Automatic scaling of point clouds in a local environment

Abstract

Markedet innen fotogrammetri har de siste årene fått et voldsomt løft med forbrukervennlige droner og inntoget av mobiltelefoner med robuste kamera. Dette har åpnet opp for flere aktører på et marked som tidligere har krevd en teoretisk bakgrunn og avansert utstyr. Med søkelys på forbrukeren undersøkes her løsninger angående punktskyer for å videre kutte denne kostnaden ytterligere.

Denne oppgaven sikter på å løse skalering av punktskyer i et vilkårlig koordinatsystem uten bruk av kommersiell programvare og annet måleutstyr. Det har blitt løst ved å detektere en geometrisk form med visse egenskaper og en kjent størrelse i punktskyen. Når objektet er identifisert skaleres punktskyen ut etter objektets målte dimensjoner. For å oppnå et godt datagrunnlag har det også blitt fokusert på hvordan data bør bli innhentet. Av resultater har det videre blitt analysert til hvilken grad skjevheter i en punktsky kan identifiseres ved hjelp av resultdata fra prosessen.

Resultatene fra eksperimentene har vært oppløftende. Metoden har generert resultater med tilfredsstillende nærhet til virkelige målinger av omgivelsene. Utplasserte kilder for feil har også blitt forkastet av systemet, som indikerer at metoden fungerer bra. Nøyaktigheten til metoden estimeres til å ligge mellom 0.5-2.5% unna reelle målinger. Det bør bemerkes at metoden har blitt testet i et kontrollert innendørs miljø og uforutsette hindringer kan derfor vises på en større skala. Oppgaven ønsker å belyse et felt innen fotogrammetri som er i stor vekst og vil fungere som et "proof of concept".

The market in photogrammetry has in recent years received a huge boost with consumer-friendly drones and the advent of mobile phones with robust cameras. This has opened up for new users in a market that has previously required theoretical background and advanced equipment. With a focus on the consumer, solutions for point cloud data are being investigated here to further cut this cost.

This task aims to solve the scaling of point clouds in an arbitrary coordinate system without the use of commercial software and other measuring equipment. It has been solved by detecting a geometric shape with certain properties and a known size in the point cloud. Once the object is identified, the point cloud scales out according to the object's measured dimensions. In order to achieve a sufficient base of data, there has also been a focus on how data should be obtained. From results, it has been further analyzed to what extent skewness and distortions in a point cloud can be identified using result data from the process.

The results from the experiments have been uplifting. The method has generated results with satisfactory proximity to real measurements of the surroundings. Deployed sources of error have also been rejected by the system, indicating that the method works well. The accuracy of the method is estimated to be between 0.5-2.5% away from real measurements. It should be noted that the method has been tested in a controlled indoor environment and unforeseen obstacles may therefore show on a larger scale. The thesis wants to illuminate a field in photogrammetry that is in great growth and will function as a "proof of concept".