Extraction et utilisation de connaissances métier structurées pour la classification de nuages de points 3D

Abstract

Parmi les traitements des nuages de points, la segmentation et la classification sémantique sont à la base de nombreux travaux et algorithmes. Leur réalisation manuelle présente de nombreux défauts, c’est pourquoi beaucoup cherchent à l’automatiser. Ces opérations peuvent notamment être facilitées par des apports d’information externe. Parmi les connaissances métier structurées, le plan d’intérieur 2D CAD (Computer Aided Design) constitue une source d’information spatiale et sémantique enregistrée dans des formats précis. Une analyse de la littérature et de travaux liés à ce sujet suggère que peu de recherches intègrent ces plans CAD comme source d’information pour la segmentation et la classification de nuages de points 3D. Notre recherche vise donc à développer une méthode de segmentation et classification sémantique d’un nuage de points 3D d’environnement intérieur, méthode qui se base sur cette information sémantique et spatiale extraite du plan CAD 2D associé à cet environnement. Une méthodologie en neuf étapes détaillant le développement d’un tel algorithme est donc proposée. Après certains prétraitements, la méthode extrait du plan l’information sémantique et spatiale nécessaire. Cette information est alors utilisée afin de segmenter, en différentes classes sémantiques, un nuage de points correspondant au plan. Cette segmentation se base sur la création de zones tampons associées aux éléments du plan et sur des statistiques de hauteur des points. Des opérations d’optimisation sont aussi réalisées. Une fois développée, cette méthode est appliquée à différents nuages pour la valider et l’évaluer statistiquement. Les différents résultats obtenus sont alors présentés, analysés et discutés. Cette analyse prouve que la méthode est fonctionnelle et qu’elle peut fournir des résultats quasiment similaires à ceux de la méthode manuelle, mais de manière plus rapide. Enfin, certaines limitations et perspectives de développement sont mises en avant.

Among possible treatments to address 3D point clouds, segmentation and semantic classification serve as a foundation for many works and algorithms. However, their manual implementation presents several shortcomings. Thus many are seeking to develop automatic implementations instead, which could particularly benefit from the importation of external information. Among structured professional data, 2D CAD (Computer Aided Design) indoor floor plans contain some semantic and spatial information recorded in well-defined and structured file format. Yet, literature and related works analysis suggests that few researches integrate such CAD floor plans as a source of information for the segmentation and classification of 3D point clouds. Hence our research aims to develop a 3D indoor point cloud segmentation and semantic classification method. This method should use semantic and spatial information extracted from the 2D CAD floor plan depicting the same environment as the point cloud. The development of such an algorithm is presented through a nine steps methodology. After some pretreatments, the algorithm extracts semantic and spatial information from the 2D CAD floor plan.This information is then used to segment in multiple semantic classes the 3D point cloud representing the same environment as the plan. This segmentation is based on the creation of buffer zones related to plan elements as well as on the analysis of points height statistics. Additionally, optimization processes are also carried out. Once this algorithm is developed, it is then applied to various point clouds in order to validate and statistically evaluate it. The results are then presented, analysed and discussed. This analysis proves that the method is functional and can provide results that are nearly similar to the ones obtained by manual implementation, but in a faster way. At last, some limitations and different development perspectives are highlighted.