Géo-référencement précis d'acquisition photogrammétrique de « longues » scènes d'intérieur

Precise Geo-referencing of « long » indoor photogrammetric acquisitions

• Auteur / Autrice : Truong Giang Nguyen
• Direction : Marc Pierrot-Deseilligny
• Type : Thèse de doctorat
• Discipline(s) : Signal, Image, Automatique
• Date : Soutenance le 19/12/2018
• Etablissement(s) : Paris Est
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2010-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire en Sciences et technologies de l'information géographique (Champs-sur-Marne, Seine-et-Marne) - Laboratoire des Sciences et Technologies de l'Information Géographique / LaSTIG
• Jury : Président / Présidente : Marie-Odile Berger
• Jury : Examinateurs / Examinatrices : Marc Pierrot-Deseilligny, Valérie Renaudin, Bertrand Cannelle, Christian Thom
• Jury : Rapporteur / Rapporteuse : El Mustapha Mouaddib

Mots clés

Mots clés contrôlés

Indicateurs de technologie

Traitement d'images

Photogrammétrie

Mots clés libres

Point homologue

Traitement d’image

Estimation de pose

Orientation externe

Ajustement de faisceaux

Photogrammétrie

Tie-Points

Digital image processing

Pose estimation

External orientation

Bundle adjustment

Photogrammetry

Résumé

Au cours des dernières décennies, plusieurs ruptures technologiques ont favorisé le développement de la photogrammétrie : développement et miniaturisation des appareils photographiques numériques, avènement du drone civil et de la cartographie mobile, apparition de nouveaux algorithmes permettant des traitements 100% automatiques, etc. La photogrammétrie est redevenue une technique de mesure et de surveillance incontournable, surtout dans les contextes où le coût et la légèreté du matériel sont contraignants. Dans ce contexte, l’IGN et l’équipe LOEMI du laboratoire LaSTIG cherchent à développer des plateformes matérielles et logicielles permettant d’atteindre simultanément productivité et précision de la mesure. Les utilisations de la photogrammétrie qui nécessitent une grande précision sont par exemple la mesure de déformations ou encore la métrologie industrielle. Sur des acquisitions à larges étendues, notamment les acquisitions linéaires de type corridor, les relevés photogrammétriques sont souvent entachés d’erreurs systématiques, ayant de fortes conséquences sur la précision de localisation du résultat final. Dans la chaine métrologique de photogrammétrie, l’extraction des points homologues est une des causes de l’imprécision du résultat final. Cette thèse consiste à réaliser une méthode permettant d’améliorer la précision du processus de traitement photogrammétrique existant pour réduire les erreurs systématiques. Nous proposons une méthode de post-traitement du processus photogrammétrique classique. Nous utilisons des modélisations de l’acquisition (poses et calibration des caméras) et de la scène (maillage 3D) obtenue avec un traitement classique, pour extraire de nouveaux points homologues en optimisant leurs caractéristiques pour la photogrammétrie. Ces caractéristiques sont : la distribution optimale dans l’espace image et objet, la multiplicité des points sur les images et la précision de la mesure. Une seconde itération d’ajustement de faisceaux avec les nouveaux points obtenus permet de raffiner l’orientation externe et la calibration de la caméra et donc d’améliorer la précision de localisation des points 3D finaux. Les résultats obtenus à partir des jeux de tests issus de différents scénarios montrent l’efficacité et la robustesse de la méthode en diminuant significativement le résidu des points 3D triangulés. Les temps de calcul et le nombre d’itérations sont également étudiés. Les résultats du processus de raffinement convergent dès la seconde itération et montrent que cette méthode ne demande qu’environ 10% du temps d’exécution total de la chaine classique pour atteindre une amélioration notable

Over recent decades, many technical advances such as the development and miniaturization of electronic components and digital camera, the advent of civil UAV and mobile mapping and the apparition of new algorithms allow 100% automatic processing yield to a strong development of photogrammetry. It becomes an indispensable measurement and surveillance technique, especially in the contexts where budget and compactness of the equipment matters the most. In this context, IGN and LOEMI team decided to develop the new hardware platforms and software solution allowing enhancements of both productivity and precision. Besides the visualization and demonstration, certain photogrammetry applications require a good measurement precision, for example, change detection for deformation studies in geosciences or very accurate shape reconstruction in industrial metrology. On large areas acquisitions, especially corridors, the photogrammetric process precision is usually limited due to systematic errors, which yield to an insufficiant localization precision of the final result. In the automatic digital photogrammetric processing chain, tie-points extraction is considered as a first step. Therefore, it is one of the important reasons that cause the imprecision of the final result. In this research work, we describe a new method, which reduces the systematic errors to enhance the precision of the existing digital photogrammetric processing chain. We propose a post-processing method for the classical photogrammetric chain. We use the results of the classical chain such as images poses, camera calibration, and mesh of scene. Our method extracts totally new tie-points pack with characteristics optimized for the photogrammetry. These characteristics are: an optimal tie-points distribution in image and object space, a high tie-points multiplicity and a precise points measure on image space. A second bundle adjustment iteration using these new tie-points pack allows refining of external images orientations and camera calibration. In consequence, the localization precision of final triangulated 3D points is enhanced. Evaluated on many different test scenes, the proposed method shows its efficacyand robustness in improving the obtained 3D points accuracy. Computation timeand number of iteration are also discussed in the manuscript. The proposed method converges from the second iteration. It requires additional computation time around 10% of the total time needed by the classical processing chain to reach a significant enhancement