| dc.description.abstract | Oppgavens hensikt er å finne ut hvor gode punktskyer man kan lage med bruk av et 360 – kamera
og ekvirektangulær projeksjon, og om disse punktskyene har noen praktisk bruk.
Dette er gjort ved å produsere en omfattende mengde data, og en prøve/feile metode i programvare
for å se hvor godt resultatet kan bli, og hvilke parametere som burde brukes for å få det beste
resultatet. Punktsky fra laserskann er brukt som referanse til sammenligning.
Vi har testet forskjellige parametere i Pix4Dmapper som alle påvirker resultatet i en eller annen
form; antall GCP’er og antall bilder som brukes i rekonstrueringen, samt hvordan geometrisk
verifisert matching påvirker resultatene. På bakgrunn av disse prosesseringene har vi trukket
konklusjoner som tar oss nærmere og nærmere den beste punktskyen. Vi har i tillegg sett på
hvordan ekvirektangulær projeksjon fungerer i programvare, og beskrevet arbeidsgangen som ble til
underveis.
Resultatene våre viser at antall bilder, og antall bilder med markerte GCP’er i stor grad bestemmer
kvaliteten på punktskyen. Vi har fått det beste resultatet med å bruke hele datagrunnlaget vårt (1074
bilder), markere alle 30 GCP’ene i minst åtte bilder, og bruk av geometrisk verifisert matching.
Uten geometrisk verifisert matching i prosesseringen blir fellespunkter matchet bare på bakgrunn av
bildeinnholdet. Når man bruker geometrisk verifisert matching blir også de relative
kameraposisjonene tatt i betraktning, slik at det ikke genereres punkt av urealistiske treff. Her
avslørte kvalitetsrapportene resultater som gikk på tvers av våre forventninger, og vi har ikke klart å
forklare dette.
Ekvirektangulær projeksjon i rekonstrueringen er bra for det gir høyt overlapp, men skaper litt
problemer når det kommer til å finne fellespunkt. Bildene blir såpass strukket i øvre og nedre del av
bildet, at punktene som matches her ikke er pålitelige. I tillegg til dette er også stativføttene en
feilkilde; punkt på stativføttene blir matchet, som igjen skaper upålitelige punkt.
For et prosjekt av dette omfanget kreves det en del tid i felt, og en del tid til
etterarbeid/prosessering. Totalt tok det litt over 12 timer å produsere punktskyen med minst avvik til
referansepunktskyen. Til sammenligning gikk det litt over fire timer fra første oppstilling med
laserskanneren til rydding av punktskyen var ferdig. Her ser vi bort fra tiden det tar å sette ut targets
(45 min).
Den laveste differansen vi klarte å oppnå mellom referanse – og testpunktsky er 10,6 cm. Med et så
stort avvik duger ikke denne metoden til for eksempel as – built kontroll da det stilles for høye krav
til nøyaktighet til denne typen dokumentasjon.
Metoden kan med automatisering av datafangst og rekonstruering, kanskje brukes til å kontinuerlig
oppdatere en modell/punktsky for et anleggsområde. Med 10,6 cm. avvik vil selvfølgelig detaljene
være vanskelig å rekonstruere nøyaktig, men punktskyen vil fremdeles kunne vise det store bildet,
og eventuelle formenn/ledere vil kunne følge med på utviklingen uten å måtte forlate kontorbrakka
for å oppdatere seg. | |
| dc.description.abstract | The purpose of this bachelor’s thesis is to determine how accurate it is possible to reconstruct
a point cloud based on a substantial amount of image data, and to determine whether a point
cloud of this quality has any practical uses.
This is done by producing a considerable amount of image data, and a trial/error approach to
figuring out the optimal parameters, to produce point clouds with the least amount of
deviation from a reference point cloud. The reference point cloud is acquired with a
laserscanner.
We have tested how different parameters in Pix4Dmapper affects the reconstruction. These
parameters are, how the number of GCP’s and number of images used for the reconstruction,
affects the results. We have also looked at what geometrically verified matching does to the
point cloud and how equirectangular projection behaves in a photogrammetry software.
We have experienced that the number of images dictates together with the number of images
with marked GCP’s, the global average deviation between the reference point cloud and the
test point cloud; the more images, the less deviation.
Without the use of geometrically verified matching, the ATP’s are matched based solely on
the content of the images. When using geometrically verified matching, the relative positions
of the images are also taken into account when computing matches, so that geometrically
unrealistic matches are rejected. The statistics from the quality reports are not behaving as we
expected, and as result of this, we have not been able to explain these results.
The equirectangular projection gives a high overlap which makes it easier to find tie points in
the center of the images. However, as we move closer to the top and bottom of the images,
distortion increases, and tie points computed here are therefore of lower accuracy than of
those in the center. This produces unreliable tie points, which contributes along with other
factors, to noise in the resulting point cloud.
For a project of this size, one must account for a shy day’s work of fieldwork for the data
acquisition with the camera. In addition to this, five more hours went with processing the best
point cloud. We ended up with a little more than 12 hours from start to finish for the vi
photogrammetry method, and about four hours with the laserscanner. The time spent placing
targets (45 min) is not taken into account for these estimations.
The least amount of deviation that we were able to produce between the reference point cloud
and the test point cloud, was a global average of 10,6 cm. With deviations of such magnitude,
we cannot see that this method can be used for example as – built control. This type of
documentation requires better accuracy than this method can provide.
By automating the process from data acquisition, to reconstruction of the point cloud, it is
perhaps possible to have a mounted camera continuously update a point cloud/model of a
construction site. A spherical camera may be mounted on a moving object such as an
excavator, bulldozer or maybe a drilling rig, and will thus be moved around the site. With
deviations of 10,6 cm. the details will of course be hard to reconstruct accurately, but such a
point cloud might be able to show the bigger picture for foremen/leaders, so that they don’t
necessarily have to leave their office barracks to catch up on the project. | |
