. A priori cette erreur est systmatique et alatoire. Elle peut
tre rduite significativement par des techniques de corrlation sub-pixellaires ([Craciun,
2010]).
Thse B. CANNELLE 53
Chapitre 3. Calibration intrinsque de camra
54 Thse B. CANNELLE
4. Calibration de systmes multi-camras embarqu sur vhicule
Chapitre 4
Dans le chapitre prcdent, nous avons prsent une mthode pour dterminer les para-
mtres intrinsques des camras. Nous savons donc modliser avec prcision la projection
dun point 3D dans le repre de la camra sur une image 2D. Nous allons maintenant
nous intresser aux diffrentes manires destimer la position des centres perspectifs et
des orientations des camras sur un vhicule de numrisation mobile. Cette tape est
ncessaire pour considrer le vhicule et ses camras comme un ensemble rigidement li
plutt que de considrer chaque image comme indpendante.
Dans un premier temps, nous ferons ltat de lart des mthodes existantes, puis nous
tablirons la formule image 1 pour un vhicule de numrisation mobile. Nous prsenterons
ensuite les deux mthodes que nous avons mises en uvre : la premire issue de ltat
de lart tandis que la seconde a t dveloppe dans le cadre de cette thse. Enfin nous
effectuerons une comparaison de ces mthodes et conclurons sur le protocole adapt.
4.1 Motivations
Le design photogrammtrique sur le vhicule Stropolis V2 a t dfini pour r-
pondre des besoins de diffusion (mt panoramique munis de 10 camras) et de mesures
fines (bases stroscopique avant et arrire) par modlisation sur plan dans un logiciel de
conception assiste par ordinateur [CATIA, 2013]. La ralisation des pices puis lassem-
blage ont t faits dans les ateliers de lIGN. Toutes ces tapes introduisent des carts entre
les plans thorique et sur ralisation, ce qui se traduit par des erreurs de positionnement
et/ou dorientation des capteurs qui doivent tre values.
Le schma 4.1 reprsente linfluence dune erreur de positionnement sur lorientation
dune camera. reprsente lerreur de montage et lerreur dorientation. En raisonnant
en 2 dimensions, on constate quune erreur dun dixime de millimtre (erreur de perage)
peut introduire des cart de 3 5 pixels pour deux fixations espaces de 73 mm (cette
valeur correspond aux camras qui sont sur les cts) et de 7 10 pixels pour deux fixations
espaces de 38 mm (cette valeur correspond aux camras avants et arrires). Ces erreurs
1. Par analogie avec la photogrammtrie traditionnelle, formule qui permet de passer dun point en
coordonnes terrain sa position dans une image pour une position du vhicule donne.
Thse B. CANNELLE 55
Chapitre 4. Calibration de systmes multi-camras embarqu sur vhicule
Corps dune camra avec une base de 73 mm. (camra avant et arrire)
Dcalage dans limage (en pixels) Dcalage dans limage (en pixels)
103 103
102 102
10 10
1 1
0.1 0.1
0,01 mm 0,1 mm 1 mm 1 cm 0,01 mm 0,1 mm 1 mm 1 cm
Erreur entre les plans et la ralit Erreur entre les plans et la ralit
Base de fixation de 38 mm Base de fixation de 73 mm
Figure 4.1 cart sur la mesure image lors dun dfaut de montage. La ligne continue
reprsente lerreur au centre de la camra tandis que la ligne en pointille reprsente
lerreur en bord dimage.
56 Thse B. CANNELLE
4.2. tat de lart
Voici quelques procdures utilisant soit la premire manire (a) soit la seconde (b) :
Mthode a : [Wang et al., 2012] ralisent une premire calibration sur polygone pour
estimer la position de toutes les camras entre elles, puis une seconde en
extrieur pour dterminer la position du GPS par rapport aux camras.
Mthode b : [Esquivel et al., 2007] proposent de calculer pour chaque camra une tra-
jectoire et ensuite de trouver lorientation relative des camras.
[Kumar et al., 2008] utilisent des miroirs pour que les camras visualisent
la mme scne soit directement soit au travers dun miroir. Pour nos ap-
plications il faudrait de nombreux miroirs (un par camra) possdant une
qualit optique parfaite, ce qui les rend trs coteux.
[Habib et al., 2011] et [Rau et al., 2011] calculent les poses de toutes les
images directement par rapport au terrain puis en dduisent les positions
relatives par rapport au vhicule.
Le principal inconvnient de ces approches en 2 tapes est quon obtient plusieurs
poses relatives des camras par rapport au vhicule. Il faut donc ensuite calculer la
pose relative optimale. Pour la translation, une moyenne peut tre faite, mais pour
les rotations le problme est plus complexe : [Schaer et al., 2003] proposent une m-
thode stochastique qui permet de dterminer la rotation en pondrant les diffrentes
orientations en fonction des rsultats des calculs intermdiaires ou plus rcemment
[Hartley et al., 2013] prsentent diffrentes mthodes permettant de "moyenner" les
rotations.
Nous avons donc cherch une autre mthode ne prsentant pas ce dfaut pour ef-
fectuer la calibration.
Mthodes en une tape : cette technique consiste injecter directement les poses re-
latives des camras dans le processus de minimisation. [Habib et al., 2011] proposent
de modifier lquation de colinarit afin de tenir compte des diffrents repres (ca-
mras, vhicule, terrain) et prsentent des rsultats sur des simulations.
[Kersting et al., 2012] prsentent des rsultats de la mthode prcdente sur des
donnes relles. Ces deux approches utilisent des cibles qui sont connues dans le
systme terrain.
[Lbraly et al., 2011] proposent une mthode qui utilise des cibles mais dont la
position nest pas connue en 3 dimensions.
Ces mthodes en une tape correspondent la ralit mcanique du systme mais
complexifient la mise en quation du problme.
Dans notre cas, nous avons choisi dutiliser une mthode en une tape. Elle correspond
la ralit du systme : une pose par camra par rapport au vhicule et une pose du
camion par rapport au terrain. Dans un premier temps, nous utiliserons des cibles dont
les coordonnes sont connues en 3D. Dans un second temps, nous prsentons une variante
par auto-calibration qui a t dveloppe dans le cadre de cette thse et qui prsente
plusieurs avantages :
ne ncessite pas de cible,
ne ncessite pas de points dfinis en 3D,
ne ncessite pas dacquisition spcifique,
cohrente avec la mission.
Thse B. CANNELLE 57
Chapitre 4. Calibration de systmes multi-camras embarqu sur vhicule
c cP P A R (M S)
= pt (1)
l lP P A kR (M S)
Pour dterminer la formule qui permet de passer dun point en coordonnes terrain
sa position dans limage dans le cas dun vhicule de numrisation mobile, nous avons
besoin de dfinir diffrents repres :
Le repre camra : le premier axe est dirig dans le sens des colonnes croissantes, le
second est dirig dans les lignes croissantes et le dernier est dfini de manire
dfinir un repre orthogonal dans le sens direct 2 .
Le repre Stropolis : ce repre est directement li au vhicule. Nous lavons choisi
confondu avec le repre de la centrale inertielle afin dviter de rajouter un repre
intermdiaire et des bras de levier inutiles quil faudrait dterminer.
Le repre terrain : il est notre repre de travail. La position du vhicule ainsi que celle
des points 3D sont exprims dans ce repre. Il est notre repre de minimisation cest
pourquoi il doit tre orthonormal.
Les repres introduits ainsi que les matrices de changement de base associes sont
illustrs sur la figure 4.2.
En utilisant lquation de colinarit (1) et les formules de changement de repres (2)
et (3), nous pouvons tablir la formule image qui permet de passer dun point terrain
une mesure image (quation 4). Les indices i et j reprsentent la camra i et la pose j du
vhicule. Dans la suite du manuscrit, nous utiliseront la notation fi,j (M ) qui permet de
passer dun point Mter en 3D sa positon m en colonne ligne.
c cP P A Rstej ,cami Rter,stej Mter Rcami ,stej Scami + Tstej ,ter
= pi t
l i,j
lP P A i kRstej ,cami Rter,stej Mter Rcami ,stej Scami + Tstej ,ter (4)
m =fi,j (Mter )
2. il est le mme que celui dfini dans la partie 3.1.a {page 32}.
58 Thse B. CANNELLE
4.3. Formulation du problme
Tter,ste
Rter,ste
Repre Terrestre
X = [Tcam,ste i, Rcam,ste i]N bCam
i=0 , [T ste,ter j, R j] N bP ano
ste,ter j=0 , [M k] N bP ts
ter k=0 (5)
On remarque que lquation 4 nest pas linaire par rapport aux inconnues. Pour
rsoudre notre systme dquations, nous le linariserons et utiliserons une solution initiale
qui sera explicite ci-aprs pour les diffrents cas dutilisation. De manire itrative, nous
calculerons ensuite les valeurs des inconnues litration N + 1 en utilisant la solution
litration N du systme 6.
Thse B. CANNELLE 59
Chapitre 4. Calibration de systmes multi-camras embarqu sur vhicule
dfi,j (Mter , XN )
dX = m fi,j (Mter , XN )
dX XN
XN +1 = XN + dX (6)
(a) (b)
Figure 4.3 Cibles et dtails mesurables par topomtrie et dans les images.
Le polygone utilis se situe dans une partie en U dun btiment de lIGN Saint
Mand (cf. figure 4.4). Le vhicule peut facilement circuler entre les trois faades dune
hauteur de 15 mtres visibles sur toutes les panoramiques. Le polygone possde 101 cibles
et 153 dtails remarquables uniformment rpartis. La mesure des points a t ralise par
lunit des Travaux Spciaux du Service de Godsie et Nivellement de lIGN. La prcision
de positionnement des points dans le systme terrain est de lordre du millimtre pour les
dtails mesurables et 0,1 millimtre pour les cibles.
60 Thse B. CANNELLE
4.4. Calibration sur polygone dite mthode Off-Line
4.4.b Donnes
4.4.b.i Acquisition
La figure 4.6 prsente les diffrentes positions du vhicules (en rouge) chacune des-
quelles correspondent une panoramique et les points dappui (en gris).
3. Ces conditions particulires sont difficiles caractriser de faon prcise. Elles entranent une in-
stabilit mathmatique lors de la rsolution du systme. Cette instabilit peut tre dtecte (divergence
du calcul) a posteriori mais pas toujours lors de lacquisition.
Thse B. CANNELLE 61
Chapitre 4. Calibration de systmes multi-camras embarqu sur vhicule
o
o
o o
Une fois les donnes acquises pour effectuer la calibration, il faut mesurer les cibles
dans les images. A lheure actuelle, cette opration est manuelle. Loprateur est tout
de mme guid grce la prdiction de la position des cibles dans limage en utilisant
lquation 4 {page 58} avec comme positions et orientations initiales des camras, les plans
de conception du mt et comme position et orientation du vhicule, la solution donne
par le systme de positionnement. Lerreur de prdiction peut tre de quelques dizaines
de pixels, mais cela permet dviter toute erreur de saisie.
On pourrait trs bien automatiser cette phase en utilisant des cibles codes [Ahn et
Schultes, 1997], ou alors ne saisir que 3 points par panoramique, affiner la position et
lorientation de la panoramique puis dtecter automatiquement les autres cibles. En pra-
tique, il faut moins de trois heures de saisie pour obtenir 534 mesures image sur 231
cibles, sachant que cette tape peut tre faite en parallle des autres traitements (rcup-
ration des donnes RINEX de la station permanente la plus proche, post-traitement de
trajectoire, cration des mtas-donnes...). La phase de calibration doit tre ralise aprs
chaque modification majeure du vhicule (dmontage et remontage du mt, changement
de camras).
Aprs avoir dtaill les diffrentes donnes ncessaires, nous allons mettre en quation
notre processus de calibration.
62 Thse B. CANNELLE
4.4. Calibration sur polygone dite mthode Off-Line
bP ts N
N bCam N
bP ano
2
ck
s= arg min fi,j (Mk ) (7)
N bCam lk i,j
[Scam ,Rste,cam ]i=1 k i j
N bP ano
[Tgrd,ste ,Rgrd,ste ]j=1
Le temps de calcul pour rsoudre notre problme est infrieur la seconde et le nombre
ditrations est de dix. Nous avons choisi de rsoudre notre systme non linaire (prala-
blement linaris) grce lalgorithme de Levenberg-Marquardt [Levenberg, 1944], [Mar-
quardt, 1963] qui peut tre initialis avec une solution de dpart peu prcise 4 , dans notre
cas quelques mtres sur la position du vhicule et quelques degrs sur lorientation.
Le tableau 4.1 prsente les moyennes et les carts-types avant et aprs calibration
par camra. On constate que sans calibration, les rsidus images sont de lordre de la
dizaine de pixels tandis quaprs calibration, les moyennes sont de lordre du demi-pixel.
Les carts-types sont de lordre du tiers de pixel en norme L2 . En norme L1 , lcart-type
est nul par camra ce qui signifie quil ny a pas de biais dans le processus de calibration.
Avant calibration (pixels) Aprs calibration (pixels)
Camras
Moyenne cart-type Moyenne cart-type
21 6,10 1,31 0,41 0,25
22 3,47 1,99 0,76 0,41
23 7,52 3,63 0,43 0,25 21 22 23
31 18,67 2,50 0,25 0,14 32 33
31 34
32 15,27 1,79 0,57 0,39 41 42 43
33 8,16 2,02 0,35 0,22
34 22,12 1,91 0,44 0,25 Identifiant
41 6,00 2,24 0,49 0,31 des camras
42 2,21 1,09 0,35 0,22
43 5,00 0,89 0,41 0,19
Table 4.1 Norme L2 des rsidus image par camra, avant et aprs calibration.
La figure 4.7 prsente lhistogramme des rsidus images aprs calibration pour toutes
les camras. La moyenne des rsidus est de 0,49 et lcart-type est de 0,32 pixel. Lhisto-
gramme est concentr autour de la valeur moyenne ce qui signifie que la rpartition des
erreurs est homogne et quil ny a pas de biais lors du calcul.
4. La mthode de rsolution ne change pas la formulation du problme ni sa rsolution.
Thse B. CANNELLE 63
Chapitre 4. Calibration de systmes multi-camras embarqu sur vhicule
Nombre de mesures
80
70
60
50
40
30
20
10
Rsidus (pixels)
0 0,5 1 1,5 2 2,5 3
Figure 4.7 Histogramme des rsidus sur les mesures image aprs calibration.
Afin de vrifier la qualit de la calibration, nous avons choisi de projeter les images
du vhicule sur le modle 3D du btiment. Celui-ci comportant 3 plans principaux, cette
opration est simple et fiable raliser. Lalgorithme utilis pour texturer les faades avec
plusieurs camras est celui prsent dans [Vallet et Houzay, 2011]. Il permet de choisir
les meilleurs images pour texturer une face du modle grce diffrents critres : angles
dincidence, nombre de pixels projeter, distance la face. Nous navons volontairement
pas ralis dgalisation radiomtrique afin de pouvoir facilement identifier les raccords
entre les diffrentes images.
Les figures 4.8.a et 4.8.b permettent respectivement de faire la comparaison entre la
texturation ralise sans et avec la calibration. Sur les aperus (figures 4.8.c et 4.8.d)
on remarque que les joints des btiments, ainsi que les fentres, sont bien aligns aprs
calibration. On peut mesurer un cart de 1 pixel entre deux images plaques sur la mme
faade, ce qui est cohrent avec les rsultats numriques prsents prcdemment.
Nous avons tudi les rsultats aussi bien chiffrs que visuels aprs calibration. Pour
nous assurer de la fiabilit de notre mthode, nous avons effectu une phase de contrle
qui utilise des donnes indpendantes de celles utilises pour la calibration.
64 Thse B. CANNELLE
4.4. Calibration sur polygone dite mthode Off-Line
Figure 4.8 Comparaison de la texturation des faades des batiments avec les images
du vhicule sans tenir et en tenant compte de la calibration.
Pour vrifier le rsultat de notre calibration, nous avons utilis un jeu de donnes dif-
frent de celui qui a servi pour celle-ci. Ce jeu de donnes contient 2 positions du vhicule
et 188 mesures image. Nous avons utilis 3 points dappui et 92 points de contrle. Nous
avons calcul la pose du vhicule en tenant compte des mesures image sur les points dap-
pui et sur les points de contrle. La figure 4.9 prsente les diffrentes positions du vhicule
(en bleu), les points dappui (en rouge) et les points de contrle (en gris). Nous avons
Thse B. CANNELLE 65
Chapitre 4. Calibration de systmes multi-camras embarqu sur vhicule
volontairement choisi des points dappui rparti tout autour des positions du vhicule afin
de dterminer celle-ci de faon fiable 5 .
o
o
o
La figure 4.10.a reprsente lhistogramme des mesures image sans tenir compte de la
calibration tandis que la figure 4.10.b tient compte de la calibration. On constate que la
procdure de calibration permet damliorer significativement les rsidus sur les mesures
image. La moyenne des rsidus est de 1,75 pixel sans calibration et de 0,14 pixel avec.
Lcart type des rsidus est de 1,56 pixel sans calibration et de 0,11 pixel avec.
Nombre de mesures
Nombre de mesures 80
70 70
60 60
50 50
40 40
30 30
20 20
10 10
Pixels Pixel
0 1 2 3 4 5 6 7 8 9 10 0 0,2 0,4 0,6 0,8 1
(a) (b)
Figure 4.10 Histogramme des rsidus sur les mesures image sans tenir compte (a) et
en tenant compte (b) de la calibration.
La figure 4.11 reprsente lhistogramme de rpartition des rsidus sur les points de
contrle. La moyenne est de 1,6 cm et lcart-type est de 1,9 cm. On constate que quelques
points ont des rsidus un peu plus importants (suprieur 5 cm) mais ce sont des points
dont lintersection nest pas bien dtermine parce que les faisceaux sont quasiment pa-
rallles. Ils sont proximit du point dappui (en rouge) lest du plan de la figure 4.9.
5. Le lecteur peut se rfrer la section 8.1 {page 113} pour plus dinformations.
66 Thse B. CANNELLE
4.4. Calibration sur polygone dite mthode Off-Line
Nombre de mesures
50
45
40
35
30
25
20
15
10
5
Mtre
0 0,05 0,10
Figure 4.11 Histogramme des rsidus sur les points de contrle en tenant compte de
la calibration.
4.4.d.iv Conclusion
Nos rsultats montrent quune tape de calibration est ncessaire pour des applications
qui ont besoin deffectuer des mesures sur des images plus prcises que le pixel. On constate
que la mthode sur polygone est efficace pour calibrer un vhicule de numrisation mobile
et quelle est relativement rapide mettre en oeuvre lorsquun polygone de calibration est
disponible. Celui-ci doit tre suffisamment large et accessible pour que le vhicule puisse
circuler. Des cibles leves sont ncessaires pour que les camras regardant en hauteur
puissent les photographier. Enfin les cibles doivent pouvoir tre facilement mesurables
dans les images : il faut par ailleurs prendre garde la taille des cibles par rapport la
rsolution des camras.
Thse B. CANNELLE 67
Chapitre 4. Calibration de systmes multi-camras embarqu sur vhicule
4.5.a Principe
Le principe de base pour raliser une calibration sans points dappui est dutiliser
seulement des points homologues, points dont les positions terrain ne sont pas connues
initialement mais estimes dans le processus de calibration.
Pour raliser une calibration sans point dappui, plusieurs panoramiques successives
sont ncessaires. Il faut ensuite extraire des points homologues entre les diffrentes images
et les appareiller tout en vitant les fautes. La succession de ces tapes est dcrite dans
le schma 4.12 et les mthodes utilises sont explicites dans le chapitre 7.
Extraction
Images de points Dtection de fautes Calibration
homologues
Lgende :
Fichiers Processus
68 Thse B. CANNELLE
4.5. Calibration par les donnes dite mthode On-Line
Np Nm Ni
Nc 2
cn
s= arg min fi,j (Mk ) (8)
#N c ln
[Scam ,Rste,cam ]i=1 i j k n
#N p
[Tter,ste ,Rter,ste ]j=1
#N m
[Mk ]k=1
MN = MN 1 (9)
SN = SN 1 (10)
RN = RN 1 (11)
Aprs avoir explicit le systme dquations rsoudre, nous allons maintenant nous
intresser aux rsultats de notre algorithme.
Thse B. CANNELLE 69
Chapitre 4. Calibration de systmes multi-camras embarqu sur vhicule
moyenne de 0,29 pixel et un cart type de 0,40 pixel. Ces rsultats, mis en relation avec
la qualit de calibration propre chaque camra (cf chapitre 3), sont proches des valeurs
thoriques.
La figure 4.13.b reprsente la visualisation la fin du processus. En blanc nous avons
les points homologues en 3D et en noir les diffrentes positions du vhicule. En rouge,
il sagit du modle Bati3D sur la zone. Ce modle na pas servi dans le processus mais
permet de constater diffrents lments :
les points 3D se trouvent principalement sur les btiments et la route,
la solution du processus, mme sil ny a pas dappui, reste cohrente avec des
donnes gorfrences (de prcision mtrique).
(a) (b)
Figure 4.13 (a) Plan du site servant la calibration On-Line . (b) Position des
points homologues (en blanc) et modle Bati3D (en rouge). On constate que les points 3D
se trouvent principalement sur les btiments et la route et que la solution du processus
reste cohrente avec des donnes gorfrences.
Pour vrifier le rsultat de notre calibration, nous avons utilis un jeu de donnes
diffrent de celui qui a servi pour la calibration. Ce jeux de donnes est le mme que celui
prsent au paragraphe 4.4.d.iii {page 65}.
La figure 4.14.a reprsente lhistogramme des mesures image sans tenir compte de la
calibration tandis que la figure 4.14.b en tient compte. On constate que la procdure de
calibration permet damliorer significativement les rsidus sur les mesures image. On
passe de 1,75 en moyenne et 1,56 en cart-type sans calibration 0,25 en moyenne et
0,24 en cart-type avec calibration. Notre procdure permet donc davoir une prcision au
demi-pixel.
La figure 4.15 reprsente lhistogramme de rpartition des rsidus sur les points de
contrle. La moyenne est de 2,7 centimtres et lcart-type est de 2,9 centimtres. On
constate que quelques points ont des rsidus un peu plus importants (suprieur 5 cm)
mais ce sont des points dont lintersection nest pas bien dtermine. Cette intersection
est mal dtermine car les faisceaux sont quasiment parallles. Ils sont proximit du
point dappui (en bleu) lest du plan de la figure 4.9.
70 Thse B. CANNELLE
4.5. Calibration par les donnes dite mthode On-Line
Nombre de mesures
70 Nombre de mesures
60 60
50 50
40 40
30 30
20 20
10 10
Pixels Pixel
0 1 2 3 4 5 6 7 8 9 10 0 0,5 1
(a) (b)
Figure 4.14 Histogramme des rsidus sur les mesures image sans tenir compte de la
calibration (a) et en tenant compte de la calibration (b).
Nombre de mesures
30
20
10
m
0 0,05 0,10
Dans la partie prcdente, nous avons dmontr que la mthode de calibration On-
Line donne des rsultats satisfaisants. La configuration choisie pour raliser la calibration
tait en forme de S et nous lavions qualifie doptimale. Pour affirmer cela, nous avons
test diffrentes configurations pour calibrer notre plate-forme puis nous avons qualifi les
diffrents rsultats de calibration sur une zone test avec des points dappui et de contrle.
Nous avons choisi dtudier plusieurs scnarii :
un virage droite et gauche,
une ligne droite (3 tailles distinctes),
une trajectoire en forme de S.
La figure 4.16 prsente les diffrentes configurations utilises pour les calibrations.
Pour chaque configuration, le processus de calibration On-Line dcrit prcdem-
ment, a t ralis. On obtient donc autant de calibrations que de configurations. Afin de
comparer nos diffrentes calibrations, nous avons choisi une seconde zone qui comporte :
21 points dappui, 142 mesures image, et 8 panoramiques. Sur ce site, nous avons dter-
min la position et lorientation du vhicule en tenant compte des diffrentes calibrations
Thse B. CANNELLE 71
Chapitre 4. Calibration de systmes multi-camras embarqu sur vhicule
Figure 4.16 Zone de tests des diffrentes configurations. Les btiments sont reprsents
en gris. Six configurations ont t testes : panoramiques jaune, panoramiques jaune +
bleu, panoramiques jaune + bleu + blanc, panoramiques rouges, panoramiques vertes,
toutes les couleurs.
4.5.c.iii Conclusion
Dans cette partie, nous avons prsent une approche novatrice de calibration de v-
hicule de numrisation mobile qui nutilise que des donnes dacquisition(s) normale(s).
Cette mthode est fiable, prcise, et fonctionne dans la plupart des situations. Lutilisateur
de cette mthode devra juste sassurer de la rpartition homogne des mesures image.
Nous avons tabli deux mthodes de calibrations de notre vhicule qui amliorent
de faon significative le positionnement des camras. Nous allons maintenant faire une
comparaison de ces deux mthodes.
72 Thse B. CANNELLE
4.5. Calibration par les donnes dite mthode On-Line
Thse B. CANNELLE 73
Chapitre 4. Calibration de systmes multi-camras embarqu sur vhicule
74 Thse B. CANNELLE
4.6. Comparaison des mthodes
image. Sur les points dappui, il y a la fois des observations lies aux mesures image,
mais aussi des observations lies la position des points.
Le tableau 4.2.b prsente les carts sur les points dappui et de contrle sur les coor-
donnes 3D. On constate l aussi quune calibration est ncessaire, sinon les carts sur les
positions seraient de plusieurs dizaines de centimtres. On remarque aussi que les carts
sur les points de contrle pour les deux mthodes sont de lordre de quelques centimtres.
Table 4.2 Rsultats sur le site de contrle des mthodes Off-Line et On-Line .
(a) Rsidus sur les mesures image sur les points de contrle et dappui (en pixel). (b)
Rsidus sur les points de contrle et dappui (en mtre).
Thse B. CANNELLE 75
Chapitre 4. Calibration de systmes multi-camras embarqu sur vhicule
Type de calibration Rpartition des mesures images pour chaque camra de Stropolis V2.
21 22 23 31 32
.... . . . .... .. ..
.. .. .... .... . . ...... ............ . .
.... ... . . . .. ... . . ..
.. .... .... .. . .. ... ...... .. . ..... .... ..
. .... ... . ................................................ . . ... .
.
... .
.
. .
Off-Line
(534 mesures images) 41 42 43 34 33
.... ... . ... .. .... ....... .......
Thse B. CANNELLE
. .. ... .. . 21 22 23
..... .................. ................................ . .. . .... ..... .. .. .. . .. ...
.. .... ..... ..........................................
. .
.. . .. .. . . ... .. . 32 33
31 34
21 22 23 31 32 41 42 43
................................................ .. .............................................. .................................................................. ..
.......
. ..... .... ...
. ... .... . .................................
............................. . ......................
. ..............
. ..................................................... .................................................................................. . .................. . ...... .... . .
...................................................................... .. .....................
.........................
. . .
. . ...........
. .
. ..............................................
..
...........
. Identifiant
.... ............ . . . ............. ..........
.. ......................... ... .......................... . ........ ...
On-Line des camras
(10756 mesures images) 41 42 43 34 33
.................. . . ............... ..............
.........................................
........ .... ................. ........... ... . ......... ....
... ..... ................................ . . ... . .. . .................................. . ... ...............
. ..................................... ... . ........ . ..... . . . ..
.. .. .. .. . . . . . . . . . .
....................................................................
. . . ....
... .
.......
................. ........................................ ...
.
.. ........... .......................... ............
............................................. ... ..................................................................... ........... ............ .......................................
.....
. . .. . .................. .......................
................... ... ............................. ............. .. . . ..................
Figure 4.19 Accumulation des mesures image utilises lors de la phase de calibration dans le plan image de chaque camra.
76
4.7. Conclusion
4.7 Conclusion
Les deux mthodes prsentent des rsultats similaires sur les mesures image et sur les
points. Elles convergent toutes les deux vers la mme solution et sont donc quivalentes.
Toutefois, elles prsentent des avantages et des inconvnients qui leur sont propres.
La mthode Off-Line ncessite un polygone de calibration qui nest pas simple
construire et maintenir. Par contre elle est plus simple mettre en place : les mesures
image sont manuelles et il suffit de quelques panoramiques. Un second inconvnient est que
la calibration est faite un instant donn, dans des conditions particulires qui peuvent
tre diffrentes pour une autre acquisition. Une calibration ralise en plein hiver ne
correspondra pas au montage dune acquisition faite en plein t parce que la structure
mcanique reliant les camras au vhicule peut avoir subi des dformations lies aux
variations de temprature.
La mthode On-Line utilise les mesures elles-mmes et tous les points homologues
disponibles (quelques milliers) ce qui permet davoir une rpartition des mesures par image
la plus homogne possible. Par contre, elle est tributaire de lenvironnement. Par exemple,
des zones de fort ou des routes en pleine campagne, peuvent entraner des difficults pour
dtecter suffisamment de points homologues sans risque derreur et, en milieux urbain,
la texture des faades peut tre uniforme ce qui empche dobtenir un grand nombre de
mesures homologue. Le principal avantage de cette mthode est quelle peut tre faite
sans acquisition particulire.
Nous pouvons trs bien raliser une combinaison des deux mthodes : avoir des points
dappui (cibles et/ou dtails) et des points homologues. Lide est de prendre un sous-
ensemble dune acquisition puis de lever (par des techniques classiques : GPS, topomtrie)
des points facilement mesurables et identifiables dans les images. Ainsi on bnficie la
fois des avantages de la mthode On-Line (densit de mesures importante, calibration
cohrente temporellement avec les donnes) et des avantages de la mthode Off-Line
(indicateur de qualit cart sur les points dappui et de contrle). Malheureusement, la
texture des murs sur le polygone de calibration na pas permis dextraire des points
homologues suffisants pour faire cette exprimentation(texture trop homogne).
Thse B. CANNELLE 77
Chapitre 4. Calibration de systmes multi-camras embarqu sur vhicule
78 Thse B. CANNELLE
Troisime partie
Thse B. CANNELLE 79
Dans cette partie nous allons tudier le mcanisme de compensation par faisceaux qui
est utilis de nombreuses fois dans cette thse.
Le chapitre 5 dtaille la cration des points homologues ainsi que les mthodes mises
en place afin dliminer les erreurs.
Le chapitre 6 explique les stratgies ncessaires pour grer les donnes utiles pour la
compensation.
Le chapitre 7 prsente le mcanisme de compensation a proprement parl.
Thse B. CANNELLE 81
82 Thse B. CANNELLE
5. Appariement et filtrage de points dintrt
Chapitre 5
La dtermination des mesures homologues est le point le plus critique dans le processus
de compensation par faisceaux. Ce sont ces mesures qui permettent de faire le lien entre
les images.
Nous allons tout dabord tudier les points dintrt, cest dire les dtails caractris-
tiques de limage, ainsi que les descripteurs qui sont associs ces dtails. Ensuite nous
tudierons les diffrentes manires de mettre en correspondance les points dintrts. En-
fin nous prsenterons les techniques utilises pour appliquer lextraction et lappariement
de gros volume de donnes.
5.1.a Dtections
On peut tout dabord citer les dtecteurs de coins de [Moravec, 1977, 1979] qui tudie
le voisinage de chaque pixel et calcule une mesure de changement dintensit, amlior par
[Harris et Stephens, 1988]. Ces dtecteurs ne prennent pas en compte la variation dchelle.
Thse B. CANNELLE 83
Chapitre 5. Appariement et filtrage de points dintrt
Table 5.1 Statistiques par camra sur les points dintrt extraits.
Par contre il y a une prcaution prendre avec les points dintrts qui vont servir dans
la compensation. Ces points doivent correspondre un point unique en 3D dans lespace
terrain. Lorsque les images comportent des parties du vhicule dacquisition : toit, antenne,
84 Thse B. CANNELLE
5.1. Points dintrts
galerie, cela introduit des points dintrts parasites. Ce sont de vrais points dintrt mais
qui sont solidaires du vhicule cest dire quils ne correspondent pas un point 3D de la
scne. Ils sont source de divergence du processus de compensation par faisceaux. Comme
il est trs difficile de placer des camras sans que celles-ci ne photographient une partie
du vhicule tout en imageant compltement lenvironnement, il faut tre capable de les
dtecter et de les extraire de lensemble des points dintrts. Une manire simple et
efficace de les filtrer est dtablir un masque qui comprend les parties visibles du vhicule
et de les enlever de la liste des points dintrt. Ce masque est tabli pour chaque camra,
de manire manuelle 1 . Une minute par camra suffit. Cette tape prend donc moins de 5
minutes pour toutes les camras imageant des parties du vhicule. La figure 5.1.b prsente
une image acquise par la camra avant gauche. Celle-ci contient une partie du vhicule
(coin en bas gauche). La figure 5.1.b prsente le masque qui a t saisie manuellement
et qui est associ la camra. Dans notre cas cela reprsente 2 943 284 points pour tout
le XIIe.
(a) (b)
Maintenant que nous sommes capables de dtecter des points caractristiques dans les
images, nous allons nous intresser aux descripteurs qui permettent de les appareiller de
manire fiable.
5.1.b Descripteurs
Une fois quun point dintrt a t dtect, il doit tre appareill dans dautres images.
Pour cela, il faut extraire un descripteur pour chaque point qui permet de les diffrencier
les uns des autres. Un bon descripteur doit remplir plusieurs critres. Il doit tre :
invariant aux changements de lumire,
invariant la translation,
invariant la rotation,
1. Cette tape pourrait tre automatise en regardant pour toutes les images dune camra les zones
qui ne varient pas par exemple.
Thse B. CANNELLE 85
Chapitre 5. Appariement et filtrage de points dintrt
5.2 Appariement
La phase dappariement est une tape importante pour dterminer les mesures homo-
logues.
Dans un premier temps, nous tudierons les diffrentes stratgies pouvant tre uti-
lises pour lappariement dans lespace des descripteurs. Dans un second temps, nous
prsenterons les mthodes de dtections derreurs lors de lappariement.
5.2.a Stratgies
Quel que soit le type de descripteur utilis pour un point dune image A, lapparie-
ment consiste trouver le descripteur du point de limage B qui ressemble le plus au
descripteur du point de limage A. La premire tape consiste calculer une distance
(Manhattan, Euclidienne, Minkowski,...) entre les descripteurs, puis comparer les dis-
tance entre elles. Il sagit dun problme de recherche de plus proche voisin qui est tudi
depuis de nombreuses annes. De nombreuses solutions sont proposes :
le quadtree de [Samet et Webber, 1985] en dimension 2,
loctree de [Gervautz et Purgathofer, 1990] puis amlior notamment par [Eberhardt
et al., 2010] en dimension 3,
le kd-tree de [Friedman et al., 1977] en dimension N qui prsente de nombreuses
variantes comme :
[Vaidya, 1989] qui utilise un modle darbre de dcision pour ordonner les
donnes (en O(nlog(n))),
86 Thse B. CANNELLE
5.2. Appariement
[Arya et al., 1994] qui propose une stratgie approche pour dterminer les plus
proches voisins, ce qui diminue le temps de recherche (en O(log(n))),
[Muja et Lowe, 2009] qui utilise des kd-tree alatoires multiples qui permettent
damliorer la aussi le temps de recherche.
Nous avons choisi celle implmente dans ANN (Approximate Nearest Neighbor) de
[Mount et Arya, 2013] qui permet de faire un kd-tree de [Friedman et al., 1977] ainsi que
[Arya et al., 1994].
Nous avons ralis lappariement par couple dimages plutt que sur la base de donnes
complte des points et de leurs descripteurs (3,5 milliards). En effet nous ne connaissons
pas lavance le nombre dimages dans lequel est vu un dtail caractristique, ce qui rend
le nombre de voisins potentiels non dtermin.
Ensuite, nous avons choisi les N meilleurs candidats plutt que le meilleur. En effet,
notamment sur les faades prsentant de nombreux motifs rptitifs (gardes corps, volets,
fentres...), le meilleur candidat peut tre une faute tandis que le second peut tre correct.
Pour savoir si les candidats sont potentiellement corrects, nous avons utilis le mme
critre que [Lowe, 2004] qui consiste calculer le ratio r entre les deux plus petites
distances. Si r < 0, 8 alors le candidat est considr comme correct. Dans notre cas,
comme nous conservons N voisins, nous avons adapt ce critre en calculant le ratio r par
rapport la distance au voisin N + 1.
Enfin, pour diminuer le nombre derreurs dappariement, nous utilisons une succession
de 3 tapes pour un couple dimages A et B :
recherche des plus proches voisins de lensemble des points de limage A dans len-
semble des points de limage B (cf figure 5.2.a),
recherche des plus proches voisins de lensemble des points de limage B dans len-
semble des points de limage A (cf figure 5.2.b),
intersection des rsultats des tapes 1 et 2 (cf figure 5.2.c).
Figure 5.2 tapes de la phase dappariement. (a) Recherche des plus proches voisins
de A dans B. (b) Recherche des plus proches voisins de B dans A. (c) Intersection des
tapes (a) et (b).
Thse B. CANNELLE 87
Chapitre 5. Appariement et filtrage de points dintrt
meilleurs candidats plutt que le meilleur, le ratio bon appariement / appariement total
diminuerait normment. En pratique, ce taux diminue trs faiblement mme en prenant
les 4 meilleurs voisins.
En conclusion, nous avons choisi de prendre les trois meilleurs candidats lors de la
phase dappariement, cela permet davoir un nombre de bon appariement satisfaisant
tout en ayant un temps de calcul faible (infrieur 1 seconde).
Aprs avoir prsent les mthodes dextraction et dappariement, nous allons expliciter
la faon dont nous lavons fait sur de gros volumes de donnes.
88 Thse B. CANNELLE
5.3. Gestion de gros volumes de donnes
(a) (b)
Une fois que lappariement a t fait couple par couple, il faut recrer la relation
dhomologie pour chaque point. Pour cela, nous allons utiliser la thorie des graphes : les
noeuds sont les mesures images, les artes la relation dappariement. Chaque composante
connexe de ce graphe reprsente un point homologue. Il existe de nombreux algorithmes
de recherche de composantes connexes dans les graphes [Tarjan, 1983] et [Cormen et al.,
2001], mais notre graphe comporte prs de 700 millions dartes, ce qui ne permet pas
de les utiliser sur une machine traditionnelle 2 (la taille de la mmoire vive ne suffisant
pas). Afin deffectuer cette recherche, nous avons choisi de dcomposer notre graphe en
plusieurs puis de combiner les rsultats. Cette solution est dcrite dans la figure 5.4. Cette
solution comporte trois tapes :
1. dcoupage du graphe en sous-graphes. La manire de scinder le graphe na au-
cune importance. Nous avons choisi une stratgie de dcoupe simple et qui prsente
2. 8 processeur et 8 Go de RAM lors de lcriture du manuscrit
Thse B. CANNELLE 89
Chapitre 5. Appariement et filtrage de points dintrt
b k j
l
c
a h i
g
d f
e
Graphe initial
b k j
l
c
a h i
g
d f
e
Dcoupage en sous-graphes
j
a. Calcul de composantes
b k
l b k j connexes dans chaque sous-
c l
a h i c graphe
a h i
g
d f g
b. Calcul de composantes
d f
e connexes dans le graphe qui
e
ne contient que les artes
aux frontires
a b
b k j Gestion des conflits : noeuds
l
c appartenant une compo-
a h i sante connexe de la frontire
g et dun sous-graphe. Attri-
d f
bution dune nouvelle no-
e
menclature.
Figure 5.4 Illustration des tapes du calcul des mesures homologue sur un gros volume
de donnes.
90 Thse B. CANNELLE
5.4. limination des erreurs
Figure 5.5 Exemple dappariement entre deux couples conscutifs. Les appariements
corrects sont en vert et les appariements errons en rouge.
Vrai
Mobile
Faux
Figure 5.6 Exemples dappariement. Faux correspond aux erreurs, Vrai aux apparie-
ments correctes et Mobile aux objets mobiles.
Thse B. CANNELLE 91
Chapitre 5. Appariement et filtrage de points dintrt
Nous avons donc mis en place des stratgies complmentaires afin dliminer les erreurs
restantes qui sont prsentes dans les paragraphes suivants.
d2
d1
rM
.
M
Figure 5.7 Caractristiques extraites pour chaque point homologue. M est la position
dans le systme terrain du point homologue. d1 et d2 sont les distances entre le point
homologue et les deux positions du vhicule. est langle fait par les faisceaux perspectifs.
rM est la plus petite distance entre les faisceaux.
Une fois ces caractristiques extraites {rM , rim , d, }, nous avons choisi dutiliser une
approche par Sparateurs Vaste Marge afin de dterminer si la mesure dappariement
est correcte ou non.
92 Thse B. CANNELLE
5.4. limination des erreurs
raliser un apprentissage sur un nombre faible mais reprsentatif de cas puis deffectuer
une classification automatique.
Il existe diffrentes mthodes de classification comme les Arbres de Classification et
de Rgression ([Breiman, 1984]), les Forts Alatoires (Random Forest) ([Breiman, 2001])
ou encore les Sparateur Vaste Marge (Support Vector Machine, SVM) ([Boser et al.,
1992]). Dans notre cas, nous avons utilis les SVM qui sont largement utiliss dans la
littrature avec limplmentation propose par [Chang et Lin, 2011]. Cette thse ntant
pas un travail sur les SVM, nous rappelons ici le principe et nous nous positionnons
seulement en tant quutilisateur clair. Le lecteur pourra se rfrer [Boser et al., 1992],
[Cortes et Vapnik, 1995] et [Scholkopf et Smola, 2001] pour les concepts thoriques.
Pour utiliser un classifieur SVM, il faut des instances (ici, des mesures homologues)
avec des attributs (ici, ceux prsents au 5.4.a). Ensuite on fournit un sous-ensemble
dobjets dj classs qui constituent la base dapprentissage et qui, en gnral, est tablie
manuellement. Nos objets sont rpartis en deux classes : les mesures homologues correctes
et celles errones. Le classifieur dtermine, partir de cette base, la "meilleure frontire"
qui spare les classes en fonction des attributs : la vaste marge. Une fois cette frontire
dtermine, il suffit au SVM de comparer tout nouvel objet avec ses attributs aux frontires
afin de savoir sil appartient ou non une classe.
La figure 5.8 illustre le fonctionnement des SVM. Nous avons 2 classes (verte et bleue)
qui ont des attributs A et B. Elles sont reprsentes dans lespace des attributs A et B.
Plusieurs frontires sont possibles (en rouge) mais une seule est conserve par le classifieur.
Il sagit de la droite rouge pleine : elle est la frontire qui maximise la marge entre la
frontire et les objets des classes (do la notion de Vaste Marge).
Attribut B
Attribut A
Figure 5.8 Schma de la classification par SVM. En bleu et en vert, les points appar-
tenant deux classes distinctes. En rouge pointill, les diffrentes sparations possibles
pour les deux classes. En rouge plein, la frontire dtermine par SVM.
Afin de savoir quelle(s) caractristique(s) est (sont) pertinente(s) pour dtecter les
fautes dappariement, nous avons test toutes les configurations possibles avec les 4 attri-
buts prsents en 5.4.a. Nous avons aussi tudi linfluence du nombre de donnes dans la
Thse B. CANNELLE 93
Chapitre 5. Appariement et filtrage de points dintrt
phase dapprentissage. Les rsultats de ces exprimentations sont recenss dans le tableau
5.3.
Plusieurs remarques sont faire sur cette exprimentation :
il nest pas ncessaire de raliser lapprentissage sur un grand nombre de donnes.
Une centaine dobjets par classe est suffisant (les rsultats sont similaires sur les
colonnes 2, 3, 4 et 5) pour estimer les marges entre les deux classes.
le taux de bonne classification est identique entre les donnes ayant servies lap-
prentissage (chiffre en italique dans le tableau) et les donnes de test (chiffre droit),
cela signifie que le modle retenu est ainsi correct.
le taux de classification est suprieur 90% partir de 2 attributs. Il reste peu
derreurs aprs ce processus.
lutilisation des 4 attributs dans la classification nest pas pertinent, les rsultats
sont moins bon quavec 3. Cela sexplique car le paramtre rim (rsidus image) et
rM (plus petit distance entre les faisceaux) sont "lis" : plus rM est grand, plus rim
lest aussi.
Nb de mesures
2040 (92) 1946 (186) 1854 (278) 1760 (372) 1666 (466)
Critres tests Bonne classification des donnes de test (en %)
rim rM d Bonne classification des donnes dapprentissage (en %)
68,7 (70,6) 68,2 (70,9) 67,7 (68,7) 68,5 (71,2) 68,5 (72,5)
70,1 (70,6) 72,8 (75,8) 72,8 (75,5) 71,3 (76,0) 72,1 (76,3)
75,6 (81,5) 75,2 (80,6) 75,1 (76,9) 77,1 (77,1) 74,9 (78,3)
83,4 (88,0) 84,5 (88,1) 85,9 (83,0) 86,0 (83,3) 85,0 (86,9)
77,2 (77,1) 75,9 (82,2) 77,6 (80,2) 78,1 (78,4) 79,1 (78,3)
83,0 (89,1) 84,6 (89,7) 86,6 (85,6) 87,6 (85,2) 86,9 (89,9)
83,3 (88,0) 86,4 (91,3) 87,3 (86,3) 87,2 (90,3) 87,0 (89,4)
84,6 (90,2) 88,1 (92,4) 88,4 (87,7) 87,7 (88,1) 87,8 (88,4)
89,7 (90,2) 90,8 (94,0) 90,8 (91,3) 90,7 (91,6) 90,7 (91,4)
89,1 (90,2) 89,6 (93,5) 91,5 (91,0) 91,1 (91,1) 91,1 (92,0)
83,2 (89,1) 90,1 (93,0) 90,7 (89,2) 91,0 (90,8) 90,8 (91,8)
88,5 (90,2) 91,0 (93,5) 91,5 (91,7) 91,0 (92,4) 91,3 (90,3)
88,9 (89,1) 92,1 (96,7) 94,1 (94,6) 93,8 (96,7) 92,5 (96,1)
90,9 (88,0) 92,1 (95,1) 93,3 (93,1) 94,2 (94,6) 93,5 (95,7)
84,4 (89,1) 91,7 (94,6) 92,6 (93,8) 93,7 (95,6) 92,1 (95,2)
Table 5.3 Rsultats de la classification des mesures bonnes et mauvaises par SVM.
Cinq jeux de donnes pour lapprentissage ont t utiliss (un par colonne) et toutes les
combinaisons de paramtres ont t testes (une par ligne). En gris le jeu de paramtres
conserv.
5.4.b.iii Conclusion
Lapproche par SVM est efficace lorsquon lutilise pour liminer les erreurs dapparie-
ment. Nous avons choisi de ne garder que trois attributs : le rsidu image, la distance du
point aux camras ainsi que langle fait par le faisceau homologue.
94 Thse B. CANNELLE
6. Gestion des mesures en base de donnes pour un passage lchelle
Chapitre 6
Un des enjeux de cette thse rside dans la gestion de gros volumes de donnes. En effet,
nous sommes en prsence de plusieurs dizaines de milliers de panoramiques et des centaines
de milliers dimages pour un seul arrondissement de Paris (cf section 2.4 {page 19}). Nous
devons tre capable de stocker et daccder aux donnes de manire rapide, simple et
optimale. Deux solutions complmentaires ont t adoptes pour la gestion des donnes.
La premire est un systme de fichiers adapt nos donnes et la seconde est une base
de donnes ddie notre application.
Thse B. CANNELLE 95
Chapitre 6. Gestion des mesures en base de donnes pour un passage
lchelle
Serveur de donnes
Figure 6.1 Schma explicatif du systme de fichiers mis en place pour un accs rapide
aux donnes.
adapt pour faire des requtes plus complexes : par exemple rcuprer toutes les pano-
ramiques une position donne. En effet, il nest pas facile de grer de manire simple
et rapide grce un systme de fichiers des mesures homologues entre plusieurs images
ou deffectuer des requtes gographiques sur des positions de vhicule par exemple. Pour
cela, nous avons choisi dutiliser une base de donnes.
96 Thse B. CANNELLE
6.2. Base de donnes
Table Point dappui contient tous les points dappui avec leurs coordonnes et leurs
prcisions ainsi que leurs noms.
Table Mesures Appuis permet de stocker les mesures faites par les panoramiques sur
les points dappui.
Table Mesures Homologues permet de stocker les mesures homologues entre deux
images.
6.2.b Indexation
Une base de donnes permet dindexer les donnes afin de pouvoir y accder en des
temps trs rapides. Nous avons test deux types dindexation : larbre binaire (BTree en
anglais) de [Bayer, 1971] [Lehman et Yao, 1981] et le hachage [Knuth, 1975].
Afin de comparer les performances, nous avons utilis trois tables de donnes iden-
tiques (structure et donnes). La premire ne contient aucun index, la seconde contient
un index de type arbre binaire et la dernire un index de type hachage. Les tables utilises
contiennent des appariements de mesures images par couples. Les tables contiennent plus
de 460 millions de lignes soit plus de 26 Go. Nous avons lanc prs de 45 000 requtes
identiques sur les 3 tables, en mme temps afin que les conditions soient identiques :
charge de la machine do sont lancs les tests, charge du serveur, trafic sur le rseau.
Chaque requte rcupre en moyenne plus de 16 000 mesures.
Thse B. CANNELLE 97
Chapitre 6. Gestion des mesures en base de donnes pour un passage
lchelle
La figure 6.3 prsente les rsultats de ce test. La premire remarque est quil nest pas
envisageable de ne pas utiliser dindex (courbes violettes). Pour 500 requtes, il sest coul
prs de 60 000 secondes (16h30). On constate aussi quentre deux expriences identiques
(couleurs vives et couleurs pastel), il peut y avoir une diffrence sur les temps de calcul
de 1,5, ce qui est important. La principale raison vient du fait que le serveur contenant la
base de donnes et la machine qui effectue les requtes se trouvent dans le rseau commun
de lIGN. En fonction des priodes de la journe et des oprations lances par les services
de productions, les charges rseaux ne sont pas les mmes. Dailleurs, on peut constater
que lors de lexprience B, le systme a mis plus de temps pour renvoyer les rsultats
entre les requtes 9 000 et 12 000 (zone rouge en pointille sur la figure 6.3) que lors de
lexprience A pour revenir un temps de rponse identique. La cause la plus probable
est laugmentation de la charge rseaux de lIGN au moment du test 1 .
Concernant le choix de lindexation, celle par arbre binaire semble plus adapte
notre problme et permet de rcuprer 16 000 lignes parmi 460 000 000 en 0,5 seconde en
1. Il na pas t possible de vrifier cette hypothse parce quil aurait fallu dpouiller tous les fichiers
journaux de tous les serveurs ainsi que des baies de brassages.
98 Thse B. CANNELLE
6.3. Conclusion
Figure 6.3 Influence du temps de renvoi des requtes en fonction du type dindexation.
moyenne.
6.3 Conclusion
Le couplage systme de fichiers / base de donnes est adapt notre problmatique. Il
permet de connatre les caractristiques propres chaque image en des temps trs courts
tout en tant capable deffectuer des requtes complexes sur des centaines de milliers de
mesures images.
Aprs avoir mis en place les moyens ncessaires, la fois matriels et logiciels, nous
allons tudier le mcanisme de la compensation par faisceaux de manire dtaille.
Thse B. CANNELLE 99
Chapitre 6. Gestion des mesures en base de donnes pour un passage
lchelle
Chapitre 7
Mthodologie et outils
Dans ce chapitre, nous allons nous intresser la compensation par faisceaux Lin-
trt de la mthode sera dcrite, puis la formulation mathmatique sera prsente. Des
exprimentations sont ensuite prsentes afin de valider et de quantifier la mthode.
x
.
Figure 7.1 Principe de la compensation par faisceaux. Les mesures images sur les
points sont reprsentes par des segments, les poses des panoramiques par les vhicule,
les points homologues par des . et les points dappui par des x.
Le principal intrt de la compensation par faisceaux est damliorer dune part la pose
des panoramiques et, dautre part, de limiter le nombre de points dappui ncessaires pour
obtenir un gorfrencement prcis. En effet, ces points savrent onreux produire car
ncessitent la mobilisation dune quipe de topographes et des moyens matriels cons-
quents. Afin de limiter le nombre de points dappui, les panoramiques sont relies entres
elles par des points homologues (cf chapitre prcdent) dont les coordonnes 3D sont d-
termines dans le processus de compensation par faisceaux. A titre dexemple, la figure
7.2 prsente le rsultat dune compensation par faisceaux ralise avec 20 panoramiques,
5267 points homologues et 22 points dappui.
Figure 7.2 Illustration de la compensation par faisceaux. En rouge, les points dappui,
en blanc, les points homologues. Le modle 3D textur ne sert que dillustration.
Les premiers types dinconnues sont ceux concernant la position et lorientation des
camras sur le vhicule : Tcam,ste et Rcam,ste dans lquation 1. Ces donnes peuvent tre
considres comme inconnues, dans ce cas, la calibration est recalcule (cf chapitre 4).
Sinon la calibration peut avoir dj t ralise lors dun prcdent chantier, dans ce cas
l, elle nest pas considre comme inconnue ( et napparat donc pas dans le systme
dquation. La solution initiale est fournie par les plans ou par une calibration prcdente
dans le cas dun nouveau calcul de calibration.
Ensuite, il y a ceux concernant la position et lorientation du vhicule par rapport au
terrain : Tste,ter et Rste,ter dans lquation 1. La solution initiale est fournie par le systme
de positionnement.
Enfin il y a les inconnues de positions de points homologues, dappui ou de contrle,
Mter dans lquation 1. Ces trois types de points jouent un rle diffrent dans le processus :
points homologues : leurs coordonnes approches sont calcules en utilisant linter-
section de faisceaux dcrite dans lannexe C.
points dappui : leurs coordonnes sont dj dtermines dans le systme terrain et ne
ncessitent pas de calculs de coordonnes approches.
points de contrle : leurs coordonnes, bien que connues dans le systme terrain, voient
leurs coordonnes approches recalcules avant le dbut du calcul. En effet, les points
de contrle sont considrs comme points homologues dans tout le processus. Lcart
de position entre la "vraie" position et celle dtermine la fin du calcul est un
indicateur de la qualit de la compensation.
X= [Tcam,ste i, Rcam,ste i]N bCam
i=0 , [Tste,ter j, Rste,ter j]N bP ano
j=0 , [Mter k]N bP ts
k=0 (1)
la formule image : elle permet de lier les diffrents type de points aux images prises
par la camra i de la panoramique j. Cette formule est tablie au 4
c cP P A Rstej ,cami Rter,stej Mter Rcami ,stej Scami + Tstej ,ter
= pi t
l i,j
lP P A i kR ste j ,cam i
R ter,ste j
M ter R cam i ,ste j
S cam i
+ T ste j ,ter
m =fi,j (Mter )
(2)
le point dappui : un point dappui est un point dont les coordonnes sont connues
dans le systme terrain Mter,connue avec une prcision .
dfi,j (Mter , X)
dX = m fi,j (Mter , XN )
dX XN
XN +1 = XN + dX (6)
M3
. M4
.
Configuration terrain
6 7 8
9 10
P1 P2 P3
3 4 5
1 2
.
M2
.
M1
Inconnues
P1 P 2 P3 M 1 M 2 M 3 M 4 C g C d
1
3
6
Matrice des observations
Formule Image
2
4
Observations
7
9
5
8
10
Pts dappui
Inconnues Observations
Panoramique Tste,ter j Rste,ter j Formule image (2 par mesures)
Points Mk Points dappui (3 par points)
Camras Tcam,ste i Rcam,ste i Contraintes entre Pano (dpend
du type de contrainte)
Rangement Filtrage
Rsolution
Mise jour des inconnues res < s Mise jour des rsidus
et
Non Non
N biter < n
Oui
Rsultats
Panoramique Tste,ter j Rste,ter j
Points Mk
Camras Tcam,ste i Rcam,ste i
celles utilisant la formule image, qui lie un point dappui sa position dans limage pour
une camra et une pose du vhicule (534 mesures, soit 1068 observations, 2 par mesures).
Il y a aussi celles concernant les points dappui au nombre de 231 soit 693 observations
supplmentaires. La phase de filtrage est inexistante car les mesures sont ralises ma-
nuellement. La phase de rarrangement napporte pas de rduction significative du temps
de calcul qui est infrieure la seconde pour une vingtaine ditration. Concernant les
rsidus, ils taient suprieurs 10 pixels avant calculs, pour diminuer autour de 0,49 pixel
la fin du processus.
7.4.b Relvement
La procdure de relvement, qui sera prsente au 8.1 {page 113} avec seulement 3
points comporte 15 inconnues : 6 pour la panoramique et 9 pour les points dappui (3 par
points). Ce processus comporte 15 observations : 6 pour les mesures images (2 observations
par mesure par point) et 9 pour les points dappui. L encore, la phase de filtrage est
inexistante parce que les mesures sont ralises manuellement. La phase de rarrangement
ici est totalement inutile devant le faible nombre dinconnues et dobservations. Le nombre
ditration est infrieur 5 pour un temps de calcul infrieur au dixime de seconde.
7.5 Conclusion
Dans ce chapitre nous avons dtaill le processus de compensation par faisceaux, trop
souvent jug comme acquis et simple dans la littrature mais qui ncessite une succession
dtapes importantes que nous avons jug utile de rappeler.
La partie suivante prsente plusieurs techniques utilisant le principe de la compensa-
tion par faisceaux qui permettent de recaler aussi bien en relatif comme en absolu des
donnes acquises par un vhicule de cartographie mobile.
Le dernier chapitre (chapitre 11) rcapitule les diffrentes mthodes et permet didenti-
fier la meilleure en fonction : des besoins, des donnes disponibles et des prcisions internes
et absolues souhaites.
Chapitre 8
8.1 Relvement
Cette premire mthode permet de positionner le vhicule avec une prcision centim-
trique en absolu (i.e., par rapport au terrain) sur des points spcifiques mesurs par des
gomtres ou par repiquage sur un plan ou une base de donnes topomtrique.
Nous allons tout dabord prsenter son fonctionnement, puis sa formalisation math-
matique. Enfin, les rsultats sur les exprimentations seront discuts.
8.1.a Principe
Cette procdure consiste dterminer la position et lorientation du vhicule en utili-
sant des points connus la fois dans le systme terrain et dans les images (cf figure 8.1).
Le terme de relvement a t choisi par analogie avec la procdure photogrammtrique qui
consiste dterminer la position et lorientation dune image grce des points connus.
Points dappui
Relvement Pose du Vhicule
Mesures images
la mise en cohrence de donnes issues de station terrestre laser avec des images.
Les points connus peuvent tre des cibles mais aussi des points naturels facilement
mesurables et sur le terrain et dans limage (joints de pierre, marquages au sol, balcons,
etc...).
La diffrence avec les algorithmes de relvement classique vient du fait que les mesures
sur les points dappui peuvent tre faites sur nimporte quelle camra.
N
2
ck
s= arg min fi,j (Mk ) (1)
lk
[Tgrd,ste ,Rgrd,ste ] k i,j
Effectue par un oprateur humain, cette mthode lavantage dtre robuste, extr-
mement simple et rapide mettre en oeuvre : le risque de faute dans les mesures est
minime.
Cas de divergences Dans 71 cas (10%), le systme ne converge pas. Ces cas de diver-
gence se produisent lorsque les points dappui sont aligns (cf figure 8.3.a). En effet, avec
3 points aligns, plusieurs solutions mathmatiques sont possibles, donc le systme ne
x x
x
(a) (b) (c)
peut pas converger. Si la prcision fournie par le systme de positionnement tait fiable,
elle pourrait tre intgre dans le calcul et il ny aurait pas de divergence. Malheureuse-
ment ce nest pas notre cas (cf sous-section 2.4.a.ii {page 19}). Dans des conditions relles
dacquisition, il faut donc prendre garde viter cette configuration.
Cas de convergence optimaux Dans les 93% des relvements qui convergent mieux
que 5 cm, prs de 50% convergent mieux que le centimtre. Lhistogramme du nombre
de solutions par rapport la distance en planimtrie est prsent sur la figure 8.4.a et
lhistogramme du nombre de solutions par rapport la distance en altimtrie est prsent
sur la figure 8.4.b. Pour que les cas de convergence soient optimaux, il faut que langle
form par les points dappui et la panoramique soit suprieur 20 degrs.
8.1.d Conclusion
Le processus de relvement est facile mettre en oeuvre et permet datteindre une
prcision centimtrique lorsque les points dappui sont correctement rpartis : non aligns
et angle avec le vhicule mieux que 20 degrs. La figure 8.5 prsente un cas concret
Nombre de Relvements
500
400
Nombre de Relvements
300 300
200 200
100 100
012345 10 15 012345 10
Distance XY la position de ref. (en cm) Distance selon Z la position(cm)
(a) (b)
(a) (b)
8.2.a Principe
Daprs les spcifications et nos constatations (cf. section 2.4.a.ii {page 19} et section
2.2.d {page 14}), la drive du systme de positionnement est faible (infrieure au cm) sur
un intervalle de temps relativement court (quelques secondes). La trajectoire peut tre
considre comme une succession de positions et dorientations dont lcart entre chaque
pose est mesur par le systme de positionnement de faon fiable. Cela se rsume une
chane dont les maillons sont les panoramiques. La figure 8.6 illustre le principe de la
gestion de trajectoire.
Modle de Trajectoire
Gestion de Panoramiques
trajectoire recales
Panoramiques releves
sur points dappui
Les incertitudes fournies par le systme de positionnement ntant pas fiables (cf. sous-
section 2.4.a.ii {page 19} ), nous pondrerons chaque maillon de la chane de manire
identique. Dans le cas contraire, le systme dquations devrait alors tre pondr en
tenant compte de ces incertitudes.
8.2.c Applications
Cette formulation ne peut pas tre utilise indpendamment. Elle permet seulement
de conserver la forme de la trajectoire.
Voici deux cas dutilisations possibles :
recaler une trajectoire en fixant une panoramique (par relvement par exemple) (cf
figure 8.7.a). Toutes les panoramiques sont dcales dune mme translation.
contraindre une trajectoire en fixant deux panoramiques (cf figure 8.7.b). La rpar-
tition des carts se fait alors de manire homogne sur toutes les panoramiques.
Cette dernire mthode est prsente dans la section suivante.
Avant Aprs
(a)
(b)
8.3.a Principe
Une application possible pour le recalage en absolu consiste effectuer quelques re-
lvements de panoramiques le long dune trajectoire puis de recaler la trajectoire en la
contraignant sur ces panoramiques de passage. Le schma 8.8 prsente le principe de
lalgorithme.
Trajectoire
Panoramiques
Panoramiques Gestion de
Panoramiques Relvement recales en
recales trajectoire
absolu
8.3.b Rsultats
Afin de vrifier la validit et la prcision de notre processus, nous avons choisi une
zone urbaine sur une boucle (2 passages faits par le vhicule). Nous avons 2 zones avec
des points dappui (A et B sur la figure 8.9). Les positions des panoramiques qui nous
servent de rfrence sont les positions dtermines par relvement de manire individuelle.
Figure 8.9 Trajectoire pour lexprimentation (en rouge). Les panoramiques calcules
par relvement sont en bleu et les panoramiques de contrle sont en noir.
Nous avons lanc notre algorithme en utilisant successivement les zones en appui et
en contrle. Le tableau 8.1 prsente les diffrents rsultats sur les jeux tests. A1 , B1 , A2 ,
B2 et A3 sont respectivement les passages aux points A et B a lissue des 2 tours.
Table 8.1 carts de positions sur les points de contrle. La premire colonne permet de
spcifier les panoramiques releves en appui (gris). Les poses des panoramiques utilises
en contrle (vert) sont estimes dans notre processus. Les valeurs entre parenthses sont
les carts (en mtre) entre la position estime par notre processus et celle calcule par
relvement (centimtrique). Les valeurs en % sont le gain de prcision entre la position
sans recalage et celle estime par notre processus.
La premire constatation concerne la solution initiale : elle peut tre loigne de plus
de 2 mtres, ce qui est trs important (1ere ligne du tableau).
Dans tous les cas, les zones de contrle avant et aprs une panoramique fixe ont
une amlioration de positionnement denviron 50%, except la dernire position. Cette
position tait la plus prcise par rapport la solution initiale. En voulant amliorer le
positionnement des autres panoramiques, on a dgrad cette position. Plus on sloigne
de la panoramique fixe, moins lamlioration est visible.
Le principal inconvnient de cette mthode est le nombre de points dappui ncessaires
(au moins 3 par panoramique releve). En effet, ceux-ci sont trs coteux produire :
quipe envoyer sur le terrain et techniques de positionnement prcis mettre en oeuvre.
Un second inconvnient est la prcision, qui est dcimtrique, alors que les relvements ont
une prcision centimtrique. Le dernier inconvnient est quil nest pas possible de prvoir
la prcision finale de notre algorithme : nous ne pouvons pas utiliser lincertitude donne
par le systme de positionnement qui nest pas fiable. La figure 8.10 reprsente lerreur
de positionnement dune panoramique en fonction de la distance une panoramique
releve. On constate quil ny a aucune fonction mathmatique qui permet de dterminer
la prcision de positionnement en fonction de la distance une panoramique connue.
Erreur (en m)
2 ..
.. . .
1 . .
... .. .
.
Distance une panoramique releve (en km)
1 2
A cause de ces difficults, nous avons dvelopp des mthodes permettant damliorer
la prcision relative. Celles-ci sont explicites dans les chapitres suivants.
Chapitre 9
Recalage multi-passages de la
trajectoire
Lors dune acquisition, il est frquent que le vhicule passe plusieurs fois au mme
endroit. Nous pouvons donc amliorer la trajectographie relative sur ces zones de recou-
vrement en recalant nos donnes images.
La premire section prsente le recalage lors de passages multiples sur une mme zone,
une intersection par exemple. La seconde explicite la fabrication et la gestion du graphe
de panoramiques qui permet de lier les panoramiques les unes aux autres. Enfin, une
section dexprimentations et de validations des rsultats sera prsente.
Lors de passages multiples dans une mme zone, des carts importants peuvent tre
constats cause des drives du systme de positionnement qui sont dpendantes de
la constellation GNSS et de la dure des masques (cf 2.4.a.ii {page 19}). Il faut donc
dvelopper une mthode de recalage capable de pallier ces carts sinon cela provoque des
anomalies dans la gnration de produits en aval : nuages lasers entre deux passages non
cohrents, dfauts de textures : raccords entre images imparfaits etc.
Nous prsentons ici plusieurs stratgies pouvant tre mises en place dans le cas de
passages multiples sur une mme zone (intersections, rue parcourue plusieurs fois). Le
but est de dterminer la stratgie la plus simple, rapide et surtout fiable afin de recaler les
donnes. Cette mthode doit tre automatique avec des paramtrages pouvant tre utili-
ss pour le plus grand nombre de cas possibles afin de pouvoir travailler sur des chantiers
de grandes tailles (plusieurs kilomtres dacquisitions avec plusieurs centaines dintersec-
tions). Nous avons volontairement restreint le nombre de panoramiques recaler quatre
(deux conscutives deux instants distincts). Un plus grand nombre de panoramiques en-
tranerait des stratgies beaucoup plus complexes mettre en place, qui sont explicites
dans la partie III {page 81} tandis quun nombre plus restreint ne permet pas de mettre
en place des stratgies fiables et efficaces.
(a) (b)
Figure 9.1 Recalage 3D/3D. (a) Passages multiples dans une mme rue. (b) Passages
une intersection.
Les figures 9.2 et 9.3 prsentent les rsidus issus du processus de recalage 3D/3D pour
les deux jeux de donnes. En bleu et en vert sont reprsents chacun des couples de pano-
ramiques issues des deux acquisitions (une couleur par couple). En gris sont reprsents
les rsidus sur chacun des points 3D aprs estimation de la transformation rigide entre les
deux jeux de coordonnes. Pour ces cas dutilisations, nous avons volontairement limin
les erreurs (manuellement) dans lappariement 3D. La prcision des mesures est meilleure
que le pixel.
2 .
1,5 .
1
..
..
0 ..
2 ..
4 -1 .
6 -1,5
Rsidus (en mtre) dans le plan (OXY) Rsidus (en mtre) selon (0Z)
Dans la figure 9.2, les deux couples sont dans la mme direction et on constate que
les rsidus sur les points le sont aussi. En effet, les coordonnes des points sont calcules
par intersections de faisceaux avec la technique prsente dans lannexe C {page 179}.
Pour des faisceaux quasi parallles, lintersection est difficile estimer de faon fiable et
lerreur de positionnement du point se trouve principalement dans laxe des deux faisceaux.
Cela signifie quun lger cart sur les mesures et/ou sur la pose du vhicule entranera
des dfauts de positionnement des points en 3D pouvant tre trs importants (plusieurs
mtres) ce qui ne permet pas de calculer de manire fiable une transformation. On constate
aussi que les rsidus sont en majorit plus importants que le mtre (de 2 6 m).
1 .
.
.
...
0 ..
..
1
2 -1
Rsidus (en mtre) dans le plan (OXY) Rsidus (en mtre) selon (0Z)
Pour le second cas (figure 9.3), les rsidus aprs calculs sont rpartis de manire plus
homogne. En effet, les couples nayant pas la mme direction, les incertitudes de posi-
tionnement des points ne sont pas dans la mme direction ce qui se traduit aprs com-
pensation par un champ de rsidus alatoire. L encore, les rsidus sur les points peuvent
tre mtriques.
Dans les deux exemples que nous avons prsents, nous avons constat que cette tech-
nique ne pouvait pas tre utilise, malgr labsence derreurs dappariement, cause prin-
cipalement de lincertitude de positionnement sur lintersection des faisceaux. Les rsidus
sur les points tant mtrique (aussi bien sur des points loin ou proche des camras), la
position relative des panoramiques nest pas assure.
On aurait pu utiliser les paires stroscopiques avant et arrire en extrayant des points
homologues directement en 3D, mais l encore, lintersection des faisceaux est mal d-
termine. Ensuite, les paires stroscopiques nimagent que les parties avant et arrire.
Hors, lors de changement de trajectoire, il arrive quil ny ait pas de recouvrement entre
les diffrentes poses du vhicule entre les paires stroscopiques.
Pour pallier ce problme, nous avons choisi de dvelopper notre propre mthode qui
est explicite dans la section suivante. Elle exploite la panoramique, qui permet dimager
tout ce quil y a autour du vhicule, et ainsi, garantit du recouvrement entre diffrentes
poses quelle que soit lorientation du vhicule.
extraire des points homologues intra et inter couples (le choix dextraction et dap-
pariement de points est argument dans le chapitre 5),
compenser la position des points, la position relative des couples et les mesures
images dans un mme processus.
Pano A
Couple 1
Pano B
SIFT Appariement Points
Pano C
Couple 2
Pano D
Poses Relatives
Recalage dIntersection
des Panoramiques
Nous avons volontairement limit le nombre dimages 4 (2x2) parce quun nombre
dimages plus lev ncessite des stratgies plus complexes : appariement de points triples
ou plus, dtection de fautes plus complexes, choix des points homologues entre deux
acquisitions non conscutives non triviales. Le problme est la fois plus simple et plus
rapide en ne considrant que deux paires de couples.
Notre processus comporte diffrentes quations (cf. quation 1). Les quations 1.a1 et
1.a2 servent stabiliser notre systme dquations en fixant le premier couple compos
des panoramiques A et B. SA (resp. SB ) tant la position de la panoramique A (resp. B)
litration courante et SA,ini (resp. SB,ini ) sa position issue du systme de positionnement.
Lquation 1.b permet de rigidifier le deuxime couple constitu des panoramiques C et D
durant le calcul du recalage. La valeur de , translation entre les deux panoramiques, est
celle mesure par le systme de positionnement. Lquation 1.c correspond aux mesures
pour chaque point homologue. Pour un point homologue, quatre quations dobservations
sont poses. Elles correspondent la mesure dun mme point mesur dans les quatre
panoramiques.
SA = SA,ini (a1 )
SB = SB,ini (a2 )
SD SC = S CD (b) (1)
N m ck
k=0 fi,j (Mk ) = lk i,j
(c)
Afin dliminer les erreurs dappariement qui peuvent se produire, nous avons dve-
lopp un algorithme comportant plusieurs paramtres :
deux seuils smax et smin qui permettent dliminer les mesures errones. Le premier
pour liminer les erreurs grossires avant le calcul et un second pour liminer les
mesures errones durant le processus.
un nombre ditrations maximum afin dviter la non convergence dun calcul
cause dun trop grand nombre derreurs.
9.1.b.iv Exprimentations
Afin de tester la sensibilit et la fiabilit de notre algorithme, nous avons ralis plu-
sieurs exprimentations. La premire consiste tester la sensibilit aux seuils smax et smin .
La seconde consiste tudier linfluence de la calibration sur le processus et le dernier est
un test de fiabilit sur un grand nombre de cas.
Nb de mesures actives
700
600
500
400 Rsidus image (en pixel)
300
200 2
100 1
0 0
25 20 15 10 5 25 20 15 10 5
Seuil minimum (pixels) Seuil minimum (pixels)
(a) (b)
Figure 9.5 Influence de la valeur du seuil minimum sur le module 2x2. En vert, avec
le jeu de donnes 1 et en bleu, avec le jeu de donnes 2. (a) Nombres de mesures valides
en fonction du seuil minimum et (b) valeurs des rsidus (en pixel) en fonction du seuil
minimum.
Le comportement le plus intressant noter est que linfluence du seuil devient im-
portant lorsquil est infrieur 5 pixels. Cela sexplique par le fait que notre processus de
slection (chaque point doit tre vu dans les 4 images) permet dliminer un maximum
de fautes avant mme la compensation.
Le tableau 9.1 prsente le nombre de mesures fausses encore actives et le nombre de
mesures correctes limines en fonction du seuil bas. Il permet de fixer la valeur du seuil
choisi. 3 pixels, peu derreurs sont conserves dans le calcul et peu de mesures correctes
sont limines.
Influence de la Calibration Nous avons test les calculs en ne tenant pas compte de
la calibration du vhicule afin de vrifier la convergence et linfluence de la calibration.
Les rsultats sont prsents sur la figure 9.6. On constate que le processus converge vers la
mme solution quelques centimtres prs (cf figure 9.6.a). Le nombre de mesures valides
(cf figure 9.6.b) est un peu plus faible (la calibration tant moins prcise, les rsidus
images sont plus importants) mais suffisants (plus de 600 mesures), tandis que les rsidus
sur les mesures sont un peu plus levs (2 pixels, selon la figure 9.6.c). La position relative
Exemple 1 : Exemple 2 :
passages multi-temporels intersection
Seuil (pix.) Mes. fausses Mes. vraies Mes. fausses Mes. vraies
Actives Inactives Actives Inactives
1 6 110 1 26
2 8 17 2 18
3 7 10 4 5
4 9 1 3 3
5 9 1 2 4
6 10 5 2 2
7 10 2 2 0
Table 9.1 Statistiques sur les mesures la fin du processus 2x2 en fonction du seuil
minimum.
des camras ntant pas prcise, cela se traduit par des incertitudes plus grandes sur les
faisceaux.
Notre algorithme, bien quinitialement dvelopp pour un vhicule calibr, converge
mme lorsque le dispositif ne lest pas. On pourra effectuer un recalage, certes moins prcis,
mais suffisant, pour une mise en cohrence des donnes plus prcise que celle fournit par
le systme de positionnement.
700
600
500
400 2
300
200 1
100
0 0
1 cm 25 20 15 10 5 25 20 15 10 5
(a) (b) (c)
Figure 9.6 Influence de la calibration sur le processus de recalage. (a) cart de posi-
tionnement entre le vhicule calibr (en vert) et non calibr (en rouge), (b) nombre de
mesures valides durant le processus et (c) rsidus sur les mesures images en fonction du
seuil dlimination des fautes
Passage lchelle Les configurations o le vhicule passe plusieurs fois au mme en-
droit sont nombreuses lors dune acquisition traditionnelle (passages multiples aux carre-
fours et obligation de repasser plusieurs fois dans les mmes rues cause de sens uniques).
Nous avons test notre algorithme sur plus de 100 000 intersections potentielles 1 pour d-
finir des critres de convergence. Les rsidus chaque itration doivent diminuer et plus
de 20 mesures doivent tre actives la fin du processus pour garantir suffisamment de
redondance pour le calcul. Avec ces critres, plus de 70 % des calculs ont converg. Pour
les 30% restants, il y a 3 causes possibles de divergence :
1. Le choix des intersections est dtaill en sous-section 9.2.a {page 129}
Nombre de calculs
12000
11000
10000
9000
8000
7000
6000
5000
4000
3000
2000
1000
0 500 1000 1500 2000 2500 3000 3500 4000 4500
Nombre de points actifs aprs calculs
Un autre critre intressant observer est le nombre de mesures actives conserves par
rapport aux nombres de mesures initiales (cf histogramme 9.8) qui est largement suprieur
80%. Il sexplique par le fait quil ne reste que trs peu derreurs.
9.1.c Conclusion
La meilleure solution pour effectuer un recalage de faon fiable et rapide est dutiliser
lalgorithme que nous avons dvelopp. Il est performant, facile paramtrer, et fonctionne
mme lorsque le dispositif nest pas calibr. Ainsi, il sera utilis pour chaque recalage
effectuer aux intersections.
Nombre de calculs
12000
10000
8000
6000
4000
2000
0 10 20 30 40 50 60 70 80 90 100
Ratio du nombre de points actifs aprs calculs sur le nombre de points total
2. Caractristiques dtermines pour chaque acquisition. Ces donnes correspondent aux caractris-
tiques des chantiers utiliss durant cette thse.
(a) (b)
Figure 9.9 Stratgies possibles pour la cration du graphe de panoramiques. (a) Graphe
bas uniquement sur la distance entre panoramiques. (b) Graphe bas sur une triangula-
tion et un critre de distance.
identifi une autre stratgie possible : lutilisation dAlpha Shape, qui permet la trian-
gulation et la classification les artes. Cette stratgie est dtaille dans la sous-section
suivante.
(a) (b)
Figure 9.10 Algorithme dAlpha Shape (source : [Da et Yvinec, 2012]). (a) Donnes
initiales et (b) rsultat de lalgorithme.
une arte appartient lAlpha Shape si sa longueur est plus petite que 2,
une face appartient lAlpha Shape si le rayon du cercle circonscrit est plus petit
que ,
une ttradre appartient lAlpha Shape si le rayon de la sphre circonscrite est
plus petite que .
Une fois cette classification binaire faite, on peut laffiner en triant les artes suivant
4 catgories :
extrieure : larte nappartient pas lAlpha Shape,
intrieure : larte appartient lAlpha Shape et toutes les faces la contenant ap-
partiennent lAlpha Shape,
vhicule est pass : un petit ne permet pas de relier ensemble des rues voisines. La zone
3 reprsente deux routes passant lune au dessus de lautre : un trop grand les relie alors
quil nexiste aucun lien entres elles dans la ralit.
(en m) Zone 1 Zone 2 Zone 3
15
22
Lalgorithme dAlpha Shape utilise des distances euclidiennes. Seulement, les distances
dappariement en planimtrie et en altimtrie nont pas les mmes valeurs de seuils pour
. Nous devons donc dans un premier temps changer de repre de travail et appliquer
un coefficient de dilatation sur la troisime composante. Ce facteur sobtient simplement
en faisant le rapport des distances maximales pour lesquelles nous voulons joindre les
panoramiques (cf. quation 2). XYmax reprsente la plus grande distance entre 2 panora-
miques successives (dpend directement de lacquisition) et Zmax reprsente la diffrence
de hauteur entre deux panoramiques Dans notre cas, ce facteur dchelle (eZ ) a pour
valeur 5.
Le systme dquations peut tre vu comme un graphe dont les inconnues sont les
sommets et les observations (trajectoire, contraintes relatives et absolues) sont les artes.
La figure 9.13 illustre une acquisition de 20 panoramiques (a,b,...,t) avec des liens entre
les panoramiques le long de la trajectoire mais aussi aux intersections.
q o
r n
a b c d e f g
s m
t l
k j i
Figure 9.13 Exemple de graphe de panoramiques. Chaque lettre reprsente une pano-
ramique et une arte signifie que les panoramiques ont des dtails communs.
9.2.c.iii Comparaisons
En utilisant le graphe de la figure 9.13, on peut visualiser leffet des diffrents al-
gorithmes sur la structure de la matrice normale. La figure 9.14.a prsente la matrice
dadjacence sans rorganisation, la figure 9.14.b prsente la matrice dadjacence aprs
rangement grce lalgorithme de Cuthill-McKee et la figure 9.14.c aprs rangement
grce lalgorithme de Sloan. On constate que les effets du rangement sont similaires :
les coefficients sont regroups le long de la diagonale.
a b c d e f g h i j k l mn o p q r s t
(a)
t q a p s r b o c n d me l f k g j h i g k f h i j l emn d o p q t c r s b a
(b) (c)
Figure 9.14 Influence de la rorganisation des sommets sur la matrice normale. (a)
Sans renumrotation, (b) algorithme de Cuthill-McKee et (c) algorithme de Sloan.
Aprs avoir prsent et visualis les diffrents algorithmes, nous examinons maintenant
les temps de calcul de la rorganisation et de la rsolution du systme mathmatique. La
librairie mathmatique utilise durant cette thse est Eigen [Guennebaud et al., 2010]. Les
rsultats prsents dans le tableau 9.2 sont valables pour lassociation du rangement et de
la rsolution du systme dquations. La taille de notre systme est de 267 798 inconnues.
Sans rangement, lordinateur utilis navait pas assez de mmoire (4 Go) pour le r-
soudre tandis quavec les deux algorithmes tests le systme est rsolu et dans un laps de
temps trs court (2 diximes de seconde). Lalgorithme de Sloan est plus lent que celui de
Cuthill-McKee (trois fois) mais son temps de calcul est infrieur la seconde ce qui est
largement suffisant pour nos applications.
9.2.c.iv Conclusion
(a) (b)
(c)
Figure 9.15 tapes de lalgorithme pour calculer le recalage relatif. (a) Alpha Shape
initiale. (b) Identification des composantes connexes du sous-graphe ne contenant que les
artes de type intrieure et normale. (c) Identification des zones de recalage.
(cf. figure 9.15.c, en vert). Si le tronon est grand, on effectue un recalage tous les dcons
panoramiques avec les autres (cf. figure 9.15.c, en bleu).
Le schma global de notre algorithme est dcrit dans lalgorithme 9.3.
Nb de couples
80 000
70 000
60 000
50 000
40 000
30 000
20 000
10 000
10 20 30 40 50 60 70 80 90
Intervalle entre couples dcons (mtres)
Figure 9.16 Nombre de recalage 2x2 calculer en fonction de la distance entre pano-
ramiques.
Dans la suite de notre expos, diffrents paramtres vont tre tests. Afin dvaluer nos
rsultats, nous avons effectu 4 218 mesures manuelles dans des images sur les passages
pitons (objets facilement mesurables dans limage et sur le terrain). Ces mesures sont
de contrle et ne sont donc pas utilises dans le calcul et ne servent qu lvaluation de
notre algorithme posteriori.
Voici quelques chiffres significatifs pour analyser les rsidus images. Un rsidu image
de 10 pixels correspond :
une erreur de rotation de 0,4 degr,
une erreur en translation de 3,5 cm pour un objet 5 m,
une erreur en translation de 7 cm pour un objet 10 m
Pour le recalage, nous utilisons deux systmes dquations distinctes (quations rela-
tives la trajectoire et quations relatives aux recalages intermdiaires) que nous minimi-
sons dans le mme systme mathmatique. Il faut aussi dterminer la pondration relative
entre ces systmes. Pour cela, nous avons lanc notre algorithme avec diffrentes pond-
rations et nous avons slectionn le meilleur jeu de paramtres en fonction des rsultats.
Le tableau 9.3 prsente les rsultats des diffrents calculs.
On constate quun ratio trop important dans un sens ou dans lautre entrane des
rsidus images importants. Par contre la valeur du paramtre nest pas trs sensible. Par
exemple entre 0,01 et 1, les rsidus images naugmentent que de 2 pixels ce qui nest pas
trop important. Le ratio que nous avons retenu est 0,1 qui est le meilleur compromis.
Une fois le meilleur ratio intersection/trajectoire trouv, il reste dterminer la dis-
tance entre chaque intersection optimale. Pour cela nous avons examin les rsidus images
en fonction de diffrents intervalles de distance. Le tableau 9.4 prsente les diffrents r-
sultats.
Table 9.4 Rsidus sur les points de controle aprs recalage en fonction de la distance
entre panoramiques (en pixels).
La premire chose est que, quelle que soit la distance choisie, notre processus est utile
et permet de mettre en cohrence nos donnes. En effet, un facteur 3 est gagn sur la
moyenne des rsidus et un facteur 5 sur lcart-type.
Une seconde remarque concerne limpact de la distance. Une distance courte, comprise
entre 3 et 5 mtres, a des rsidus un peu plus levs quune distance moyenne parce quil
ny a pas de vrification de cohrence entre les recalages relatifs. Une distance longue a
des rsidus un peu plus levs quune distance moyenne.
Nous avons donc choisi dutiliser la distance de 15 mtres.
9.4.b Rsultats
La figure 9.17 prsente la zone de 6 cas dtudes dont les rsultats sont prsents dans
le tableau 9.5.
f
d
e
a c
Figure 9.17 Zones dtudes choisies pour tester notre algorithme de recalage.
Le tableau 9.5 reprsente les rsultats de notre algorithme sur 6 zones du XIIe qui ont
t choisies parce que le vhicule est pass de nombreuses reprises. Pour chacun des cas,
notre algorithme a permis de remettre en cohrences les passages successifs sur une mme
zone.
9.5 Conclusion
Dans ce chapitre, nous avons non seulement prsent une mthode de recalage en
relatif qui permet de mettre en cohrence aussi bien des donnes dune mme trajectoire
que de diffrentes. Elle est fiable et ncessite peu de paramtres. Le choix de ceux-ci ne
prsente pas une grande sensibilit ce qui en fait une mthode robuste.
Table 9.5 carts en altitude entre les diffrentes trajectoires pour chaque zone (prsen-
te sur la figure 9.17. En abscisse : distance la zone considre. En ordonne : diffrence
daltitude entre les passages.
Chapitre 10
10.1.a Principe
Le principe de la mthode est dutiliser le relvement et la gestion de trajectoire dans
le mme processus. Le schma 10.2 explique cette solution.
Trajectoire
Panoramiques
Panoramiques Gestion de
Panoramiques Relvement recales en
recales trajectoire
absolu
Recalage d
Intersection
10.1.b Rsultats
En utilisant les mmes donnes que dans la sous section 8.3.b {page 119}, nous avons
utilis notre algorithme successivement en fixant les zones en appui et en contrle. Le
tableau 8.1 prsente les diffrents rsultats sur les jeux tests. La premire colonne permet
de spcifier les panoramiques releves en appui (gris) et celles utilises en contrle (vert).
10.2.a Principe
Le principal inconvnient des mthodes prcdentes est le calcul du relvement qui
ncessite au minimum 3 points par panoramique. En utilisant les mesures image plutt
que le relvement, 3 points dappui par panoramique ne sont plus ncessaires. Les points
dappui peuvent tre rpartis le long dune ou plusieurs trajectoires et tre incorpors
dans la compensation. Le schma 10.2 explicite le processus.
Figure 10.2 Principe de lutilisation des mesures images pour le recalage en absolu.
10.2.b Rsultats
La figure 10.3 prsente notre zone dtude pour valider notre algorithme. Les points
bleus reprsentent les 45 000 panoramiques et les sept zones de vrits terrain sont re-
prsentes en jaune. Ces zones sont des passages pitons qui ont t mesurs avec une
prcision centimtrique. Chaque passage piton est constitu dune vingtaine de points.
22
14 9
8
20
7
Nous avons utilis notre algorithme sept fois, en prenant un des passages pitons en
contrle et les six autres en appui.
Deux variantes ont t ralises :
Variante 1 : les mesures images du passage piton de contrle ninterviennent pas dans
la compensation et les rsidus sont calculs en prenant les positions des panora-
miques aprs compensation.
Variante 2 : les mesures images du passage piton de contrle interviennent dans la
compensation, mais par leurs positions terrain qui sont dtermines dans le proces-
sus.
Le tableau 10.2 prsente les rsultats obtenus. Dans 70% des cas, nos deux algorithmes
amliorent la prcision de positionnement jusqu 40%. Par contre, pour les zones 7 et
8, nos algorithmes namliorent pas les rsultats. En tudiant ces 2 zones, on constate
quelles ne sont pas situes sur des intersections de trajectoires. Lalgorithme de recalage
na donc aucun effet.
La diffrence entre les algorithmes 1 et 2 est linclusion des mesures images dans la
compensation. Cela se constate dans le tableau 10.2 dans la colonne rsidus images : ils
sont plus faibles dans la variante 2, celle o les mesures sont inclues dans la compensation.
On constate aussi que cela une influence significative sur lcart-type en 3D. En effet,
pour toutes les zones, mme celles o la prcision en absolu est dgrade, lcart-type sur
les points est de lordre du centimtre.
Dans un contexte de production (restitution et/ou extraction de donnes), il est tout
fait envisageable deffectuer la saisie dobjets, puis deffectuer une phase de compensation
Table 10.2 Rsidus sur les zones de contrle terrain et image. Les zones sont celles
indiques sur la figure 10.3.
Chapitre 11
(a) (b)
Figure 11.1 Illustration de lintrt de recaler la trajectoire. (a) sans recalage et (b)
avec recalage.
11.2 Bilan
La principale faiblesse de toutes les mthodes prsentes prcdemment est la qualit
de la trajectoire fournie par le systme de positionnement. En effet, malgr les spcifica-
tions constructeurs, on constate que le systme peut driver fortement. Certains de ces
Table 11.1 Rcapitulatif des diffrentes techniques de recalages possibles. Relv. cor-
respond au processus de relvement, Traj. correspond la gestion de trajectoire, M.Ap.
correspond la mesure image sur des points dappui, 2 x 2 correspond au recalage 2x2
et M.Im. correspond la mesure image sur des points homologues dont les coordonnes
3D ne sont pas connues.
problmes, dus lalgorithme de calcul, sur lequel nous navons pas la main, peuvent
tre dtects lors dune phase de pr-traitement (utilisation de MNT par exemple) mais
dautres sont difficilement dtectables.
A cause de problmes de calcul de trajectoire qui empchent davoir une prcision
centimtrique, la stratgie qui consiste utiliser uniquement limage prsente dans la
partie III peut tre utilise.
Conclusion et perspectives
Chapitre 12
Conclusion
Dans cette thse, plusieurs lments sont des contributions pour la communaut. Le
premier concerne la calibration des capteurs la fois de manire individuelle, et aussi de
faon combines. Le second concerne une succession de mthodes de recalages pouvant
tre utilises de manires individuelles et/ou combines. Le dernier concerne la gestion de
gros volume de donnes.
Calibration des capteurs Cette thse dtaille deux processus pour calibrer un v-
hicule de cartographie mobile. Le premier ncessite lintervention dun oprateur et un
site ddi tandis que le second fonctionne avec une aquisition traditionnelle. Ces proces-
sus ont des prcisions quivalentes et peuvent tre utiliss indiffremment ou de manire
complmentaire (mesures sur points dappui + mesures homologues). Ils ont lavantage
dutiliser une mise en quation cohrente avec le dispositif de mesure sans approximation
ni simplification.
Gestion de gros Volumes de Donnes Dans la littrature, ce point est trs peu
abord. Beaucoup considre le passage lchelle comme un point non bloquant et facile
mettre en place. On peut citer [Agarwal et al., 2009] qui fait de la compensation par
faisceau avec des milliers dimages avec des ordinateurs de calculs de 32Go de RAM
(en 2009). Nous avons choisi de dvelopper des stratgies utilisables sur des ordinateurs
"traditionnels", sans architecture ni configuration particulires.
Chapitre 13
Perspectives
Dtection de
Navigation Inertielle
zones communes
Solution ltape i
Chantier
Bibliographie
Agapito, L., Hayman, E., Reid, I., 2001. Self-Calibration of Rotating and Zooming Ca-
meras. International Journal of Computer Vision 45 (2), 107127. Cit page 40
Agarwal, S., Snavely, N., Simon, I., Seitz, S. M., Szeliski, R., 2009. Building Rome in
a day. In : Proceedings of the Twelve International Conference on Computer Vision.
ICCV 09. IEEE Computer Society, pp. 7279. Cit page 151
Ahn, S., Schultes, M., 1997. A new circular coded target for the automation of photo-
grammetric 3D-surface measurements. In : Optical 3-D Measurement Techniques IV :
Applications in architecture, quality control, robotics, navigation, medical imaging and
animation. Zrich, Suisse, pp. 225234. Cit page 62
Alvarez, L., Gmez, L., Sendra, J. R., Sep. 2009. An Algebraic Approach to Lens Distor-
tion by Line Rectification. Journal of Mathematical Imaging and Vision 35 (1), 3650.
Cit page 39
Ameller, M.-A., Quan, L., Triggs, B., 2002. Le calcul de pose : de nouvelles mthodes
matricielles. In : Reconnaissance des Formes et Intelligence Artificielle. Vol. 1. Angers,
France, pp. 3947. Cit page 39
Anguelov, D., Dulong, C., Filip, D., Frueh, C., Lafon, S., Lyon, R., Ogale, A., Vincent, L.,
Weaver, J., 2010. Google Street View : Capturing the World at Street Level. Computer
43 (6), 3238. Cit pages 2, 5, 10 et 129
Arlicot, A., Soheilian, B., Paparoditis, N., 2009. Circular Road Sign Extraction from Street
Level Images using Colour, Shape and Texture Database Maps. International Archives
of Photogrammetry, Remote Sensing and Spatial Information Sciences XXXVIII (Part
3/W4), 205210. Cit page 14
Arya, S., Mount, D. M., Netanyahu, N. S., Silverman, R., Wu, A. Y., 1994. An Optimal
Algorithm for Approximate Nearest Neighbor Searching in Fixed Dimensions. In : Pro-
ceedings of the Fifth Annual ACM-SIAM Symposium on Discrete Algorithms. ACM,
pp. 573582. Cit page 87
Bay, H., Ess, A., Tuytelaars, T., van Gool, L., June 2008. Speeded-up Robust
Features (SURF). Computer Vision and Image Understanding 110 (3), 346359.
Cit pages 84 et 86
Bay, H., Tuytelaars, T., van Gool, L., 2006. Surf : Speeded up robust features. In : ECCV.
pp. 404417. Cit page 84
Bayer, R., 1971. Binary B-trees for virtual memory. In : Proceedings of the 1971 ACM
SIGFIDET (now SIGMOD) Workshop on Data Description, Access and Control. SIG-
FIDET 71. ACM, New York, NY, USA, pp. 219235. Cit page 97
Beardsley, P., Murray, D. W., 1992. Camera Calibration Using Vanishing Points. In :
BMVC. Leeds, Royaume-Uni. Cit page 40
Bnitez, S., Denis, E., Baillard, C., 2010. Automatic Production of Occlusion-Free Recti-
fied Facade Textures Using Vehicle-Based Imagery. In : Proc. of the ISPRS Commission
III PCVIA. Paris, France, pp. 275280. Cit page 2
Bentrah, O., Paparoditis, N., Pierrot-Deseilligny, M., 2004. Stereopolis : an image ba-
sed environments modeling system. In : International Symposium on Mobile Mapping
Technology. Kunming, Chine. Cit page 8
Bernardini, F., Bajaj, C. L., 1997. Sampling and Reconstructing Manifolds Using Alpha-
Shapes. In : Proceeedings of the Ninth Canadian Conference on Computational Geo-
metry. Cit page 130
Boser, B. E., Guyon, I. M., Vapnik, V. N., 1992. A training algorithm for optimal mar-
gin classifiers. In : Proceedings of the fifth annual ACM workshop on Computational
Learning Theory. ACM Press, pp. 144152. Cit page 93
Bradski, G., 2000. The OpenCV Library. Dr. Dobbs Journal of Software Tools.
Cit page 34
Breiman, L., 1984. Classification and regression trees. Wadsworth International Group,
Belmont, tats-Unis. Cit page 93
Breiman, L., Oct. 2001. Random Forests. Machine Learning 45 (1), 532. Cit page 93
Cannelle, B., Paparoditis, N., Boldo, D., Sep. 2010. Panorama-based camera calibration.
In : International Archives of Photogrammetry, Remote Sensing and Spatial Information
Sciences. Vol. XXXVIII (Part 3 A). pp. 7378. Cit page 41
Cannelle, B., Paparoditis, N., Papelard, J.-P., 2011. Calibration de camra par acquisition
de type panoramique. Revue Franaise de Photogrammtrie et de Tldtection 2 (194),
1624. Cit page 41
Caprile, B., Torre, V., 1990. Using vanishing points for camera calibration. International
Journal of Computer Vision 4, 127139. Cit page 40
Chang, C.-C., Lin, C.-J., May 2011. LIBSVM : A library for support vector ma-
chines. ACM Transactions on Intelligent Systems and Technology 2 (3), 27 :127 :27.
Cit page 93
Clarke, T. A., Fryer, J. G., 1998. The Development of Camera Calibration Methods and
Models. The Photogrammetric Record 16 (91), 5166. Cit page 31
Cormen, T. H., Stein, C., Rivest, R. L., Leiserson, C. E., 2001. Introduction to Algorithms,
2nd edition. McGraw-Hill Higher Education. Cit page 89
Cortes, C., Vapnik, V., Sep. 1995. Support-Vector Networks. Machine Learning 20 (3),
273297. Cit page 93
Craciun, D., 2010. Numrisation conjointe image/laser pour modlisation 3D des envi-
ronnements complexes construits ou habits. Thse de Doctorat, Telecom Paris Tech.
Cit page 53
Cramer, M., Stallmann, D., 2002. System Calibration for Direct Georeferencing.
In : ISPRS Comm. III Symposium Photogrammetric Computer Vision. pp. 913.
Cit page 56
Crowley, J. L., Parker, A. C., Feb. 1984. A Representation for Shape Based on Peaks
and Ridges in the Difference of Low-Pass Transform. IEEE Transactions on Pattern
Analysis and Machine Intelligence 6 (2), 156170. Cit pages 84 et 86
Cuthill, E., McKee, J., 1969. Reducing the bandwidth of sparse symmetric matrices. In :
Proceedings of the 1969 24th national conference. ACM 69. ACM, New York, NY, E.U,
pp. 157172. Cit pages 104 et 133
Da, T. K. F., Yvinec, M., 2012. 3D Alpha Shapes. In : CGAL User and Reference Manual,
4.0 edition. CGAL Editorial Board. Cit pages 130 et 131
Datta, A., Kim, J., Kanade, T., 2009. Accurate camera calibration using iterative refi-
nement of control points. International Conference on Computer Vision, 12011208.
Cit page 40
Delaunay, B. N., 1934. Sur la sphre vide. Bulletin of Academy of Sciences of the USSR,
793800. Cit page 130
Demantk, J., Vallet, B., Paparoditis, N., 2012. Streamed Vertical Rectangle Detection
in Terrestrial Laser Scans for Facade Database Production. International Archives
of Photogrammetry, Remote Sensing and Spatial Information Sciences I(3), 99104.
Cit page 14
Devaux, A., Paparoditis, N., Octobre 2010. Increasing Interactivity in Street View Web
Navigation Systems. In : ACM Multimedia. Florence, Italie. Cit pages 2, 6 et 14
Devaux, A., Paparoditis, N., Bredif, M., 2012. A Web-Based 3D Mapping Application
using WebGL allowing Interaction with Images, Point Clouds and Models. In : ACM
SIGSPATIAL GIS. Redondo Beach, E.U., pp. 69. Cit page 2
Devaux, A., Paparoditis, N., Precioso, F., Cannelle, B., may 2009. Face Blurring for
Privacy in Street-level Geoviewers Combining Face, Body and Skin Detectors. In : MVA
IAPR Conference on Machine Vision Applications. Yokohama, Japan. Cit page 14
Devernay, F., Faugeras, O., 2001. Straight lines have to be straight : automatic calibration
and removal of distortion from scenes of structured enviroments. Machine Vision and
Applications 13 (1), 1424. Cit page 39
Duquenne, F., Botton, S., Peyret, F., Btaille, D., Willis, P., 2005. GPS - localisation et
navigation par satellites. Herms, Paris, France. Cit pages 2 et 16
Eberhardt, H., Klumpp, V., Hanebeck, U., 2010. Density trees for efficient nonlinear
state estimation. In : Information Fusion (FUSION), 2010 13th Conference on. pp. 18.
Cit page 86
Edelsbrunner, H., Mcke, E. P., 1994. Three-dimensional alpha shapes. ACM Transactions
on Graphics 13 (1), 4372. Cit page 130
El-Sheimy, N., 1996. A Mobile Multi-Sensor System for GIS Applications in Urban Cen-
ters. International Archives of Photogrammetry, Remote Sensing and Spatial Informa-
tion Sciences XXXI, 95100. Cit pages 3 et 56
Ellum, C., El-Sheimy, N., 2002. Land-Based Mobile Mapping Systems. Photogrammetric
Engineering and Remote Sensing 68 (1), 1317. Cit page 3
Esquivel, S., Woelk, F., Koch, R., 2007. Calibration of a multi-camera rig from non-
overlapping views. In : Proceedings of the 29th Deutsche Arbeitsgemeinschaft fr
Mustererkennung Conference on Pattern Recognition. Berlin, Heidelberg, pp. 8291.
Cit page 57
Farrell, J., Barth, M., 1999. The Global positioning system and inertial navigation.
McGrawHill. Cit page 15
Faugeras, O., Luong, Q., Maybank, S., 1992. Camera self-calibration : Theory and ex-
periments. In : European Conference on Computer Vision. Vol. 588. Santa Margherita
Ligure, Italie, pp. 321334. Cit page 40
Fraser, C., 1997. Digital camera self-calibration. ISPRS Journal of Photogrammetry and
Remote Sensing 52 (4), 149159. Cit pages 34 et 39
Friedman, J. H., Bentley, J. L., Finkel, R. A., Sep. 1977. An Algorithm for Finding Best
Matches in Logarithmic Expected Time. ACM Transactions on Mathematical Software
3 (3), 209226. Cit pages 86 et 87
Gandolfi, S., Barbarella, M., Ronci, E., Burchi, A., 2008. Close photogrammetry and laser
scanning using a mobile mapping system for the high detailed survey of a high den-
sity area. In : International Archives of Photogrammetry, Remote Sensing and Spatial
Information Sciences. Pkin, Chine, pp. 909914. Cit page 3
Gauglitz, S., Hllerer, T., Turk, M., Sep. 2011. Evaluation of Interest Point Detectors
and Feature Descriptors for Visual Tracking. International Journal of Computer Vision
94 (3), 335360. Cit page 84
Gauss, C., Bertrand, J., 1855. Mthode des moindres carrs : Mmoires sur la combinaison
des observations. Mallet-Bachelier. Cit page 24
Geiger, A., Lenz, P., Urtasun, R., 2012. Are we ready for Autonomous Driving ? The
KITTI Vision Benchmark Suite. In : Computer Vision and Pattern Recognition
(CVPR). Providence, tats-Unis. Cit pages 3 et 11
George, A., Gilbert, J., Liu, J., 1993. Graph theory and sparse matrix computation. IMA
volumes in mathematics and its applications. Springer-Verlag. Cit page 133
Gervautz, M., Purgathofer, W., 1990. Graphics gems. Academic Press Professional, Inc.,
San Diego, CA, USA, Ch. A simple method for color quantization : octree quantization,
pp. 287293. Cit page 86
Gibbs, N. E., Poole, Jr., W. G., Stockmeyer, P. K., Dec. 1976. A Comparison of Several
Bandwidth and Profile Reduction Algorithms. ACM Transactions on Mathematical
Software 2 (4), 322330. Cit page 133
Gontran, H., Skaloud, J., Gilliron, P.-Y., 2005. Photobus on its Way to Real-time Map-
ping. GIS Development Middle East 1 (1). Cit page 3
Gouet, V., Montesinos, P., Deriche, R., Pel, D., 2000. Evaluation de dtecteurs de points
dintrt pour la couleur. In : Reconnaissance des formes et Intelligence Artificielle
(RFIA2000). Vol. II. Paris, France, pp. 257266. Cit page 84
Goulette, F., Nashashibi, F., Abuhadrous, I., Ammoun, S., Laurgeau, C., 2006. An Inte-
grated On-Board Laser Range Sensing System for On-the-Way City and Road Model-
ling. International Archives of Photogrammetry, Remote Sensing and SpatialInforma-
tion Sciences XXXIV. Cit page 3
GPS, 2012. Official U.S. Government information about the Global Positioning System
and related topics. http://www.gps.gov/, acced le : 08/10/2012. Cit page 2
Gressin, A., Cannelle, B., Mallet, C., Papelard, J.-P., 2012. Trajectory-based Registration
of 3D LIDAR Point Clouds Acquired with a Mobile Mapping Systems. International
Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences I(3),
117122. Cit page 14
Grossberg, M. D., Nayar, S. K., 2005. The Raxel Imaging Model and Ray-Based Calibra-
tion. International Journal of Computer Vision 61 (2), 119137. Cit page 33
Guennebaud, G., Jacob, B., et al., 2010. Eigen v3. http ://eigen.tuxfamily.org.
Cit pages 134 et 178
Habib, A., Kersting, A. P., Bang, B., Rau, J., 2011. A Novel Single-Step Procedure for the
Calibration of the Mounting Parameters of a Muti-Camera Terrestrial Mobile Mapping
System. In : Archives of Photogrammetry, Cartography and Remote Sensing. Vol. 22.
pp. 173195. Cit page 57
Harris, C., Stephens, M., 1988. A combined corner and edge detector. In : In Proc. of
Fourth Alvey Vision Conference. pp. 147151. Cit page 83
Hartley, R., 1994. Self-calibration from multiple views with a rotating camera. In :
ECCV 94 : Proceedings of the third European conference on Computer vision (vol.
1). Springer-Verlag New York, Inc., Secaucus, E.U., pp. 471478. Cit page 40
Hartley, R. I., Trumpf, J., Dai, Y., Li, H., 2013. Rotation Averaging. International Journal
of Computer Vision 103 (3), 267305. Cit page 57
Hartley, R. I., Zisserman, A., 2004. Multiple View Geometry in Computer Vision, Second
edition. Cambridge University Press. Cit page 34
Haugeard, J.-E., Philipp-Foliguet, S., Precioso, F., 2009. Windows and Facades Retrieval
using Similarity on Graph of Contours. In : IEEE International Conference on Image
Processing (ICIP 09). Cit page 14
Heikkil, J., 2000. Geometric camera calibration using circular control points. IEEE
Transactions on Pattern Analysis and Machine Intelligence 22 (10), 10661077.
Cit pages 34 et 39
Kalman, R. E., 1960. A New Approach to Linear Filtering and Prediction Problems.
Transactions of the ASME Journal of Basic Engineering 82, 3545. Cit page 15
Kenner, H., 1976. Geodesic Math and How to Use It. Dome Series. University of California
Press. Cit page 45
Kersting, A. P., Habib, A., Rau, J., 2012. New method for the calibration of multi-camera
mobile mapping system. International Archives of Photogrammetry, Remote Sensing
and Spatial Information Sciences XXXIX (Part B 1), 121126. Cit page 57
Knuth, D. E., 1975. Sorting and searching. Addison-Wesley Upper Saddle River, NJ [u.a.].
Cit page 97
Kumar, R., Ilie, A., Frahm, J.-M., Pollefeys, M., 2008. Simple calibration of non-
overlapping cameras with a mirror. In : Computer Vision and Pattern Recognition.
Anchorage, tats-Unis. Cit page 57
Lavest, J.-M., Viala, M., Dhome, M., 1998. Do We Really Need an Accurate Calibra-
tion Pattern to Achieve a Reliable Camera Calibration ? In : European Conference on
Computer Vision. Fribourg, Allemagne, pp. 158174. Cit pages 34, 39 et 40
Lbraly, P., Ait-Aider, O., Royer, E., Dhome, M., 2011. Comment calibrer extrinsquement
des camras champs non-recouvrants ? Application pour un robot mobile. In : ORA-
SIS - Congrs des jeunes chercheurs en vision par ordinateur. Praz-sur-Arly, France.
Cit page 57
Lehman, P. L., Yao, s. B., Dec. 1981. Efficient locking for concurrent operations on B-trees.
ACM Transactions on Database Systems 6 (4), 650670. Cit page 97
Levenberg, K., 1944. A method for the solution of certain problems in least squares. Quart.
Applied Math. 2, 164168. Cit pages 63, 69 et 104
Lhuillier, M., 2011. Fusion of GPS and structure-from-motion using constrained bundle
adjustments. In : Computer Vision and Pattern Recognition (CVPR), 2011 IEEE Confe-
rence on. pp. 30253032. Cit page 153
Li, M., Lavest, J.-M., 1995. Some Aspects of Zoom-Lens Camera Calibration.
IEEE Transactions on Pattern Analysis and Machine Intelligence 18, 11051110.
Cit pages 34 et 40
Liberge, S., Soheilian, B., Chehata, N., Paparoditis, N., 2010. Extraction of vertical posts
in 3D laser point clouds acquired in dense urban areas by a mobile mapping system.
International Archives of Photogrammetry, Remote Sensing and Spatial Information
Sciences XXXVIII (Part 3B), 126130. Cit page 14
Lourakis, M. I., Deriche, Rachid, D., 2000a. Camera Self-Calibration Using the Kruppa
Equations and the SVD of the Fundamental Matrix : The Case of Varying Intrinsic
Parameters. Rapport de recherche 3911, INRIA. Cit page 40
Lourakis, M. I. A., Deriche, R., 2000b. Camera Self-Calibration Using the Singular Value
Decomposition of the Fundamental Matrix : From Point Correspondences to 3D Mea-
surements. In : Asian Conference on Computer Vision. Taipei, Tawan, pp. 403408.
Cit page 39
Lowe, D. G., 2004. Distinctive Image Features from Scale-Invariant Keypoints. Interna-
tional Journal of Computer Vision 60 (2), 91110. Cit pages 50, 84, 86 et 87
Matas, J., Chum, O., Urban, M., Pajdla, T., 2004. Robust wide-baseline stereo from
maximally stable extremal regions. Image and Vision Computing 22 (10), 761767.
Cit page 84
McGlone, J., Mikhail, E., Bethel, J., Mullen, R., 2004. Manual of photogramme-
try (5th Edition). American Society for Photogrammetry and Remote Sensing.
Cit pages 1, 31, 32 et 58
Mikolajczyk, K., Schmid, C., 2002. An affine invariant interest point detector. In : In
Proceedings of the 7th European Conference on Computer Vision. pp. 07. Cit page 84
Mikolajczyk, K., Schmid, C., 2004. Scale and affine invariant interest point detectors.
International Journal of Computer Vision 60 (1), 6386. Cit page 84
Mikolajczyk, K., Tuytelaars, T., Schmid, C., Zisserman, A., Matas, J., Schaffalitzky, F.,
Kadir, T., van Gool, L., 2005. A comparison of affine region detectors. International
Journal of Computer Vision 65, 2005. Cit page 84
Monnier, F., Vallet, B., Paparoditis, N., Papelard, J.-P., David, N., 2013. Recalage
Non-Rigide de Donnes Laser de Cartographie Mobile sur une Base de Donnes 3D
Gographiques. Revue Franaise de Photogrammtrie et de Tldtection A paraitre.
Cit page 14
Monnier, F., Vallet, B., Soheilian, B., 2012. Trees Detection from Laser Point Clouds
Acquired in dense Urban Areas by a Mobile Mapping System. In : ISPRS Archives
of Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume I-3 .
Melbourne, Australie, pp. 245250. Cit page 14
Moore, E. F., 1959. The shortest path through a maze. In : Proceedings of the International
Symposium on the Theory of Switching, and Annals of the Computation Laboratory
of Harvard University. Harvard University Press, pp. 285292. Cit page 133
Moravec, H., Aug. 1979. Visual Mapping by a Robot Rover. In : Proceedings of the 6th
International Joint Conference on Artificial Intelligence. pp. 599601. Cit page 83
Morel, J.-M., Yu, G., Apr. 2009. ASIFT : A New Framework for Fully Affine Invariant
Image Comparison. SIAM J. Img. Sci. 2 (2), 438469. Cit page 86
Muja, M., Lowe, D. G., 2009. Fast Approximate Nearest Neighbors with Automatic Al-
gorithm Configuration. In : International Conference on Computer Vision Theory and
Application VISSAPP09). INSTICC Press, pp. 331340. Cit page 87
Nakariakov, S., 2013. The Boost C++ Libraries : Generic Programming. CreateSpace
Independent Publishing Platform. Cit page 178
Paparoditis, N., Bentrah, O., Pnard, L., Tournaire, O., Soheilian, B., Deveau, M., 2005.
Automatic 3D Recording and Modeling of Large Scale Cities : the Archipolis Project.
In : Recording, modeling and visualization of cultural heritage. Baltsavias, M., Gruen,
A., Van Gool, L., Pateraki, M., (Eds.), Modelling and Visualization of Cultural Heritage,
Ascona, Suisse, pp. 227235. Cit pages 3 et 8
Paparoditis, N., Papelard, J.-P., Cannelle, B., Devaux, A., Soheilian, B., David, N., Hou-
zay, E., 2012. Stereopolis II : A multi-purpose and multi-sensor 3D mobile mapping
system for street visualisation and 3D metrology. Revue Franaise de Photogrammtrie
et de Tldtection 200, 6979. Cit pages 3, 6 et 8
Paparoditis, N., Souchon, J.-P., Martinoty, G., Pierrot-Deseilligny, M., 2006. High-end
aerial digital cameras and their impact on the automation and quality of the production
workflow. ISPRS Journal of Photogrammetry and Remote Sensing 60 (6), 400412.
Cit page 39
Parian, J. A., Gruen, A., 2010. Sensor modeling, self-calibration and accuracy testing of
panoramic cameras and laser scanners. ISPRS Journal of Photogrammetry and Remote
Sensing 65 (1), 6076. Cit pages 34 et 40
Park, S.-W., Hong, K.-S., 2001. Practical ways to calculate camera lens distortion for
real-time camera calibration. Pattern Recognition 34 (6), 11991206. Cit page 40
Peter, K., Schwarz, P., El-sheimy, N., 2004. Mobile Mapping Systems State Of The Art
And Future Trends. In : XXXV, Part B1. p. 5. Cit page 3
Petrie, G., 2009. Systematic Oblique Aerial Photography using Multiple Digital Frame Ca-
meras. Photogrammetric Engineering and Remote Sensing 75 (2), 102107. Cit page 1
Petrie, G., Jan. 2010. An Introduction to the Technology Mobile Mapping Systems. GEO-
Informatics 13, 3243. Cit page 4
Pierrot-Deseilligny, M., Clry, I., 2011. APERO, an Open Source Bundle Adjusment Soft-
ware for Automatic Calibration and Orientation of a Set of Images. In : Proc. of the
ISPRS Commission V Symposium, Image Engineering and Vision Metrology. Vol. 38.
Trento, Italie. Cit pages 34 et 40
Pissanetzky, S., 1984. Sparse matrix technology. Academic Press. Cit page 132
Puente, I., Gonzlez-Jorge, H., Arias, P., Armesto, J., 2011. Land-Based Mobile Laser
Scanning Systems : a review. International Archives of Photogrammetry, Remote Sen-
sing and Spatial Information Sciences XXXVIII (Part 5/W12). Cit page 4
Pnard, L., Paparoditis, N., Pierrot-Deseilligny, M., 2005. 3D building facade reconstruc-
tion under mesh form from multiple wide angle views. In : 3D ARCH. ISPRS WG V/4
workshop, Venice, Italie. Cit page 8
Qi, H., Moore, J., apr 2002. Direct Kalman filtering approach for GPS/INS integration.
Aerospace and Electronic Systems, IEEE Transactions on 38 (2), 687693. Cit page 15
Rau, J., Habib, A., Kersting, A. P., Chiang, K.-W., Bang, K.-I., Tseng, Y.-H., Li, Y.-
H., 2011. Direct Sensor Orientation of a Land-Based Mobile Mapping System. Sensors
11 (7), 72437261. Cit page 57
Rosten, E., Drummond, T., 2006. Machine learning for high-speed corner detection. In :
In European Conference on Computer Vision. pp. 430443. Cit page 84
Rosten, E., Porter, R., Drummond, T., 2010. FASTER and better : A machine learning
approach to corner detection. IEEE Transactions on Pattern Analysis and Machine
Intelligence 32, 105119. Cit page 84
Samet, H., Webber, R. E., Jul. 1985. Storing a collection of polygons using quadtrees.
ACM Transactions on Graphics 4 (3), 182222. Cit page 86
Schaer, P., Skaloud, J., Vallet, J., 2003. Gorfrencement direct des images par GPS/INS
Approche rigoureuse pour le calibrage des excentricits angulaires (boresight calibra-
tion). Gomatique Suisse, 440445. Cit page 57
Scholkopf, B., Smola, A. J., 2001. Learning with Kernels : Support Vector Machines, Regu-
larization, Optimization, and Beyond. MIT Press, Cambridge, MA, USA. Cit page 93
Schware, K., El-Sheimy, N., Li, R., Chapman, M., Cosandier, D., 1993. VIASAT - A mobile
highway survey system of high accuracy. In : Proceedings of the IEEE-IEE,Vehicle
Navigation and Information Systems Conference. Piscataway, New Jersey, tats-Unis,
pp. 476481. Cit page 3
Schwarz, K., Chapman, M., Cannon, M., Gong, P., 1993. An integrated INS/GPS ap-
proach to the georeferencing of remotely sensed data. Photogrammetric Engineering
and Remote Sensing 59 (11), 16671674. Cit page 3
Serna, A., Marcotegui, B., 2013. Urban accessibility diagnosis from mobile laser scanning
data. ISPRS Journal of Photogrammetry and Remote Sensing 84, 2332. Cit page 14
Siek, J., Lee, L.-Q., Lumsdaine, A., Dec. 2001. The Boost Graph Library : User Guide and
Reference Manual (C++ In-Depth Series). Addison-Wesley Professional. Cit page 133
Sillard, P., 2001. Estimation par moindres carrs. ENSG IGN. Herms science publica-
tions, Paris. Cit page 125
Sloan, S. W., 1986. An algorithm for profile and wavefront reduction of sparse ma-
trices. International Journal for Numerical Methods in Engineering 23 (2), 239251.
Cit page 133
Smith, S. M., Brady, J. M., 1995. SUSAN - A New Approach to Low Level Image Pro-
cessing. International Journal of Computer Vision 23, 4578. Cit page 84
Soheilian, B., Paparoditis, N., Boldo, D., 2010. 3D road marking reconstruction from
street-level calibrated stereo pairs. ISPRS Journal of Photogrammetry and Remote
Sensing 64 (4), 347359. Cit pages 8 et 14
Souchon, J.-P., Thom, C., Meynard, C., Martin, O., 2012. A large format camera system
for national mapping purposes. Revue Franaise de Photogrammtrie et de Tldtec-
tion 200, 4853. Cit page 8
Spinello, L., Arras, K. O., Triebel, R., Siegwart, R., 2010. A Layered Approach to People
Detection in 3D Range Data. In : AAAI National Conference on Artificial Intelligence.
Atlanta, E.U. Cit page 14
StreetMapper, 2012. The worlds most accurate mobile laser mapping system with 360-
degree vision. http ://www.streetmapper.net/streetmapper/brochure.htm. Cit page 5
Sturm, P., Ramalingam, S., May 2004. A Generic Concept for Camera Calibration. In : Eu-
ropean Conference on Computer Vision. Vol. 2. Springer, Prague, Rpublique Tchque,
pp. 113. Cit page 33
Sturm, P., Ramalingam, S., Tardif, J.-P., Gasparini, S., Barreto, J., 2011. Camera Mo-
dels and Fundamental Concepts Used in Geometric Computer Vision. Foundations and
Trends in Computer Graphics and Vision 6 (1-2), 1183. Cit page 31
Tang, R., Fritsch, D., Cramer, M., 2012a. A novel family of mathematical self-calibration
additional parameters for airborne camera systems. In : EuroCOW 2012. Barcelone,
Espagne. Cit page 34
Tang, R., Fritsch, D., Cramer, M., 2012b. New rigorous and flexible Fourier self-calibration
models for airborne camera calibration. ISPRS Journal of Photogrammetry and Remote
Sensing 71, 7685. Cit page 34
Tang, Z., 2011. High precision camera calibration. Thse de Doctorat, CMLA - Centre de
Mathmatiques et de Leurs Applications - ENS Cachan. Cit page 39
Tao, C., Li, J., 2007. Advances in Mobile Mapping Technology. International Society
for Photogrammetry and Remote Sensing (ISPRS) book series. Taylor & Francis.
Cit page 3
Tarel, J.-P., 1994. Calibration de camra fonde sur les ellipses. Tech. Rep. 2200, INRIA.
Cit page 40
Tarjan, R. E., 1983. Data structures and network algorithms. Society for Industrial and
Applied Mathematics, Philadelphia, PA, USA. Cit page 89
Tewarson, R. P., 1973. Sparse Matrices. Vol. 99. Mathematics in Science and Engineering.
Cit page 132
The CGAL Project, 2012. CGAL User and Reference Manual, 4.1 edition. CGAL Edito-
rial Board, http://www.cgal.org/Manual/4.1/doc_html/cgal_manual/packages.html.
Cit page 131
Thom, C., Souchon, J.-P., 1998. Le point sur les camras numriques de lIGN. Revue
Franaise de Photogrammtrie et de Tldtection (149), 1220. Cit pages 8 et 39
Thom, C., Souchon, J.-P., 2001. Multi-Head Digital Camera Systems. GIM International
15 (5), 3337. Cit pages 8 et 39
Triggs, B., 1998. Autocalibration from Planar Scenes. In : Proceedings of the 5th European
Conference on Computer Vision, Fribourg, Allemagne. Cit page 39
Triggs, B., September 1999. Camera Pose and Calibration from 4 or 5 known 3D Points.
In : Proceedings of the 7th International Conference on Computer Vision. Corfu, Grce,
pp. 278284. Cit page 39
Triggs, B., McLauchlan, P., Hartley, R., Fitzgibbon, A., 2000. Bundle Adjustment - A
Modern Synthesis. In : Triggs, W., Zisserman, A., Szeliski, R. (Eds.), Vision Algorithms :
Theory and Practice. LNCS. Springer Verlag, pp. 298375. Cit page 40
TS, 2013. Les Travaux Spciaux de lIGN. Visible 1st February 2013.
URL http://geodesie.ign.fr/index.php?p=33&page=mesures_dimensionnelles_
et_geodesiques Cit page 24
Tsai, R., 1986. An Efficient and Accurate Camera Calibration Technique for 3D Machine
Vision. In : Computer Vision and Pattern Recognition. Miami Beach, Floride, tats-
Unis, pp. 364374. Cit page 31
Tsai, R., 1987. A versatile camera calibration technique for high-accuracy 3D machine
vision metrology using off-the-shelf TV cameras and lenses. IEEE Journal of Robotics
and Automation 3 (4), 323344. Cit pages 34 et 39
Tuytelaars, T., Mikolajczyk, K., 2008. K. : Local invariant feature detectors : A survey.
FnT Comp. Graphics and Vision, 177280. Cit page 84
Urmson, C., Anhalt, J., Bae, H., Bagnell, J. A., Baker, C. R., Bittner, R. E., Brown,
T., Clark, M. N., Darms, M., Demitrish, D., Dolan, J. M., Duggins, D., Ferguson,
D., Galatali, T., Geyer, C. M., Gittleman, M., Harbaugh, S., Hebert, M., Howard,
T., Kolski, S., Likhachev, M., Litkouhi, B., Kelly, A., McNaughton, M., Miller, N.,
Nickolaou, J., Peterson, K., Pilnick, B., Rajkumar, R., Rybski, P., Sadekar, V., Salesky,
B., Seo, Y.-W., Singh, S., Snider, J. M., Struble, J. C., Stentz, A., Taylor, M., Whittaker,
W. L., Wolkowicki, Z., Zhang, W., Ziglar, J., June 2008. Autonomous driving in urban
environments : Boss and the Urban Challenge. Journal of Field Robotics, Special Issue
on the 2007 DARPA Urban Challenge, Part I 25 (8), 425466. Cit page 14
Ussyshkin, V., 2009. Mobile Laser Scanning Technology for Surveying Application :
From Data Collection to End-Products. In : FIG Working Week 2009. Eilat, Isral.
Cit page 5
Vaidya, P., 1989. An O(n logn) algorithm for the all-nearest-neighbors Problem. Discrete
& Computational Geometry 4, 101115. Cit page 86
Vallet, B., Houzay, E., 2011. Fast and Accurate Visibility computation in urban scenes.
In : International Archives of Photogrammetry, Remote Sensing and Spatial Information
Sciences. Vol. 38 (3/W22). pp. 7782. Cit pages 14 et 64
Wang, P.-C., Tsai, P.-C., Chen, Y.-C., Tseng, Y.-H., 2012. One-step and Two-step Cali-
bration of a portable panoramic image mapping system. In : International Archives of
Photogrammetry, Remote Sensing and Spatial Information Sciences. Cit page 57
Willson, R. G., 1994. Modeling and calibration of automated zoom lenses. Thse de Doc-
torat, Pittsburgh, PA, USA, uMI Order No. GAX94-19735. Cit page 40
Won, S.-h., Melek, W., Golnaraghi, F., 2010. A Kalman/Particle Filter-Based Position
and Orientation Estimation Method Using a Position Sensor/Inertial Measurement
Unit Hybrid System. Industrial Electronics, IEEE Transactions on 57 (5), 17871798.
Cit page 2
Zhang, Z., 1999. Flexible camera calibration by viewing a plane from unknown orienta-
tions. In : ICCV. Kerkyra, Corfu, Greece, pp. 666673. Cit page 39
Annexes
Annexe A
c cP P A Rstej ,cami Rter,stej Mter Rcami ,stej Scami + Tstej ,ter
= pi t
l i,j
lP P A i kRstej ,cami Rter,stej Mter Rcami ,stej Scami + Tstej ,ter
m =fi,j (Mter )
A
m =F
B
avec
A = Rstej ,cami Rter,stej Mter Rcami ,stej Scami + Tstej ,ter (vecteur en dimension 3)
B =t kRstej ,cami Rter,stej Mter Rcami ,stej Scami + Tstej ,ter (scalaire)
A.2.a Notations
R est une matrice rotation.
est langle de rotation
=t (a, b, c) est laxe de rotation (vecteur unitaire)
0 -c b
= c 0 -a est laxiateur
-b a 0
1 0 0
I = 0 1 0 matrice identit
0 0 1
R = I + sin(). + (1 cos())..
dRv =
dRv = Rvd
fi,j (Mter ) pi .B.(Rstej ,cami .Rter,stej .Mter Rter,stej .Tstej ,ter Scami ))
=
Rstej ,cami B2
A.(t k.(Rstej ,cami .Rter,stej .Mter Rter,stej .Tstej ,ter Scami ))
B2
Annexe B
Matrices Creuses
par ligne croissante. Le second (b) contient la position (dans le vecteur de donnes) du
premier lment non nul dans la colonne i. Le troisime (c) contient lindex des lignes de
chaque lment de (a).
a Valeurs : 2 4 3 5 7 6 3 8
b Indice des positions de coefficients dans la colonne : 0 2 4 5 6 8
c Indice des positions de ligne : 1 2 0 2 4 2 1 4
a Valeurs : 1 2 3 4 5 6 7 8
b Indice des positions de coefficients par ligne : 0 1 3 5 6 8
c Indice des positions de colonne : 1 0 4 0 1 3 2 4
B.2 Oprations
Concernant les oprations arithmtiques, les 3 formats prsents ne sont pas qui-
valents. Le premier est trs efficace pour linsertion dlments, par contre il est moins
performant lors de calculs mathmatiques (+, , ,...). Les deux autres sont trs perfor-
mants sur les oprations mais beaucoup moins sur les insertions dlments.
Dans le cadre de cette thse, limplmentation choisie est celle dEigen [Guennebaud
et al., 2010]. Dautres implmentations sont possibles, notamment celle de Boost [Naka-
riakov, 2013] qui na pas t teste.
Annexe C
1 point et un vecteur A et
v
Toutes ces reprsentations sont quivalentes et des formules permettent de passer dune
caractrisation lautre.
Nous avons choisi la formulation qui permet dcrire, pour tout point M , lquation 1
avec
v le vecteur directeur et un facteur :
AM =
v (1)
M
v =A
1 0 0 vx,1 0 0
.. Mx
Ax1
0 1 0 vy,1 0 . Ay1
.. My
0 1 vz,1
0 0 . Az1
Mz
.. .... .. . .. ..
. . .0 . .. .
1 .
.. .... .. .. .. .. = .. (2)
. . . . . . 0 .
.
.. .. Axn
1 0 0 . 0 vxn .
Ayn
.. n
0 1 0 . 0 vyn Azn
0 0 1 0 0 vzn
Publications