methodes de production des plans topographiques et

Mémoire de Master II en Informatique Appliquée aux Systèmes d’Information
Géographique (IASIG)
Présenté par
Berthe Vahatriniaina Olivia RASOLOMAMPIANINA
METHODES DE PRODUCTION DES PLANS
TOPOGRAPHIQUES ET CARTOGRAPHIQUES À PARTIR DES
SYSTÈMES LIDAR MOBILE TERRESTRE (MLS)
Soutenu le 20 Mars 2015 devant le jury composé de :
Pr. Jean Paul RUDANT :
Dr. Joseph Mvogo NGONO :
Professeur à l’Université Paris-EST Marne-la-Vallée, France
Président
Professeur et Directeur de l’Académie Internet de l’Université de
Rapporteur
Douala, Cameroun
Dr. Jacques TAGOUDJEU :
Chargé de Cours à l’École Nationale Supérieure Polytechnique,
Encadrant
Université de Yaoundé I, Cameroun
M. Luc Joseph STRAUB :
Directeur Général Associé de la Société FUTURMAP, Madagascar
Maître de stage
DEDICACE
Á
Mon Père céleste
Mon Sauveur Jésus-Christ
Ma mère
Mes frères
Mes collègues de FUTURMAP
Sommaire
INTRODUCTION .......................................................................................................................... 1
1.
Présentation de la structure d’acceuil ................................................................................. 1
2.
Contexte de l’étude ............................................................................................................. 2
3.
Problématique ..................................................................................................................... 2
4.
Objectifs principaux ............................................................................................................ 3
5.
Plan ..................................................................................................................................... 3
ETAT DE L’ART ................................................................................................................... 5
1.
1.1 Cartographie 3D d’environnements urbains ....................................................................... 5
1.2 LiDAR Mobile Terrestre................................................................................................... 13
1.3 Présentation des logiciels utilisés...................................................................................... 17
2.
METHODOLOGIE............................................................................................................... 20
2.1 Semi-automatisation des tâches ........................................................................................ 20
2.2 Automatisation des tâches................................................................................................. 32
3.
IMPLÉMENTATION ET RÉSULTAT ............................................................................... 39
3.1 Description du processus de détection automatique d’objets ........................................... 39
3.2 Mise en place de la détection avec la bibliothèque open source Point Cloud Library ..... 42
3.3 Report des résultats sur Microstation ................................................................................ 45
3.4 Plan obtenu........................................................................................................................ 46
CONCLUSIONS ET PERSPECTIVES ....................................................................................... 48
1.
Conclusion ........................................................................................................................ 48
2.
Perspectives....................................................................................................................... 49
Remerciements
Je suis particulièrement reconnaissante envers l’Eternel pour sa bonté et son amour infini envers
nous. La santé, la force et la sagesse de sa part m’ont permis de mener à terme ce mémoire.
Je tiens à remercier mes deux encadreurs académique et professionnel. Le Docteur Jacques
TAGOUDJEU, mon encadreur pédagogique pour sa patience, son soutien et ses conseils au
cours de l’encadrement. Monsieur Luc Joseph STRAUB, mon maître de stage pour m’avoir
acceptée dans la société FUTURMAP, pour sa confiance et ses conseils.
Mes vifs remerciements aux membres du jury :



Le Professeur Jean Paul RUDANT, Président du jury.
Le Docteur Joseph MVOGO NGONO, Rapporteur.
Et tous les invités.
J’adresse également ma gratitude à l’équipe du Master IASIG de l’Université de Douala, de
l’École Nationale des Sciences Géographiques de France, de l’Université Paris Est Marne-lavallée et de l’Agence Universitaire de la Francophonie :




Le Docteur Pascal BARBIER et le Docteur Joseph MVOGO NGONO, responsables du
Master IASIG.
Monsieur Pascal BOULERIE, ingénieur diplômé de l’ENSG et Monsieur Marcel Guillaume
MOUTOME, personnel administratif du Master IASIG.
À tous les enseignants et tout le personnel de ce Master IASIG.
À toute la promotion.
Je remercie aussi tout le personnel de la société FUTURMAP pour leur accueil chaleureux et
leur collaboration.
Enfin, une immense reconnaissance et gratitude à ma mère et à mes frères.
i
Résumé
A partir des données issues d’un système LiDAR Mobile Terreste, nous avons obtenu des nuages
de points géoréférencés avec une précision altimétrique de 2 cm. Suite à la vectorisation de ces
nuages de points, des procédés de traitement comportant la segmentation ont été mises en place
pour obtenir un plan topographique composé d’éléments linéaires (bord route, les fils d’eau,
bâtiment, mur, …) et d’éléments ponctuels (symboles représentants les poteaux, les panneaux,
les regards, les bouches à clé, …). En ce qui concerne les éléments linéaires, le filtrage de tous
les points du sol en une classe est nécessaire. Le filtrage est effectué à l’aide de l’algorithme
«slope based planar fitting». Cette classe sol a servi par la suite à obtenir automatiquement les
éléments comme le dos de la bordure et facilitera la transformation des éléments 2D en 3D.
Toutes ces étapes ont été réalisées avec le logiciel TerraScan de TerraSolid et le logiciel de
dessin MicroStation. Pour détecter les objets de type panneaux, poteaux, une méthodologie a été
conçue avec comme données de sortie un fichier texte avec le code et les coordonnées (x, y, z)
du centroïde de chaque objet détecté. Les données d’entrée pour ces ponctuels sont les nuages de
points où sont soustraits les nuages de points représentants les points sol, les bâtiments, les murs
et les objets temporaires comme les voitures. La procédure de détection automatique a été
réalisée en clustérisant les nuages de points cibles en classes d’objets par l’algorithme Surface
Growing et Connected Components. Enfin, les objets sont détectés en spécifiant les
caractéristiques géométriques (taille, surface, densité, hauteur) et les valeurs de l’intensité.
Mots clés : LiDAR Mobile Terrestre, Nuages de points 3D, Classification du sol, Segmentation,
Extraction d’objets.
ii
Abstract
Through Mobile Laser Scanner system, we have obtained a georeferenced point cloud with a
planimetric accuracy of 2 cm. By digitizing those point clouds, processing methdods including
segmentation have been put in place to get a topographical plan including linear features (edge of
road, curb, building, wall …) and assets (cells representing light signs, traffic signs, manhole,
sewer …). Concerning the linear elements, filtering of all ground points in a class is necessary.
The filtering is performed using the "slope based planar fitting" algorithm. This ground class
has subsequently used to automatically obtain items such as the curbstone and facilitate the
transformation of 2D to 3D elements. All these steps were performed with the TerraSolid’s suite
TerraScan/TerraModeler and the CAD software Microstation. To detect pole like objects, a
workflow was designed with output data as a text file with the name (code) and the coordinates
(X, Y, Z) of the centroid of each detected object. The input data for these assets are the point
clouds where the point clouds representing the ground points, buildings, walls, and temporary
objects like cars are substracted. Automatic detection procedure was performed to cluster
targeted point clouds to object classes by the algorithm Surface Growing and Connected
Components. Finally, the objects are detected by specifying the geometric features (size,
surface, density, height) and the intensity values.
Keyword: Mobile Laser Scanner, 3D point cloud, Ground classification, Segmentation, Object
detection.
iii
Acronymes
2D
3D
ACP
API
ASCII
CAD
COM
DAO
DLL
DMI
GPS
IA
IDE
INS
LiDAR
MDL
MLS
MVBA
PCD
PCL
PFE
RANSAC
TIN
UML
: Deux Dimensions
: Trois Dimensions
: Analyse en Composantes Principales
: Application Programming Interface
: American Standard Code for Information Interchange
: Computer Aided Design
: COmponent Model
: Dessin Assisté par Ordinateur
: Dynamic Link Library
: Distance Measuring Instrument
: Global Positioning System
: Intelligence Artificielle
: Integrated Development Library
: Inertial Navigation System
: Light Detection And Ranging
: MicroStation Development Library
: Mobile Laser Scanning
: MicroStation Visual Basic for Applications
: Point Cloud Data
: Point Cloud Library
: Projet de Fin d’Études
: RANdom SAmple Consensus
: Triangulated Iterative Network
: Unified Modeling Language
iv
Glossaire
2D
3D
Masque
Tel que construit
Densité
Coupe
(verticale/horizontale)
DMI
Filtrage
Géoreférencement
SIG
GPS
IMU
Intensité
LAS
Nuage de points
Segmentation
Voisinage
: Deux dimensions (X, Y). Se réfère aux données qui ont été projetées
sur un plan tels qu’une carte, un profile.
: Trois dimensions (X, Y, Z). Dans un système de coordonnées
cartésien 3D, on peut associer plusieurs valeurs Z à n’importe quelle
couple XY.
: Des points erronés qui empêchent d’obtenir précisément l’objet
scanné.
: Représentation d’un objet ou d’une scène dans son état actuel, tel
qu’il est après sa construction.
: Le nombre de points par unité de surface ou la distance moyenne
entre les points dans un nuage de points.
: Une représentation 2D d’une portion de nuage de points 3D.
: Un instrument qui mesure physiquement la distance parcourue le long
du trajet.
: La suppression ou la classification des nuages de points en des classes
distinctes pour servir dans divers traitements.
: Le processus d’assignation d’un système de coordonnées et des
informations de localisation à des points dans l’espace.
: Base de données pour stocker et analyser les données géographiques.
: Un instrument de positionnement par satellite.
: Un instrument qui utilise des gyroscopes et des accélérateurs pour
donner les informations sur la vitesse et l’orientation d’un véhicule.
: La quantité de l’énergie du rayon laser mesurée après la réflexion de
la lumière retournée par une surface. L’échelle va de 0 à 1, 0 à 255, 0 à
65535.
: Un format de fichier binaire qui a été spécialement développé par
l’association américaine de la photogrammétrie et de la télédétection
ou American Society for Photogrammetry and Remote Sensing
(ASPRS) pour faciliter la compatibilité des fichiers utilisés entre les
logiciels. La version courante est le 1.4.
: Une collection de points dans un espace 3D souvent générée par un
scanner laser 3D.
: Le partage ou la subdivision de l’ensemble des points 3D en sousensembles (sous-nuage de points) homogènes, suivant des critères
prédéfinis (forme, intensité, plan, …).
: L’ensemble des points les plus proches ou voisins d’un point choisi
aléatoirement. Il se paramètre en donnant le rayon d’une sphère ou
d’un cylindre centré sur le premier point choisi précédemment.
v
Liste des tableaux
Tableau 1 : Échelles et type de cartes (source [1]) ......................................................................... 5
vi
Liste des figures
Figure 1 : Organigramme de la Société FUTURMAP.................................................................... 1
Figure 2 : Couple stéréoscopique (source web) .............................................................................. 7
Figure 3 : Mesure de coordonnées sphériques (R, θ, ϕ) (source [3]) .............................................. 8
Figure 4 : Principe du temps de vol (source [5]) ............................................................................ 9
Figure 5 : Calcul de de la différence de phase (source [6]) ............................................................ 9
Figure 6 : Principe de triangulation (source [3]) ........................................................................... 10
Figure 7 : Principe d’acquisition du LiDAR aérien (source [9]) .................................................. 11
Figure 8 : Présentation d’un LiDAR terrestre (source web) ......................................................... 12
Figure 9 : Schéma des domaines d’application du LiDAR mobile terrestre (source [18])........... 13
Figure 10 : Principaux composants du LiDAR mobile terrestre (source [20]) ............................. 14
Figure 11 : Lidar Mobile Terrestre, Leica Pegasus : Two (source [21]) ...................................... 15
Figure 12 : Lidar Mobile Terrestre, RIEGL VMX-450 (source [22]) .......................................... 16
Figure 13 : Illustration des paramètres de classification par pente (source [27]) ......................... 21
Figure 14 : Détection d’obstruction en vue isométrique ............................................................... 21
Figure 15 : Fenêtre Classify Ground de TerraScan ..................................................................... 22
Figure 16 : Résultats du filtrage du sol ......................................................................................... 23
Figure 17 : Fenêtre Classify by height from ground de TerraScan ........................................... 24
Figure 18 : Résultats du filtrage du sursol .................................................................................... 24
Figure 19 : Digitalisation d’un bas fil d’eau et du dos de la bordure............................................ 26
Figure 20 : Digitalisation d’un bord de la chaussée ...................................................................... 27
Figure 21 : Digitalisation d’un panneau et d’un regard ................................................................ 29
Figure 22 : Structure d’une fonction Autolisp (source [33]) ........................................................ 31
Figure 23 : Détection d’objet linéaire cylindrique par Brenner (source [37]) .............................. 33
Figure 24 : Étapes de détection des objets linéaires cylindriques de Golovinskiy (source [38]) . 34
Figure 25 : Classification des nuages de points par Lehtomäki (source [35]) .............................. 34
Figure 26 : Résultat de la segmentation par Surface Growing ..................................................... 35
Figure 27 : Résultat de la segmentation par Connected Component Analysis ............................. 36
Figure 28 : Visualisation d’un nuage de points par intensité. ....................................................... 38
Figure 29 : Diagramme de cas d’utilisation .................................................................................. 40
Figure 30 : Diagramme de séquence ............................................................................................. 41
Figure 31 : Interactions des modules de PCL ............................................................................... 42
Figure 32 : Exemple de définitions de champs dans PCD ............................................................ 43
Figure 33 : Exemple de fichier PCD ............................................................................................. 44
Figure 34 : Exemple de fichier d’insertion d’objets ponctuels. .................................................... 45
Figure 35: Plan obtenu à l’échelle 1/200 ...................................................................................... 47
vii
INTRODUCTION
1. Présentation de la structure d’acceuil
La SARL FUTURMAP, située à Ampandrana, Tananarivo est réprésentée par M. Luc Joseph
STRAUB, agissant en sa qualité d’associé gérant. La société est constituée de plusieurs
départements dont celui d’externalisation où je fus affiliée. Plusieurs employés affectés à des
postes divers y travaillent (dessinateurs spécialisés, géomètres, topographes, …).
L’organigramme de la Société est détaillé dans la figure 1.
Figure 1 : Organigramme de la Société FUTURMAP
La société acquiert de grandes compétences dans divers domaines à savoir la topographie,
cartographie 2D/3D et le traitement de données géographiques.
Le département externalisation reçoit dans données issues de scanners lidar aérien, terrestre, et
mobile terrestre des clients de l’Afrique, de l’Europe. Ces données sont reçues pour délivrer
ensuite des plans de façades, des plans topographiques allant jusqu’à 1/200. Le département
topographie en étroite collaboration avec le département externalisation effectue aussi de levés
avec les technologies avancées que ce soit à Madagascar ou à l’étranger.
FUTURMAP révise constamment sa procédure de travail avec l’aide de la Cellule R&D. C’est à
cet effet que s’inscrit mon PFE en analysant les procédures à suivre pour le traitement des
nuages de points issus du levé scanner laser dynamique. Ce type de levé devient de plus en plus
courant. Cependant, les procédures de vectorisation ne sont pas encore fixées.
Ce PFE effectué au sein de FUTURMAP aura pour objectifs de produire un plan topographique
issu du scanner mobile terrestre tout en tenant compte des exigences suivantes :
1



Exhaustivité du levé,
Précision planimétrique et altimétrique des objets levés,
Rapidité du traitement.
La mise en place de cette procédure constituera un avantage pour la société pour faire face aux
nombreux concurrents par sa rapidité de travail et en fournissant des produits d’une bonne
qualité et d’une bonne précision.
2. Contexte de l’étude
2.1
Cartographie 3 D
Actuellement, la demande d’une carte topographique en 3D s’accroît. Les logiciels de DAO
offrent une visualisation avancée en perspective. En effet, les planificateurs de projet préfèrent
apprécier directement la forme du terrain avec la visualisation en 3D. La cartographie des
données existantes servira de support pour beaucoup de projets et études. Les échelles des cartes
vont de 1/1 000 000 pour les cartes géographiques à 1/50 pour les plans d’architecture.
2.2
Techniques de levés 3 D
Aujourd’hui, nous avons à notre disposition un certain nombre de techniques pour la réalisation
de levés en 3D, dont chacune possède ses avantages et ses inconvénients. On retrouve
notamment:


La lasergrammétrie aéroportée, terrestre et mobile terrestre,
La photogrammétrie aérienne.
La lasergrammétrie ou LiDAR, LIght Detection And Ranging consiste en un balayage de
mesures effectuées au laser, avec une cadence d’acquisition relativement élevée.
La photogrammétrie, quant à elle, permet la création de modèles tridimensionnels à partir de
deux prises de vue successives, recouvrant une même zone avec un angle différent en appliquant
l’aérotriangulation.
3. Problématique
Avec l’évolution de la technologie de levé par laser, les constructeurs comme Leica, Optech,
SAM, Riegl, Trimble fournissent des scanners laser de plus en plus performants et fiables.
Plusieurs professionnels utilisent la technologie LiDAR mobile terrestre pour lever les
autoroutes, les corps de rue en milieu urbain, etc. Des travaux de calage, de filtrage et de
digitalisation émergent à partir de ces nuages de points. Nous allons nous concentrer sur la
2
vectorisation des nuages de points en assumant que ces derniers ont été bien calés par les clients.
Toutefois avec la concurrence, il convient de chercher les procédures à suivre pour améliorer
constamment la qualité de nos plans en ce qui concerne la topologie, la précision planimétrique
et altimétrique. L’exhaustivité du levé constitue aussi un point important à ne pas négliger. En
plus, il faut aussi prendre en compte de la compétitivité du prix et du délai de traitement. Ce qui
nous conduit à maximiser l’utilisation de procédures automatiques afin d’augmenter la rapidité
de traitements et de diminuer le nombre de personnel affecté à un projet.
4. Objectifs principaux
Hormis les objectifs suscités dans la problématique dont les principaux sont l’exhaustivité, la
précision (planimétrie et altimétrie) du plan topographique délivré et la rapidité du traitement,
des objectifs à court terme et à long terme sont définis.
Pour le court terme, il a été défini :




D’utiliser au maximum c’est à dire de maîtriser toutes les fonctionnalités qu’offrent la
suite de TerraSolid, leader des éditeurs de logiciel de traitements de nuage de points
laser.
De se familiariser à toutes les fonctionnalités du logiciel de DAO de Bentley,
MicroStation et d’Autodesk, AutoCAD.
De développer des macros sous MicroStation ou des lisps sous AutoCAD pour étendre
leurs fonctionnalités.
De concevoir une application pour des traitements qui ne sont ni offertes par ces logiciels
ni programmables à l’intérieur.
Pour le long terme, il a été convenu :


De continuer l’amélioration des procédures de traitements établis et de les faciliter.
De pouvoir utiliser des librairies Open Source pour concevoir un logiciel pour effectuer
tous les traitements nécessaires à l’obtention du plan topographique.
5. Plan
Le mémoire se compose de trois parties :



État de l’art de l’existant :
Méthodologie adoptée
Implémentation et résultats
Dans la première partie, nous établirons un état de l’art de l’existant qui consiste à définir la
cartographie 3D. Cette partie traitera également le LiDAR Mobile Terrestre et les logiciels de
traitements de nuages de points. Dans la deuxième partie, nous aborderons la méthodologie
3
adoptée constituée par une semi-automatisation des tâches, suite chronologique d’utilisation des
outils incorporés dans les logiciels sur le marché. Ensuite, une section est consacrée sur
l’automatisation des tâches à savoir l’étude des algorithmes de détection des objets tels que les
poteaux et panneaux dans les nuages de points. Enfin, la dernière partie sera consacrée à
l’implémentation des algorithmes retenus et à la présentation de plan obtenu. Ce mémoire
s’achèvera par une conclusion et les perspectives d’amélioration.
4
1. ETAT DE L’ART
Ce chapitre présente les concepts théoriques liés à l’activité de recherche dans le cadre de notre
projet. La section 1.1 décrit le domaine de la cartographie 3D d’un environnement urbain avec
son utilité et ses techniques d’acquisition. Ensuite, la section 1.2 présente spécifiquement le
LiDAR Mobile Terrestre, la technique de levé utilisé pour avoir notre plan topographique 3D.
1.1
1.1.1
Cartographie 3D d’environnements urbains
Introduction
Le domaine de la cartographie est marqué par une incessante évolution. La cartographie migre
de plus en plus vers l’ère numérique. Le mot « Cartographie » est formé des mots grecs Cartis =
carte et Graphien = écrire. La cartographie est donc l’art (ensemble des techniques) de créer une
carte ou un plan.
Le progrès de l’informatique favorise la cartographie par ordinateur par rapport à la cartographie
manuelle. D’autres domaines tels que la géodésie, la photogrammétrie et la topographie sont
étroitement liés à la cartographie. Les informations provenant d’une carte sont les principales
sources pour alimenter un Système d’Information Géographique.
Les cartes sont appliquées dans diverses situations et sont utilisées dans de nombreux métiers
touchant au territoire, à l’environnement et à la gestion d’infrastructures. Les échelles des cartes
varient selon leurs utilisations illustrées par le tableau suivant.
Tableau 1 : Échelles et type de cartes (source [1])
Échelles
1/1 000 000 à 1/500 000
1/250 000 à 1/100 000
1/50 000, 1/25 000, 1/20 000
1/10 000
1/5 000
1/2000
1/1000, 1/500
1/200
1/100
1/50
Finalité
Cartes géographiques
Cartes topographiques à petite échelle
Cartes topographiques à moyenne échelle
Cartes topographiques à grande échelle
Plans topographiques d’étude, plans d’urbanisme
Plan d’occupation des sols, descriptifs parcellaires
Plans parcellaires, cadastraux urbains
Plans de voirie, d’implantation
Plans de propriété, plans de masse
Plans d’architecture, de coffrage, etc.
Plusieurs techniques sont disponibles de nos jours pour l’acquisition de ces données 3D où
figurent la télédétection optique, la télédétection radar, la photogrammétrie aérienne et la
lasergrammétrie.
5
1.1.2
Usages des données cartographiques
1.1.2.1 Navigation et déplacements
Les données cartographiques sont de plus en plus utilisées pour la géolocalisation. La
géolocalisation est la localisation d’un objet sur une carte à l’aide de positions géographiques.
Les informations routières enregistrées sont utilisées par des logiciels qui permettront ensuite à
des utilisateurs de s’orienter et de parvenir à destination. Ces informations proviennent de
plusieurs sources différentes.
1.1.2.2 Tourisme et patrimoine
La représentation numérique des places et objets historiques devient de plus en plus fréquentes.
Plusieurs vestiges sont reproduits tel que construits souvent par lasergrammétrie pour servir de
patrimoine ou de plans à jour pour les travaux de rénovation. Les données seront sous forme de
rendu 3d texturés ou non-texturés, de film. Il est aussi possibles de faire des visites virtuelles.
1.1.2.3 Géomarketing
Les informations géographiques seront utilisées dans le domaine du marketing pour analyser le
comportement des consommateurs en tenant compte de l’espace. Grace aux manipulations des
données, on obtient les zones de chalandise (zone d’attraction commerciale d’un point de vente)
et on peut faire des études pour optimiser les moyens du marketing direct (publipostage,
phoning, mailing …).
1.1.2.4 Urbanisation et construction
Les plans topographiques sont utilisés pour les travaux de construction et d’urbanisation. Les
plans peuvent servir de simulation pour des travaux d’implantation. Ils fournissent aussi les
coordonnées exactes de l’emprise d’un ouvrage ou d’un quelconque élément d’un chantier. Ces
données constitueront aussi de la documentation et des plans d’urbanisme.
1.1.2.5 Géomonitoring
Ces nouvelles technologies permettent de quantifier les effets liés aux changements climatiques
et d’y lutter. Les mesures de l’évolution de phénomènes comme la fonte de glaciers, l’élévation
de la surface des mers, les glissements de terrains sont effectuées. L’analyse de ces mesures est
effectuée avec les techniques statistiques, du système expert et de la fouille des données. Nous
pouvons obtenir la prédiction du débit d’une rivière, de la qualité de la moisson [2].
6
1.1.3
Principes
cartographiques
d’acquisition
de
données
1.1.3.1 Photogrammétrie aérienne
La photogrammétrie est une technique de la télédétection qui consiste à effectuer des mesures
dans une scène à l’aide d’acquisition d’images. Cette technologie reproduit la vision
stéréoscopique humaine pour reconstituer le relief d’une scène à partir de différents points de
vue. La photogrammétrie se focalise principalement sur la modélisation de la géométrie des
images et de leur acquisition afin de reconstituer une copie 3D proche de la réalité.
Figure 2 : Couple stéréoscopique (source web)
La figure 2 illustre l’acquisition des deux points d’un bâtiment par couple stéréoscopique.
La photogrammétrie fournit les produits suivants :



Un Modèle Numérique de Terrain, une description ou une représentation 3D du relief
topographique.
Une orthophoto, une image géométriquement semblable à une carte où les corrections
dues au capteur et à l’environnement ont été effectuées.
Un rééchantillonnage, une création d’une nouvelle image par des traitements comme la
rotation, le changement d’échelle, etc.
7
1.1.3.2 LiDAR
1.1.3.2.1
Présentation du laser scanner
La télédétection par laser ou LiDAR, Light Detection and Ranging est une technologie de
mesure à distance basée sur l’analyse des propriétés d’un faisceau de lumière renvoyé vers son
émetteur. Contrairement au Radar qui utilise des ondes radio, le lasergrammmétrie utilise de la
lumière cohérente ou plus précisément du spectre visible, infrarouge ou ultraviolet.
Le scanner laser mesure la distance entre le système de transmission et l’objet cible, ainsi que
l’angle horizontal et vertical. On peut calculer des coordonnées tridimensionnelles (X, Y, Z) d’un
point sur la surface d’un objet grâce aux informations de distance R et les angles d’orientation du
rayon laser (θ, ϕ) ou encore à partir des coordonnées sphériques (R, θ, ϕ).
Figure 3 : Mesure de coordonnées sphériques (R, θ, ϕ) (source [3])
Nous pouvons déduire à partir de la figure 3 les relations suivantes :
X = R. cos θ. cos ϕ
Y = R. cos θ. sin ϕ
Z = R. sin θ
Les différentes méthodes de mesure de distance aboutissent à la classification des scanners. On
peut citer les scanners suivants :



Scanner laser à impulsions ou temps de vol,
Scanner laser à différence de phase,
Scanner laser à triangulation.
Le scanner laser à impulsions est composé d’un distancemètre, d’un émetteur laser, d’un
récepteur laser, d’une horloge, d’un émetteur et d’un récepteur optique [4]. Ce dernier émet un
8
rayon laser, mais doit cependant attendre le retour de l’onde envoyée pour réaliser la mesure
suivante.
Figure 4 : Principe du temps de vol (source [5])
La mesure de distance illustrée par la figure 4 donne la formule ci-après :
Z = c*Δt
2
Avec
Z : distance parcourue (m)
c : célérité de la lumière (3.108 m/s)
Δt : temps de parcours (s)
Pour le scanner à différence de phase, le problème d’attente du précédent écho pour envoyer le
prochain rayon laser s’élimine. En effet, ce type de scanner laser envoie une onde en continu.
Les scanners à phase différentielle modulent leur signal en utilisant un signal sinusoïdal basé
généralement sur l’amplitude ou sur la fréquence. Quoiqu’il figure comme un instrument de
mesure ultra rapide, son principal problème réside dans la portée et dans l’apparition d’artefacts.
Figure 5 : Calcul de de la différence de phase (source [6])
9
La mesure de phase illustrée par la figure 5 donne la formule ci-après :
Δφ = 2Π * f * Δt = 2Π * f * 2Z
c
Soit Z = Δt * c
4Π * f
Avec Δφ : différence de phase entre le signal envoyé et le signal reçu (radian)
f : fréquence de modulation du signal (Hz)
Δt : intervalle de temps mesuré (s)
Z : distance parcourue (m)
c : célérité de la lumière (3.108 m/s)
Enfin, le scanner laser à triangulation calcule la distance sur la base d’une résolution de triangle.
Le scanner émet un rayon sur un objet. Une caméra est également utilisée pour déterminer
l’angle entre la direction caméra-scanner et la direction caméra-objet mesuré. La distance entre la
caméra et le scanner reste connue en permanence.
Figure 6 : Principe de triangulation (source [3])
Le principe de triangulation détaillé par la figure 6 donne la formule ci-après :
z=
Avec
D
Tan α + p / f
Z : distance de l’objet (m)
D : distance entre la partie émettrice et la partie réceptrice (m)
f : distance focale (m)
p : position du signal reçu dans la partie réceptrice (m)
α : angle de projection du laser (radian)
À l’issue d’un relevé par scanner laser, on obtient des nuages de points, points 3D représentant la
surface de l’objet ou la scène scannée.
10
1.1.3.2.2
Systèmes d’acquisition LiDAR
Actuellement, il existe trois types de levés LiDAR dont nous pouvons citer le LiDAR aérien, le
LiDAR statique terrestre et le LiDAR mobile terrestre. Des similitudes existent entre ces
différents systèmes. Toutefois, les différences entre ces moyens de levés résident dans leurs
composants, le niveau de précision, de la densité des nuages de points reçue. Plusieurs études ont
été faites pour développer et pour calibrer ces systèmes pour assurer la précision des levés
topographiques [7] [8]. Par conséquent, ces systèmes ont fait leurs preuves pour obtenir des
données cartographiques 3D fiables
Le LiDAR aérien est composé de sous-systèmes suivants :



Un Scanner laser
Un central inertiel, INS/IMU
Une station GNSS
La figure 7 résume le principe de fonctionnement d’un LiDAR aéroporté.
Figure 7 : Principe d’acquisition du LiDAR aérien (source [9])
Le LiDAR aérien est surtout utilisé pur une cartographie à grande échelle. Il est utilisé pour de la
modélisation urbaine [10], pour la surveillance côtière [11], pour la cartographie du corridor
[12], pour la restitution des limites forestières [13], pour des travaux d’archéologie [14] et pour
des études environnementales [15].
11
Le LiDAR statique terrestre est composé seulement d’un scanner laser posé sur un trépied
comme nous montre la figure 7. Les systèmes de positionnement ne sont pas utilisés.
Figure 8 : Présentation d’un LiDAR terrestre (source web)
Le LiDAR statique terrestre trouve son efficacité dans les levés de façade [16] [17].
Le LiDAR mobile terrestre est un compromis entre le LiDAR aérien et le LiDAR statique
terrestre. Il sera détaillé dans la section suivante.
12
1.2
LiDAR Mobile Terrestre
1.2.1 Introduction
Quoique le LiDAR aérien et le LiDAR statique terrestre présentent chacun leurs avantages en
levés topographiques, il s’avère que ces deux technologies présentent certaines limites. D’un
côté, les nuages de points issus du LiDAR aérien ne sont pas assez denses pour obtenir
l’exhaustivité des détails d’un corps de rue à cause de l’angle de balayage (non approprié pour
les objets verticaux [19]) et des masques. D’un autre côté, la couverture du LiDAR statique
terrestre est limitée.
La figure 9 nous fournit une représentation graphique des domaines d’applications du LiDAR
mobile terrestre.
Figure 9 : Schéma des domaines d’application du LiDAR mobile terrestre (source [18])
13
1.2.2 Principes du système
Les principaux composants du LiDAR Mobile Terrestre sont :



Un système de localisation comprenant un récepteur GPS, une centrale inertielle, un
odomètre pour le calcul de la position et de l’orientation du système. C’est grâce à la
combinaison de ces matériels que le géoréférencement direct des nuages de points soit
possible.
Un système d’acquisition de la scène composé d plusieurs scanners laser et de quelques
appareils photos.
Une plateforme mobile ou un véhicule où sont montés le système de localisation et le
système d’acquisition.
La figure 10 présente les composants du LiDAR mobile terrestre sus-énumérés.
Antenne GPS
Appareil photo
Scanner laser
Centrale inertielle
Figure 10 : Principaux composants du LiDAR mobile terrestre (source [20])
Avec une bonne réception du signal GNSS, la technologie StreetMapper de Topcon donne une
précision planimétrique de 15 à 29 mm bien que la calibration entre les différents scanners ne
soit pas optimale [20].
En milieu urbain et dans un environnement forestier, la précision planimétrique est
principalement altérée par la dégradation du signal.
14
1.2.3 Technologies sur le marché
1.2.3.1
Leica Pegasus : Two
Le Leica Pegasus : Two est la solution de la cartographie 3D développée par la Société Leica
Geosystems. Ce système est composé de :






Scanners laser P20, avec une vitesse d’acquisition allant jusqu’à 1 million de
points/seconde et une portée de 120 mètres maximum.
7 appareils photos à haute définition pour capturer une vue complète de 360º.
Récepteurs GPS, GLONASS, GALILEO, BELDOU.
NovAtel ProPak, appareils pour le GNSS/INS/IMU.
Système de contrôle.
Application ArcGDS pour effectuer quelques opérations de digitalisation sur les nuages
de points.
Les nuages de points issus du Leica Pagasus : Two n’ont qu’une seule valeur d’écho. Ils n’ont
pas aussi de valeurs RGB.
La figure 11 illustre les équipements constituant le Leica Pegasus : Two et son installation sur un
véhicule.
Figure 11 : Lidar Mobile Terrestre, Leica Pegasus : Two (source [21])
15
1.2.3.2
Riegl VMX-450
Le RIEGL VMX-450 est la gamme de la cartographie 3D développée par la Société Riegl. Ce
système est composé de :




Scanners laser VQ-450, avec une vitesse d’acquisition allant jusqu’à 1,1 million de
points/seconde.
Les équipements GNSS/IMU sont intégrés dans les scanners.
Plus de 6 appareils photos à haute définition pour capturer une vue complète de 360º.
Unité de contrôle VMX-450-CU.
Application RiPRICESION MLS pour visualiser les nuages de points et corriger les
erreurs de précision de ces derniers.
Les nuages de points issus du RIEGL VMX-450 retournent plusieurs valeurs d’écho selon la
nature de l’objet. Le système peut aussi capturer les vraies couleurs RGB des objets scannés.
La figure 12 présente les équipements constituant le RIEGL VMX-450.
Figure 12 : Lidar Mobile Terrestre, RIEGL VMX-450 (source [22])
16
1.3
Présentation des logiciels utilisés
1.3.1 Bentley/MicroStation [1a]
MicroStation est un logiciel propriétaire d’ingénierie collaborative édité par la Société Bentley
Systems en 1984. Les fichiers créés sur MicroStation portent l’extension .dgn. Mais il supporte
aussi le format .dwg, format du fichier du logiciel AutoCAD. MicroStation possède plusieurs
outils pour le dessin 2D et 3D dont :






Les primitives de dessin (lignes, arcs, cercles, B-spline, …),
Les opérations géométriques (projection, rotation, décalage 2D et 3D …),
La gestion et la création des blocs pour représenter des objets comme les arbres, les
poteaux, les panneaux, etc.,
Les visualisations 2D et 3D,
Les options d’insertions de données à partir de fichiers textes,
La création de macros avec le langage VBA ou le MicroStation Development Language,
dérivé du langage C pour étendre les fonctionnalités existantes
La version antérieure à la série V8i n’est pas très ergonomique du point de vue de la méthode de
déplacement dans le fichier de dessin.
L’un des particularités de MicroStation est qu’il peut se comporter comme hôte d’un logiciel
tiers c’est-à-dire qu’un autre logiciel y étant installé en tant que plugin pourrait utiliser toutes ses
fonctionnalités.
1.3.2 Autodesk/AutoCAD [2a]
AutoCAD est un logiciel payant de DAO conçu par la Société Autodesk en Décembre 1982.
L’extension du fichier utilisé dans AutoCAD est le .dwg. AutoCAD est le logiciel de dessin le
plus utilisé grâce à sa facilité de manipulation. AutoCAD possède plusieurs fonctions pour le
dessin 2D et 3D dont :




Les primitives de dessin (lignes, arcs, cercles, B-spline, …)
Les opérations géométriques (projection, rotation, décalage 2D et 3D …)
Les visualisations 2D et 3D.
La création de menus personnalisés avec le langage Autolisp.
Des logiciels complémentaires peuvent aussi être installés sur AutoCAD. Ces derniers seront
insérés sous forme de plugins. Une fois installée, ces plugiciels hériteront des fonctionnalités
d’AutoCAD.
17
1.3.3 Geomedia/Covadis [3a]
Covadis est une application de topographie, de terrassement et d'infrastructure VRD dédié aux
géomètres, aux bureaux d’études, aux entreprises de BTP et aux collectivités locales ou
territoriales. Ce logiciel est un plugin d’AutoCAD développé par la Société GEOMEDIA SAS.
Covadis est utilisé dans le projet de digitalisation pour :


La génération de tabulations.
Les Travaux de points topographiques.
1.3.4 Certainty3D/TopoDOT [4a]
TopoDOT est un des logiciels de traitements LiDAR. Il a pour principal objectif d’extraire des
données vectorisées à partir des nuages de points. TopoDOT est un plugin de MicroStation
version V8i série 2 et plus. La licence d’utilisation est payable soit annuellement soit par nombre
d’utilisation. TopoDOT propose les principales fonctionnalités suivantes :
 Classification automatique des points sols.
 Digitalisation semi-automatique des fils d’eau,
 Vectorisation automatique des bandes blanches,
 Vectorisation semi-automatique de tuyauterie.
TopoDOT est en étroite collaboration avec la société de construction de scanners 3D RIEGL.
1.3.5 Les suites de logiciels TerraSolid [5a]
TerraSolid est le leader mondial du logiciel de traitements LiDAR. Ses suites de
logiciel TerraScan, TerraMatch, TerraPhoto et TerraModeler sont les leaders de solutions
logicielles pour la manipulation des nuages de points issus des scanners laser aérien et mobile. Il
est possible de calibrer, de lier, de classifier les nuages de points et de créer une orthophoto avec
ces logiciels.
Toutes ces applications de TerraSolid s’utilisent en tant que plugin via le logiciel de dessin
Microsation. Ils n’existent pas encore en stand alone.
1.3.5.1
TerraScan
TerraScan est un logiciel dédié aux traitements des données brutes aéroportées ou terrestres
issues d’un scanner laser (LiDAR). Le logiciel supporte les formats LAS (actuellement 1.2) et
TerraScan binaire. Toutefois, l'utilisateur peut définir ses propres formats pour la lecture de
pratiquement tous les fichiers ASCII. TerraScan peut afficher jusqu’à un milliard de points avec
sa version 64 bits. Cette application nous offre les fonctions suivantes :
18






Visualisation des nuages de points par intensité, par classes, par altitude, etc,
Classification automatique des points sols, des batîments, etc,
Classification manuelle,
Digitalisation automatique des fils d’eau,
Analyse des ornières,
Vectorisation automatique des bandes blanches.
1.3.5.2
TerraModeler
TerraModeler est une application de modélisation de terrain. Il crée des modèles de surface du
sol (TIN), des courbes de niveaux à partir des nuages de points. Elle possède des fonctions pour
modifier les TINs et les afficher en tant que courbes de niveaux. Le calcul des volumes est parmi
l’une de ses fonctions. TerraModeler est une puissante application destinée aux nombreux
besoins de la modélisation de l'environnement.
1.3.5.3
TerraPhoto
TerraPhoto produit des ortho-images rectifiées à partir des images aériennes. Il est spécialement
conçu pour le traitement des images qui sont prises au cours d'une mission de balayage laser.
TerraPhoto utilise le TIN des points laser de la classe sol pour un modèle de projection précis.
Certains points sur le terrain sont utilisés uniquement pour le contrôle de qualité. TerraPhoto lit
plusieurs formats d'image, tels qu’ECW, GeoTIFF, TIF, BMP, CIT, COT, RLE, PIC, PCX, GIF,
JPG2000 et PMG. En combinant TerraPhoto et TerraScan on peut également affecter des
valeurs RGB à des points laser.
1.3.5.4
TerraMatch
TerraMatch est une application destinée à corriger les données laser. TerraMatch compare les
bandes laser se chevauchant les unes avec les autres et corrige les paramètres d'orientation pour
obtenir un meilleur ajustement et une meilleure précision des données laser. L'ajustement est
basé sur les différences mesurées entre la forme xyz ou l'intensité des points laser des différentes
bandes.
19
2. METHODOLOGIE
Ce chapitre décrit les méthodes et les approches utilisées pour l’obtention d’un plan
topographique à partir des nuages générés par le LiDAR Mobile Terrestre, Leica Pegasus : Two.
La section 2.1 analyse l’approche semi-automatique des traitements effectués pour extraire les
éléments du plan. Enfin, la section 2.2 présente la procédure à suivre pour détecter
automatiquement les objets tels que les panneaux, poteaux, arbres.
2.1
Semi-automatisation des tâches
2.1.1
Classification des nuages de points
Le filtrage des points sol et du sursol en des classes bien définies est l’une des étapes principales
de la vectorisation. Il est nécessaire de séparer les points appartenant au sol des points de la
canopée. Plusieurs méthodes et algorithmes ont été mises en place pour avoir un bon filtrage
c’est-à-dire qui ne nécessite pas beaucoup de traitements manuels.
2.1.1.1 Concepts
Kilian [23] a introduit la notion d’opérateurs morphologiques pour le filtrage de points 3D. Deux
opérations successives sont effectuées, la dilation et l’érosion. Itérativement, les traitements
d’ouverture, l’érosion suivie de la dilation et les traitements de fermeture, la dilation suivie de
l’érosion se successives. Suite à une ouverture, les points d’altitude la plus basse sont détectés
dans un voisinage donné. Les autres points de ce voisinage se trouvant dans une bande de
tolérance autour de ce point minimum sont classés en points sol.
La performance des filtres morphologiques diminue lorsque les nuages de points sont composés
de vastes bâtiments, d’une forêt dense. Pour ces types de données, un couple de filtres d’ordre,
le Dual Rank est utilisé par Lohman [24]. Une autre méthode qui consiste à faire croître
graduellement la taille de l’élément structurant a été proposée par Zhang [25].
Vosselman [26] ajoute un opérateur basé sur des critères de pente locale pour une modélisation
explicite de la surface de terrain. La distribution spatiale des nuages de points montre que les
points appartenant à un même plan ou à un même objet n’ont pas une différence d’altitude
élevée. Par conséquent, un point sera classé sol si la différence altimétrique avec les autres points
du nuage est inférieure à un seuil.
Cette méthode a été reprise par Qihong [27] pour permettre à la fois de classifier le sol et les
éléments du sursol. Trois types de seuils sont à fournir pour la classification.
La figure 13 nous donne l’esquisse du fonctionnement de cette méthode.
20
Figure 13 : Illustration des paramètres de classification par pente (source [27])
Le point P1 appartient au plan I. Le point P2´ est la projection du point P2 sur le plan I, r est la
distance entre P2´ et P1, h est la différence d’altitude entre P2 et P1 et α l’angle de la pente entre
le point P2 et le plan I. Pour que P2 puisse appartenir au plan I, les conditions suivantes doivent
être vérifiées :
(a) r est inférieure à la valeur du seuil de la distance Seuil_r ;
(b) |h| est inférieure à la valeur du seuil de la différence d’altitude Seuil_h ;
(c) |α| est inférieur à la valeur du seuil de l’angle Seuil_α.
Une autre approche de classification proposée par Axelsson [28] est basée sur la densification
progressive du sol sous la forme d’un TIN. Cette technique a pour avantage la modélisation
explicite des discontinuités du sol. À partir d’un TIN initial contenant un nombre limité de
sommets d’altitude minimale répartis uniformément sur le nuage de points, le réseau de triangles
est progressivement densifié par des nouveaux points dont la distance par rapport à un triangle le
plus proche est inférieure à un seuil donné. Un autre seuil limitant la pente des triangles est
paramétré.
Enfin, une autre méthode dite par obstruction est introduite par Chang [29]. Les points du sursol
peuvent causer une obstruction en vue isométrique. Par conséquent, les points qui causent les
obstructions seront considérés comme appartenant au sursol.
La figure 14 explique le concept de la détection de l’obstruction.
Figure 14 : Détection d’obstruction en vue isométrique
21
2.1.1.2 Résultats
Pour classifier les points du sol et les points du sursol, nous avions utilisé le logiciel TerraScan.
La précision de la classification du sol nécessite la définition des paramètres suivants, présentés
dans la figure 15 :




La hauteur maximale d’un bâtiment,
La pente de la surface,
L’angle d’itération par rapport au plan,
La distance d’itération par rapport au plan.
Figure 15 : Fenêtre Classify Ground de TerraScan
Il est important de bien définir les bons paramètres pour ne pas avoir des points sols dans les
végétations et dans les bâtiments. Sinon, on risquerait de supprimer manuellement ces erreurs de
classification.
La figure 16 illustre un cas de bon filtrage et un autre cas de mauvais filtrage (de haut en bas).
22
Figure 16 : Résultats du filtrage du sol
Pour ce qui est du sursol, TerraScan fournit une fonction pour définir les objets à filtrer en
inscrivant la hauteur minimale et la hauteur maximale des objets à classifier comme le décrit
la figure 17. Pour pouvoir effectuer cette classification, il faut avoir préalablement classifié les
points du sol. Par conséquent, un mauvais filtrage de la classe sol faussera les points du sursol.
La densité des points de certains objets du sursol diminuera.
23
Figure 17 : Fenêtre Classify by height from ground de TerraScan
La figure 18 illustre un cas de bon filtrage et un autre cas de mauvais filtrage, avec diminution
de la densité des points (de gauche à droite).
Figure 18 : Résultats du filtrage du sursol
24
2.1.2
Digitalisation des linéaires
Dans un plan topographique, les bords de la chaussée, les fils d’eau, les bandes blanches, les
bâtiments, les murs constituent les linéaires. Étant donné que notre plan est en 3D, chaque
sommet des polylignes représentant ces éléments ont des coordonnées (X, Y, Z). La précision
planimétrique et la précision altimétrique sont très importantes.
2.1.2.1 Concepts
L’étape de la classification du sol est la tâche fondamentale pour tracer semi-automatiquement
certains éléments de ces linéaires. En effet, il existe trois manières de tracer les linéaires.
La première méthode est totalement manuelle. Il s’agit ici d’avoir deux fenêtres de dessin dont
l’une pour une vue en plan de l’élément à tracer et l’autre pour une vue en plan de la coupe
effectuée sur ce dernier. Pour tracer la polyligne, on effectue successivement et itérativement les
étapes suivantes :


Faire une coupe de l’objet dans la vue 1.
Placer un sommet dans la vue 2.
Cette méthode est fastidieuse et fait perdre du temps de par le va et vient qu’elle entraîne pour la
digitalisation.
La deuxième technique est semi-manuelle. Les procédés diffèrent d’un objet à un autre.
Toutefois, ils ont en commun l’utilisation de la classe sol. Nous allons présenter ces concepts à
l’aide d’exemples de cas d’utilisation.
Pour tracer le bord de la chaussée, il suffit juste d’avoir une seule vue et de le vectoriser en
suivant l’emprise sur le nuage de points. Ici, nous n’avons plus besoin de faire une coupe à
chaque fois pour placer un sommet. Cette technique nous fait gagner jusqu’à trois fois plus de
temps.
Une autre méthode est de générer automatiquement un objet à partir d’un élément initialement
tracé. Ce procédé est utilisé pour tracer le dos de la bordure. Il consiste à :


Tracer le bas fil d’eau.
Préciser l’écart entre le bas fil d’eau et la hauteur du trottoir pour générer
automatiquement le dos de la bordure.
La troisième technique est totalement automatiquement. De plus en plus de recherches sont
effectuées pour tracer automatiquement les objets tels que les bandes blanches [30], les fils d’eau
[31], les bâtiments [32]. Les logiciels payants comme TerraScan et TopoDOT implémentent déjà
ces techniques. Mais les résultats nécessitent encore beaucoup de corrections manuelles.
25
2.1.2.2 Résultats
La figure 19 illustre un exemple de linéaires avec une bonne précision planimétrique et
altimétrique.
Figure 19 : Digitalisation d’un bas fil d’eau et du dos de la bordure
La première figure est une vue plane du bas fil d’eau et du dos de la bordure. À partir de cette
vue, on peut déjà apprécier la qualité de la précision planimétrique en vérifiant si la polyligne
suit l’emprise sur le nuage de points. Quant à la précision altimétrique, c’est en faisant une coupe
que l’on peut s’assurer de la qualité comme le montre la deuxième figure.
26
La figure 20 présente un exemple de linéaires avec des erreurs sur la précision altimétrique.
Figure 20 : Digitalisation d’un bord de la chaussée
La première figure montre une bonne précision planimétrique. Quant à la précision altimétrique,
les sommets de la polyligne s’accrochent à la végétation comme le montre la deuxième figure.
Ces erreurs sont liés au fait qu’il y a des points sols dans la végétation.
27
2.1.3
Digitalisation des objets ponctuels
Les poteaux, les panneaux, les regards composent les objets ponctuels dans un plan
topographique. Contrairement aux linéaires, ces objets ne sont pas tracés. On place des symboles
pour les représenter.
2.1.3.1 Concepts
Trois techniques sont utilisées pour placer les objets ponctuels. Pour chaque méthode, il est
impératif de créer les symboles pour représenter ces objets. Ces derniers peuvent être crées dans
les logiciels de dessin comme AutoCAD et MicroStation. A chaque symbole, sont affectés un
nom, des propriétés (nom du calque, couleur) et des échelles (X, Y, Z).
La première méthode consiste à placer tous les objets susceptibles d’être utilisés dans le fichier
de dessin. A chaque fois qu’on a besoin de placer un symbole, on procède comme suit :



Faire une coupe sur l’objet, pour choisir les cordonnées (X, Y, Z) du centre de l’élément.
Faire un copier-coller du symbole correspondant à l’objet et le placer sur le centre.
Echeler et orienter le symbole.
Cette manière de faire a pour avantage de conserver les propriétés du symbole initial. Toutefois,
elle fait perdre du temps au niveau du copier-coller, de l’échelle et de la rotation.
Pour éviter le copier-coller, une autre technique a été utilisée. Elle consiste à regrouper tous les
symboles dans une librairie. Dorénavant, les démarches à suivre pour placer un symbole sont les
suivantes :


Faire une coupe sur l’objet, pour choisir les cordonnées (X, Y, Z) du centre de l’élément.
Placer directement le symbole en l’insérant par son nom.
C’est cette technique que nous utilisons pour digitaliser les objets ponctuels. Elle nous fait
économiser du temps car on a plus besoin d’aller chercher les objets. En plus l’échelle et la
rotation se font au moment de l’insertion.
Pour finir, la troisième technique est une méthode automatique. Dans les deux précédentes
méthodes, il faut d’abord détecter les objets avant de pouvoir placer de symboles là-dessus. Par
contre, la détection automatique utilise des algorithmes qui vont extraire automatiquement ces
objets du nuage de points. Ce concept sera explicité dans la section 2.2.
28
2.1.3.2 Résultats
La figure 21 présente deux exemples d’objets ponctuels.
Figure 21 : Digitalisation d’un panneau et d’un regard
La première colonne est une vue en plan de ces objets. Par contre, la deuxième colonne est une
vue en plan de la coupe de chacun de ces objets.
29
2.1.4
Développement de Macros et de LISP
Les macros et les autolisps sont des extensions ou des petits programmes développés pour
compléter les fonctionnalités dans MicroStation et dans AutoCAD.
2.1.4.1
Macro sous Microstation
Bentley Systems propose plusieurs langages de développement pour développer des extensions
sur MicroStation. Les langages de développements incluent :




MicroStation Visual Basic for Applications ou MVBA
C# et VB.NET
MicroStation Development Library ou MDL
MicroStationAPI, Interfaces C++
MDL est le principal langage de programmation pour concevoir des applications sur
MicroStation. Le langage MDL ressemble étroitement au langage C. Le MDL permet aux
développeurs d’accéder à tous les objets graphiques et à toutes les fonctions disponibles sur
MicroStation et aussi d’utiliser l’interface graphique.
MicroStation elle-même est composée de plusieurs applications MDL. Plusieurs MDL peuvent
être chargés en même temps, car MicroStation peut les gérer simultanément. Certaines
applications MDL peuvent insérer des sous-menus dans la barre de menu de MicroStation. En
effet, c’est de cette manière que sont intégrés les logiciels qui sont utilisés comme plugins dans
MicroStation. C’est le cas des suites de TerraSolid et du logiciel TopoDOT que nous utilisons
pour charger et manipuler les nuages de points.
Le MicroStation Visual Basic for Applications est principalement destiné à des petits projets de
développement comme le développement d’un outil ou d’une boîte à outil. Il est plus aisé de
développer une macro en VBA qu’avec le MDL. Le VBA a pour avantages d’être :






Supporté par la communauté des utilisateurs de Bentley,
Documenté et fourni avec beaucoup d’exemples,
Intégré dans MicroStation,
Flexible,
Extensible via les COM DLLs
Extensible en appelant les fonctions dans Win32 API de Windows et dans MDL API de
MicroStation.
Un IDE, est intégré dans MicroStation pour le développement des projets VBA.
30
2.1.4.2
Autolisp sous AutoCAD
Autolisp est un langage de programmation conçu pour étendre et pour personnaliser les
fonctionnalités d’AutoCAD. Il est basé sur le langage de programmation LISP dont l’origine
remonte aux années 1950. Le LISP a été créé principalement pour être utilisé dans des
applications du domaine d’Intelligence Artificielle (IA).
Autolisp a été introduit comme un API dans AutoCAD dans la version 2.1, dans le milieu de
l’année 1980. LISP a été choisi comme le principal API d’AutoCAD du fait de son adaptabilité
au processus non structuré des projets d’AutoCAD.
Le développement d’un programme Autolisp pour AutoCAD se fait en éditant des lignes de code
dans un éditeur de texte, en chargeant le fichier dans AutoCad et en exécutant les fonctions
contenues dans le programme.
Autolisp fournit plusieurs fonctions pour examiner les contenus du dessin en cours de
chargement. Ces fonctions manipulent les contenus du dessin en effectuant des sélections, en
identifiant les objets par leurs noms, leurs propriétés, etc.
Ce langage utilise des tables de symbole pour enregistrer la liste des objets graphiques (ligne,
cercle, rectangle, …) et des objets non graphiques (calque, type de ligne, définition de blocs, …).
Chaque enregistrement d’un symbole est relié à un nom d’entité et à une fonction et peut être
utilisé à la manière dont AutoCAD le manipule.
Un programme Autolisp est composé d’une suite de fonctions. On effectue une programmation
procédurale, c’est-à-dire que les fonctions sont traitées ligne par ligne.
Une fonction AutoLISP ressemble à la figure 22.
Figure 22 : Structure d’une fonction Autolisp (source [33])
31
2.2
Automatisation des tâches
2.2.1
Introduction
Des recherches effectuées par Maas [34] montrent que les données LiDAR sont adaptées pour
l’extraction automatique d’objets. Par rapport à la photogrammétrie, les données issues des
scanners laser produisent des informations spatiales 3D qui pourraient servir à obtenir les détails
géométriques pour l’extraction des caractéristiques.
Les points laser du LiDAR aérien est assez dense pour détecter les toits des bâtiments et leurs
emprises (contours) [35]. Avec la possibilité de capturer l’intégralité d’une scène, le LiDAR
terrestre procure aussi une immense densité de nuages de points qui est aussi une source de
données pour détecter les objets d’un corps de rue. Quoique ces deux technologies présentent
des avantages, il est tout de même assez difficile de détecter les objets d’un corps de rue par ces
méthodes. D’un côté, la densité des nuages de points du LiDAR aéroporté n’est pas suffisante
pour reconnaître les caractéristiques d’un objet à cause de l’angle de prise de vue et des masques.
D’un autre côté, la portée du levé du LiDAR statique est limitée.
Cependant, le LiDAR mobile terrestre permet d’acquérir tous les objets sur le bord de la
chaussée. Par conséquent, il est idéal pour la détection des objets d’un corps de rue [36].
La possibilité de détecter automatiquement des objets dans un nuage de points est souhaitée.
Contrairement aux méthodes manuelle et semi-automatique, une extraction automatique produira
des résultats dans un bien plus court délai. De par la distribution des nuages de points, il est
impossible d’avoir un groupe d’objets spécifiques en même temps. Il va falloir les chercher un
par un. Toutefois, ce procédé fait partie de la détection automatique.
Plusieurs recherches ont été entreprises pour la détection des objets linéaires cylindriques
(poteaux, panneaux, etc.) à partir de nuages de points acquis avec le LiDAR mobile terrestre.
Les nuages de points peuvent être classifiés en plusieurs classes suivant leurs caractéristiques
(taille, forme, orientation) et les relations topologiques des nuages de points.
La détection automatique consiste à effectuer successivement les étapes suivantes :


Décomposer les nuages de points en composants où chaque composant représente un
objet, la segmentation.
Extraire les caractéristiques de l’objet et le classer, la détection automatique.
Bien que la procédure de détection automatique soit bien documentée, une technique robuste et
totalement automatique est encore rare.
32
2.2.2
Étude bibliographique sur la détection
automatique des objets linéaires cylindriques
(poteaux, panneaux, etc.)
Brenner [37] présente une approche intuitive pour l’extraction des points avec une certaine
structure dans un environnement bien défini. Cette méthode prend en considération les valeurs
propres de chaque composant. Des valeurs propres très élevées et très petites indiquent une
structure linéaire. Toutefois, la détection est erronée quand une personne se place devant un
poteau. Un objet linéaire cylindrique est considéré comme un ensemble de cylindres empilés. Ce
principe est illustré par la figure 23 ; (a) montre les points laser appartenant dans la région du
noyau (blanc) et (b) indique les piles identifiés (blanc).
Figure 23 : Détection d’objet linéaire cylindrique par Brenner (source [37])
Golovinsky [38] propose une méthode à quatre étapes pour la détection d’objets 3D dans un
environnement urbain dont la localisation, la segmentation, la caractérisation et la classification
en groupes. Ces étapes sont présentées dans la figure 24.
La première étape consiste à générer une image avec l’altitude maximum des points dans chaque
pixel et à lancer un filtre gaussien pour extraire les composants. Ensuite, on cherche la densité
locale des points par le Mean Shift. La troisième étape recherche la localisation du centre du
composant connecté. Enfin, il y a la création des classes de points et place l’objet au centre du
groupe. Trois techniques de segmentation sont utilisées. Dans la phase d’extraction de
caractéristiques, les informations géométriques et les informations contextuelles sont analysées.
Pour la classification, K-Nearest Neighbours (KNN), random forest, Support Vector
Machines (SVM) sont utilisés.
33
Figure 24 : Étapes de détection des objets linéaires cylindriques de Golovinskiy (source [38])
Lehtomäki [35] introduit une technique de détection des objets linéaires cylindriques verticaux
en utilisant les informations de profil du laser. On suppose qu’il doit y avoir au moins trois
balayages pour un objet linéaire cylindrique. Premièrement, des groupes de points proches les
uns des autres sont extraits du nuage de points. Ensuite, ces points sont groupés dans des
ensembles de classes prédéfinies. Troisièmement, les groupes appartenant à un même objet sont
fusionnés. Enfin, les groupes fusionnés sont classés en objets linéaires cylindriques ou en
d’autres objets.
Les quatre étapes mentionnées sont décrits dans la figure 25.
Figure 25 : Classification des nuages de points par Lehtomäki (source [35])
34
2.2.3
Prétraitement des nuages de points
Le prétraitement des nuages de points est primordial et nécessaire pour réduire la densité des
nuages de points à traiter et faciliter l’extraction automatique. Il est composé du filtrage des
points sols et de la segmentation. La classification du sol a été déjà introduite dans la section
2.1.1. Par conséquent, cette section ne traitera que les algorithmes de segmentation.
2.2.3.1 Segmentation par Surface Growing
Surface Growing dans un nuage de points est l’extension 3D du fameux algorithme Region
Growing en traitement d’images. La segmentation par Surface Growing est utilisée pour grouper
les points d’un même voisinage sur la base d’un critère d’homogénéité tel que le plan ou une
surface lisse [39]. Les deux phases de cet algorithme sont le seed detection et le surface
growing. Il existe plusieurs méthodes pour le choix de la surface initiale dont la méthode des
moindres carrées et la transformation Hough. Pour commencer, un ensemble de points
adjacents est groupé pour former une surface plane appelée le seed surface. Le choix de ce
dernier se fait par l’algortihme 3D Hough Transformation. Ensuite, dans la phase growing des
points inclus dans un certain rayon du seed surface y sont ajoutés.
La figure 26 est un résultat d’une application de la segmentation par Surface Growing.
Figure 26 : Résultat de la segmentation par Surface Growing
35
2.2.3.2 Segmentation par Connected Component
L’analyse des composants adjacents est souvent utilisée pour rechercher les points pouvant
former un objet et de regrouper les points ayant des caractéristiques communs. Les paramètres
concernant la distance minimum entre les points et la distance maximum entre les points sont à
définir. Si les distances entre deux points est comprise dans la distance maximale définie, alors
les points appartiendront à un même objet. Enfin, certains points seront supprimés quand le
nombre de points contenu dans un objet dépasse le nombre de points prédéfinis. En appliquant
un seuil élevé, quelques objets peuvent être liés entre eux. Le choix des paramètres peuvent
engendrer :


Une sous-segmentation, deux objets différents sont fusionnés.
Une sur-segmentation, un objet est séparé en plusieurs composants.
Un résultat d’une segmentation par Connected Component est donné par la figure 27.
Figure 27 : Résultat de la segmentation par Connected Component Analysis
36
2.2.4
Détection automatique
Les objets candidats sont représentés par les segments obtenus au cours de l’étape précédent.
Dans le but de détecter certains types d’objets, des caractéristiques comme la taille, la surface, la
densité, la hauteur et l’intensité sont analysés. Ce sont ces propriétés qui vont différencier les
objets entre eux.
2.2.4.1 Formes géométriques
Calqué sur la perception humaine, la forme géométrique d’un objet permet de le différencier des
autres objets. Normalement, les caractéristiques des objets comme les poteaux, les panneaux, les
lampadaires et les arbres sont différents des voitures, des bâtiments, etc. Les formes
géométriques incluent la taille, la surface, la densité, la hauteur.

Taille
Le nombre de point de chaque objet dans un nuage de points représente la taille de cet élément.
Les objets ayant un nombre élevé de points comme les bâtiments seront supprimés.

Surface
Le calcul de la surface d’un composant est aussi important pour différencier un élément ayant
une large surface d’un élément ayant une surface étroite. Cette opération est effectuée après avoir
projeté les points d’un composant en 2D. L’Analyse en Composantes Principales est effectuée
pour calculer la surface.

Densité
Le nombre moyen de la densité d’un objet varie par rapport à sa position, son volume et sa taille.
La densité est obtenue en divisant le volume de l’objet par sa taille.

Hauteur minimale
La hauteur minimale est la plus petite coordonnée z de tous les points d’un objet. La différence
d’altitude entre les points est souvent calculée par rapport au sol.

Hauteur
La hauteur d’un objet est l’une des plus importantes caractéristiques de la forme géométrique.
Basée sur une analyse statistique, les objets linéaires cylindriques sont les objets les plus élevés
avec une hauteur moyenne de 9 m. La hauteur est la mesure de l’objet à l’axe z de bas en haut.
La hauteur est mesurée en soustrayant l’altitude maximale de l’altitude minimale.
37
2.2.4.2 Valeur de l’intensité
Pour des raisons diverses liées à la sécurité, une pratique internationale consiste à peindre les
panneaux de signalisation pour une meilleure visibilité nocturne. En plus, ces objets sont souvent
en acier. Par conséquent, l’intensité des panneaux, poteaux et lampadaires sont très exploitables.
Ces valeurs sont importantes pour la détection. Elles varient de 0 à 1, de 0 à 255 et de 0 à 65535.
La figure 28 affiche les nuages de points par valeurs d’intensité.
Figure 28 : Visualisation d’un nuage de points par intensité.
38
3. IMPLÉMENTATION ET RÉSULTAT
Ce chapitre explicite l’implémentation de la méthode de détection automatique des poteaux et
des panneaux. La section 3.1 décrit le processus adopté en l’illustrant par des diagrammes UML.
En outre, la section 3.2 présente l’utilisation des résultats obtenus dans MicroStation. Pour
terminer, la section 3.3 analyse les résultats obtenus.
3.1 Description du
automatique d’objets
3.1.1
processus
de
détection
Diagramme de Cas d’utilisation
Le diagramme de cas d’utilisation est un schéma qui montre les cas d’utilisation (ovales) reliés
par des associations (lignes) à leurs acteurs (icône du « stick man », ou représentation graphique
équivalente). Chaque association signifie simplement « participe à ».
Un cas d’utilisation (« use case ») représente un ensemble de séquences d’actions qui sont
réalisées par le système et qui produisent un résultat observable intéressant pour un acteur
particulier. Chaque cas d’utilisation spécifie un comportement attendu du système considéré
comme un tout, sans imposer le mode de réalisation de ce comportement. Il permet de décrire ce
que le futur système devra faire, sans spécifier comment il le fera.
Un acteur quant à lui représente un rôle joué par une entité externe (utilisateur humain, dispositif
matériel ou autre système) qui interagit directement avec le système étudié. C’est lui qui consulte
et/ou modifie l’état du système, en émettant et/ou en recevant des messages susceptibles d’être
porteurs de données. [40]
La figure 29 illustre le cas d’utilisation de la détection automatique d’objets cylindriques.
39
Figure 29 : Diagramme de cas d’utilisation
3.1.2
Diagramme de séquence
Pour documenter les cas d’utilisations, la description textuelle est indispensable, car elle seule
permet de communiquer facilement avec les utilisateurs et de s’entendre sur la terminologie
métier employé.
En revanche, le texte présente des désavantages puisqu’il est difficile de montrer comment les
enchaînements se succèdent, ou à quel moment les acteurs secondaires sont sollicités. En outre,
la maintenance des évolutions s’avère souvent fastidieuse. Dans notre cas, nous utiliserons la
description graphique qui montre le dynamisme du système. On peut également utiliser le
diagramme d’activité qui paraît ressembler à un organigramme traditionnel donc facilement
comprise par tous. [40]
La figure 30 schématise le diagramme de séquence de la détection automatique d’objets
cylindriques.
40
Figure 30 : Diagramme de séquence
41
3.2 Mise en place de la détection avec la
bibliothèque open source Point Cloud Library
3.2.1
Présentation de la bibliothèque Point Cloud
Library [6a]
PCL, Point Cloud Library est un projet open source pour les traitements d’images 2D/3D et pour
les traitements des nuages de points. Cette bibliothèque contient des algorithmes pour le filtrage,
l’estimation des caractéristiques, la reconstruction de surface, la segmentation, etc. Ces
algorithmes serviront à filtrer les points aberrants des données bruitées, à extraire des points
spécifiques, reconnaître des objets par rapport à leurs géométries, à visualiser les nuages de
points, etc.
PCL est utilisé sous les termes de la licence 3-clause BSD licence. Il est gratuit pour la
commercialisation et les recherches. PCL est multiplateforme, il peut être compilé et déployé
sous Linux, MacOS, Windows et Android/iOS. C’est un ensemble de bibliothèques C++.
La figure 31 schématise les modules disponibles dans PCL et leurs interactions.
Figure 31 : Interactions des modules de PCL
42
3.2.2
.pcd
Transformation du fichier source en fichier
Les fichiers sources utilisés par les modules implémentés dans PCL sont de format .pcd. Ainsi,
pour chaque traitement il faut transformer nos fichiers .las (extension standard des fichiers des
nuages de points) en fichiers .pcd (extension natice à PCL).
La conception d’un format a pour but d’étendre la spécification des formats qui existent déjà. En
effet, beaucoup de formats ne supportent pas les extensions qu’apporte PCL dans le traitement
des nuages de points n-D.
Le format PCD offre les avantages suivants :




La possibilité d’enregistrer et de manipuler des nuages de points organisés, ce procédé est
très important pour les applications en temps réel.
Les types de données binaires mmap/munmap sont chargés et sont enregistrés plus
rapidement dans le disque dur.
La capacité d’enregistrer des types de données différents (tous les types primitifs : char,
short, int, float, double), donne une flexibilité aux nuages de points.
La prise en compte des n-D histogrammes pour la description des caractéristiques, très
important pour la visualisation 3D et les applications d’imagerie numérique.
La version courante de PCD est la version 0.7. Elle comporte les entêtes suivants :


VERSION, la version du fichier PCD.
FIELDS, le nom de chaque champ qui compose un point tel que présenté par la figure
32.
Figure 32 : Exemple de définitions de champs dans PCD

SIZE, la taille de chaque champ en octets :
 1 octet pour le type unsigned char/char
 2 octets pour le type unsigned short/short
 4 octets pour le type unsigned int/int/float
 8 octets pour le type double

TYPE, le type de chaque champ :
 I, pour les types signés int8 (char), int16 (char), int32 (char).
43








U, pour les types non signés unint8 (unsigned char), unint16 (unsigned short),
unint32 (unsigned int).
F, pour les réels (float).
COUNT, le nombre d’éléments dans chaque champ.
WIDHT, le nombre des points d’un nuage de points non structuré ou le nombre de
points dans chaque champ d’un nuage de points structuré.
HEIGHT, le nombre de lignes d’un nuage de points d’un nuage de points structuré. La
valeur est égale à 1 pour un nuage de points non structuré.
VIEWPOINTS, le point de vue d’acquisition des points dans l’ensemble des données.
POINTS, le nombre total des points dans un nuage de points.
DATA, le type de données (ASCII, BINARY) du nuage de points.
Ces entêtes doivent être spécifiés dans l’ordre précité et comme illustre la figure 33.
Figure 33 : Exemple de fichier PCD
44
3.3
Report des résultats sur Microstation
Pour pouvoir utiliser les résultats de la détection automatique dans MicroStation, il faut avoir un
fichier avec les champs suivants :




Valeur de l’abscisse (X) du centre de l’objet détecté,
Valeur de l’ordonné (Y) du centre de l’objet détecté,
Valeur de l’altitude (Z) du centre de l’objet détecté,
Nom de l’objet, un code du symbole à utiliser.
Chaque ligne du fichier obtenu est composée successivement de ces quatre champs séparés par
une espace comme nous le montre la figure 34.
Figure 34 : Exemple de fichier d’insertion d’objets ponctuels.
Ce fichier est un simple fichier texte ayant pour extension .txt.
Ensuite, ce fichier sera importé dans MicroStation qui placera les symboles par rapport aux
coordonnées (X, Y, Z).
45
3.4
Plan obtenu
Un plan à une échelle de 1/200 est présenté dans la figure 35 où la première figure est le plan vu en isométrique et la dernière figure
est le plan superposé sur le nuage de points vu en plan.
46
Figure 35: Plan obtenu à l’échelle 1/200
47
CONCLUSIONS ET PERSPECTIVES
1. Conclusion
La cartographie 3D d’une scène repose sur plusieurs techniques incluant la photogrammétrie et
la lasergrammetrie. Le LiDAR, une méthode d’acquisition d’une scène par la diffusion de rayon
laser est de plus en plus utilisé pour les levés topographiques. Evoluant du Lidar aéroporté vers
le LiDAR terrestre, le LiDAR Mobile Terrestre s’est positionné pour la cartographie d’un milieu
urbain. Le LiDAR Mobile Terrestre est constitué de scanners et d’appareils photos pour la
perception, de GPS et de centrale inertielle pour la localisation et le géoréférencement direct.
Avec cette technologie, des milliards de points sont collectés pour une représentation fidèle de
l’environnement ou de l’objet capturé. Cependant, que faire de toutes ces données acquises ?
Des méthodes ont été proposées pour obtenir un plan topographique à partir de ces nuages de
points. Un plan topographique est composé d’éléments linéaires (bandes blanches, bord de la
chaussée, dos de la bordure, haut et bas fils d’eau, bâtiments, murs, etc.) et d’objets ponctuels
(symboles représentants les poteaux, panneaux, regards, arbres, bouches à clé, coffrets, etc.). Ces
procédures consistent à mettre en œuvre des techniques pour semi-automatiser et automatiser les
traitements.
Les tâches semi-automatiques sont possibles, seulement après la classification des nuages de
points en deux classes dont la classe sol et la classe sursol. Ce filtrage est effectué sur TerraScan,
un logiciel puissant dédié aux traitements des nuages de points. Une bonne classification est
assurée par l’adéquation des paramètres saisis. Ces paramètres dépendent du type de filtrage à
effectuer. Grâce à la classe sol, le traçage du bord de la route est effectué en trois fois moins de
temps qu’avec la méthode usuelle. La polyligne du dos de la bordure peut être générée
automatiquement à partir de l’élément bas fil d’eau. Néanmoins, la précision altimétrique de ces
objets dépend étroitement de la qualité du filtrage.
Pour ce qui est des objets ponctuels, une librairie a été créée pour répertorier tous les symboles
représentants les objets de la scène. Les symboles seront ensuite insérés par leurs noms au lieu de
faire du copier-coller. Toutefois, cette pratique exige d’abord que l’on cherche l’objet à
digitaliser. Ce qui est souvent une des causes de la non exhaustivité des éléments représentés
dans le plan.
C’est dans l’optique de réduire l’oubli et d’accélérer la digitalisation des objets ponctuels que la
recherche ait été poussée vers l’étude des méthodes de détection automatique d’objets incluant
les poteaux et les panneaux. Les recherches effectuées dans ce sens ont permis de conclure les
étapes à prendre en compte pour l’extraction automatique. Il faut premièrement réduire le nuage
de points en séparant le sol du sursol. Dorénavant, seule la classe sursol est utilisée. Dans cette
classe, il est nécessaire d’éliminer les bâtiments et les objets temporaires comme les voitures
48
avec l’algorithme Region Growing. Ensuite, les objets restants seront groupés avec la méthode
Connected component qui cherchera tous les nuages de points susceptibles de former un objet
suivant le paramètre fourni. Avec un seuil trop bas, plusieurs objets seront réunis au lieu d’être
séparés. Mais avec un seuil élevé un objet sera divisé en plusieurs sous-objets. Enfin, des études
morphologiques aboutiront à la détection des poteaux et panneaux.
2. Perspectives
Plusieurs améliorations sont à effectuer tant sur l’amélioration des algorithmes existants que sur
l’optimisation des codes déjà implémentés dans la librairie PCL. Les prochains axes de recherche
porteront sur les points suivants :









Effectuer plus de tests pour améliorer la classification du sol et du sursol.
Rechercher une meilleure procédure de segmentation des nuages de points.
Étudier les paramètres adéquats pour détecter un objet spécifique (radius, …).
Reclassifier les panneaux et les poteaux détectés en les affecter à des groupes
d’appartenance (panneaux ronds, panneaux carrés, lampadaires, poteaux électriques,
poteaux EDF, …).
Développer d’autres modules sur PCL.
Concevoir une application avec une interface graphique ergonomique où l’utilisateur peut
saisir ses propres paramètres.
Utiliser les photos numérisées lors du levé comme support à la détection des objets [41].
Détecter d’autres types d’objets comme les regards [42], les bouches à clés.
Tracer automatiquement les bandes blanches, les bas fils d’eau et dos de la bordure.
49
Bibliographie
[1] Serges Milles, Jean Lagofun. Topographie et Topométrie modernes. Édition Eyrolles,
Octobre 1999.
[2] Laura Ciocoiu, Ioniţă Mihai, Cristian Paraschiv, Barbu Dragoş. Geo-monitoring of a Region.
Studies in Informatics and Control, Vol 12, No.4, Décembre 2003.
[3] Hyun-Jae Yoo. Analyse et conception de scanners laser mobiles dédiés à la cartographie 3d
d’environnements urbains. Automatic Control Engineering. École Nationale Supérieure des
Mines de Paris, 2011.
[4] Reshetyuk. J. Terrestrial laser scanning: error sources, self-calibration and direct
georeferencing. VDM publishing house, ltd, 161 p, 2009.
[5] Vosselman. G, Maas. Airborne and Terresrial laser scanning. GB: Whittles Plublishing, 2010.
[6] W. C. Stone, M. Juberts, N. Dagalakis, J. Stone, J. Gorman. Performance Analysis of NextGeneration LADAR for Manufacturing, Construction and Mobility. NISTIR 7117, Mai 2004.
[7] C. Glennie, D. Lichti. Static Calibration and Analysis of the Velodyne HDL-64E S2 for High
Accuracy Mobile Scanning. Remote Sensing, Vol. 2, No.6: 1610-1624, 2010.
[8] P. Rieger, N. Studnicka, M. Pfennigbauer, G. Zach. Boresight alignment method for mobile
laser mobile laser scanning systems. Journal of Applied Geodesy, Vol.4, No.1: 13-21, 2010.
[9] Lovas Tamàs. Data acquisition and integration for Laser Scanning, 2010.
[10] Matthew A. Carlberg, Peiran Gao, George Chen, Avideh Zakhor. Urban Landscape
Classification System Using Airborne LiDAR, 2007.
[11] Wozencraft, Jennifer, Millar, David. Airborne Lidar and Integrated Technologies for
Coastal Mapping and Nautical Charting. Marine Technology Society Journal, Vol.93, No.3,
2005.
[12] Waheed Uddin. Evaluation of airborne lidar digital terrain mapping for highway corridor
planning and design. Pecora 15, Land Satellite Information IV, ISPRS Commission I, FIFEOS
Conference Proceedings, 2002.
[13] Zhao, Kaiguang, Estimating forest structural characteristics using the airborne LiDAR
scanning system and a near-real time profiling laser system, 2008.
[14] Murielle GEORGES-LEROY, Laure NUNINGER, Rachel OPITZ. Lidar: technique de
détection au service de l’archéologie, Août 2014.
viii
[15] Johannes Schreyer, Jan Tigges, Tobia Lakes, Galina. Using Airborne LiDAR and QuickBird
Data for Modeling Urban Tree Carbon Storage and its Distribution – A cace study of Berlin.
Remote sensing, November 2014.
[16] S. Pu, G. Vosselman. Knowledge based reconstruction of building models from terrestrial
laser scanning data. ISPRS Journal of Photogrammetry and Remote Sensing, Vol.64, No.6: 575584, 2009.
[17] Alex Soria-Medina, Joaquín Martínez, Alzir Felippe Buffara-Antune, Pedro Arias, Higinio
González-Jorge. An approach to extracting façade features using the intensity value of terrestrial
laser scanner with mathematical morphology, 2009.
[18] Keith E.Williams. Accuracy Assessment of LiDAR Point Cloud Geo-Referencing, Juin
2012.
[19] I. Puente, H. González-Jorge, P. Arias, J. Armesto. Land-based Mobile Laser Scanning
Systems: a review. International Archives of Photogrammetry, Remote Sensing and Spatial
Information Sciences, No.38: 163-168, 2012.
[20] Juha Hyyppä, Masala. State of the Art in Laser Scanning.
[21] Leica Pegasus : Two, Mobile Mapping Solution. Leica Geosystems AG, Heerbrugg,
Switzerland, 2014.
[22] RIEGL VMX-450, Compact Mobile Laser Scanning System. RIEGL Laser Measurement
Systems GmbH, German, September 2014.
[23] J. Kilian, N. Haala, M. Englich. Capture and evaluation of airborne laser scanner data.
International Archives of Photogrammetry and Remote Sensing. No.31: 383-388, 1996.
[24] P. Lohman, A. Koch, M. Schaeffer. Approaches to the filtering of laser scanner data. ISPRS
Symposium, International Archives of Photogrammetry and Remote Sensing. No.33: 540-547,
Amsterdam, 2000.
[25] K. Zhang, S-C Chen, D. Whitman, M-L. Shyu, J. Yan, C. Zhang. A progressive
morphological filter for removing nonground measurements from airborne lidar data. IEEE
Transactions on Geoscience and Remote Sensing, Vo.l41, No.4: 872-882, Avril 2003.
[26] G. Vosselman. Slope based filtering of laser altimetry data. International Archives of
Photogrammetry and Remote Sensing. No.34: 935-942, Amsterdam, 2000.
ix
[27] Qihong ZENG. Data filtering and feature extraction of urban typical objects from airborne
lidar point cloud. International Archives of Photogrammetry, Remote Sensing and Spatial
Infromation Sciences. No.37: 153-157, Beijing, 2000.
[28] P. Axelsson. Processing of laser scanner data : algorithms and applications. ISPRS Journal
of Photogrammetry and Remote Sensing, No.54: 138-147, 1999.
[29] Yu-Chuan Chang, Ayman F.Habib, Dong Cheon Lee, Jae-Hong Yom. Automatic
classification of lidar data into ground and non-ground points. International Archives of
Photogrammetry, Remote Sensing and Spatial Infromation Sciences. No.37: 457-462, Beijing,
2008.
[30] Bisheng Yang, Lina Fang, Qingquan Li, Jonathan Li. Automated extraction of road
markings from Mobile lidar point clouds. Photogrammetric Engineering and Remote Sensing,
Vol.78, No.4: 331-338, Avril 2012.
[31] Laurent Smadja, Jérôme Ninot, Thomas Gavrilovic. Road extraction and environment
interpretation from Lidar sensors. International Archives of Photogrammetry and Remote
Sensing, Vol.38, Septembre 2010.
[32] Susanne Becker, Norbert Haala. Combined feature extraction for façade reconstruction.
International Society for Photogrammetry and Remote Sensing, Septembre 2007.
[33] AutoLISP Developer’s Guide, Autodesk Inc, Janvier 2012.
[34] Maas, H.G. The suitability for Airborne Laser Scanner Data for Automatic 3D Objest
Reconstruction. Paper presented at the Ascona, 2001.
[35] Lehtomäki, M. Jaakkola, A. Hyyppä, H. Kaartinen. Detection of Vertical Pole Like Objects
in Road Environment Using Vehicle-Based Laser Scanning Data. Remote Sensing, No.2: 641664.
[36] Grejner-Brzezinska, D.A, Li, Haala, C. Toph. From Mobile Mapping to Telegeoinformatics:
Paradigm Shift in Geospatial Data Acquisition, Processing and Management. Photogrammetric
Engineering and Remote Sensing, No.70: 197-210.
[37] C. Brenner. Extraction of Features from Mobile Laser Scanning Data For future Driver
Assistance Systems Advances in GIScience. In M. Sestern, L. Bernard, V.Paelke (Eds), p.25-42,
Springer Berlin Heidelberg, 2009.
[38] Golovinskiy, A. Kim, V.G, T. Funkhouser. Shape-based recognition of 3D point clouds in
urban environments. Paper presented at the Computer Vision, IEEE, 12th International
Conference, 2009.
x
[39] G. Vosselman, B.G.H Gorte, G. Sithole, T. Rabbani. Recognising Structure in Laser
Scanner Points Clouds. International Archives of the Photogrammetry, Remote Sensing and
Spatial Information Sciences, No.36: 33-38.
[40] Pascal Roques. UML 2 par la pratique, 5e édition. Eyrolles, Août 2006.
[41] P. Doubek, M. Perdoch, J. Matas, J. Sochman. Mobile Mapping of Vertical Traffic
Infrastructure. Proceedings of Computer Vision Winter, 115-122, 2008.
[42] Yongtao Yu, L. Ji, Haiyan Guan, Cheng Wang. Automated Detection of Rod Manhole and
Sewer Well Covers From Mobile LiDAR Points Clouds. Geoscience and Remote Sensing
Letters, IEEE, Vol.11: 1549-1553, Mars 2014.
xi
Webographie
[1a] http://www.bentley.com
[2a] http://www.autodesk.com
[3a] http://www.geo-media.com
[4a] http://www.certainty3d.com
[5a] http://www.terrasolid.com
[6a] http://www.pointclouds.org
xii
Annexe 1 : Classification des points de la
chaussée sur TerraScan
Pour faciliter la digitalisation des objets linéaires, le filtrage des points du sol est primordial.
Tous les points sols seront groupés dans une classe nommée Sol. Cette classe servira de base
pour plusieurs opérations comme le traçage en 3D du dos de la bordure, du bord de la chaussée,
des bandes blanches.
1) Charger les points LAS
xiii
2) Créer un macro.
Applications->TerraScan->Main Window->Tool->Macro->Add->Action : Classify
points->Routine : Hard Surface.
xiv
Annexe 2 : Digitalisation semi-automatique d’un
linéaire (bord de la chaussée) sur TerraScan
1) Utilitiser le mode d'affichage Line and Intensity pour pouvoir bien visualiser le bord de
la chaussée.
2) Tracer en 3D c'est à dire en s'accrochant aux nuages de points.
xv
Remarques
 Utiliser l'option d'accrochage Highest pour le dessin.
 Pour une chaussée bordée d'arbres, choisir Point : Lowest pour ne pas s'accrocher aux
feuilles des arbres mais plutôt au sol.
3) Avoir deux fenêtres:
 Vue 1 en Top View (pour dessiner)
 Vue 2 en Isometric View (pour vérifier)
Top
View
Isometric
View
xvi
Annexe 3 : Digitalisation semi-automatique d’un
objet ponctuel (arbre) sur TerraScan
a. Chargement des blocs
Pour pouvoir utiliser les blocs du gabarit pour la digitalisation, procédons comme suit.
1) Cliquer successivement sur:
Element->Cells
Ensuite cocher Use Shared Cells pour faire apparaître la liste des blocs.
2) Au cas où il faut attacher un autre fichier pour obtenir d'autres listes de blocs.
Aller dans File->Attach->Choisir la liste des fichiers->Ok.
3) Pour utiliser un bloc :
Parcourir la liste et sélectionner le nom du bloc.
Dans notre cas, c'est le bloc BDU_AVALOIR.
Cliquer sur Placement : le nom du bloc sélectionner BDU_AVALOIR s'affichera.
b. Utilisation du toolbox Cells
Pour afficher ce toolbox, cliquer successivement sur :
Tools->Toolboxes->Cells->Ok
xvii
c. Placement du symbole d’un lampadaire
xviii
Annexe 4 : Installation de Point Cloud Library
sous Ubuntu
Les étapes d’installation sont suivantes les suivantes.
1) Configurer Ubuntu pour utiliser le dépôt PCL.
2) Mettre à jour les dépôts existants.
3) Installer les librairies de PCL.
xix
Table des matières
Remerciements ................................................................................................................................. i
Résumé............................................................................................................................................ ii
Abstract .......................................................................................................................................... iii
Acronymes ..................................................................................................................................... iv
Glossaire ......................................................................................................................................... v
Liste des tableaux ........................................................................................................................... vi
Liste des figures ............................................................................................................................ vii
INTRODUCTION .......................................................................................................................... 1
1.
1.
Présentation de la structure d’acceuil ................................................................................. 1
2.
Contexte de l’étude ............................................................................................................. 2
2.1
Cartographie 3 D .......................................................................................................... 2
2.2
Techniques de levés 3 D ............................................................................................... 2
3.
Problématique ..................................................................................................................... 2
4.
Objectifs principaux ............................................................................................................ 3
5.
Plan ..................................................................................................................................... 3
ETAT DE L’ART ................................................................................................................... 5
1.1 Cartographie 3D d’environnements urbains ....................................................................... 5
1.1.1
Introduction ............................................................................................................... 5
1.1.2
Usages des données cartographiques ........................................................................ 6
1.1.2.1
Navigation et déplacements .................................................................................. 6
1.1.2.2
Tourisme et patrimoine ......................................................................................... 6
1.1.2.3
Géomarketing ........................................................................................................ 6
1.1.2.4
Urbanisation et construction.................................................................................. 6
1.1.2.5
Géomonitoring ...................................................................................................... 6
1.1.3
Principes d’acquisition de données cartographiques ................................................ 7
1.1.3.1
Photogrammétrie aérienne..................................................................................... 7
1.1.3.2
LiDAR ................................................................................................................... 8
1.1.3.2.1 Présentation du laser scanner ............................................................................ 8
1.1.3.2.2 Systèmes d’acquisition LiDAR ....................................................................... 11
1.2 LiDAR Mobile Terrestre................................................................................................... 13
1.2.1
Introduction ............................................................................................................. 13
1.2.2
Principes du système ............................................................................................... 14
1.2.3
Technologies sur le marché .................................................................................... 15
1.2.3.1
Leica Pegasus : Two ............................................................................................ 15
1.2.3.2
Riegl VMX-450................................................................................................... 16
1.3 Présentation des logiciels utilisés...................................................................................... 17
2.
1.3.1
Bentley/MicroStation [1a] ...................................................................................... 17
1.3.2
Autodesk/AutoCAD [2a] ........................................................................................ 17
1.3.3
Geomedia/Covadis [3a] .......................................................................................... 18
1.3.4
Certainty3D/TopoDOT [4a].................................................................................... 18
1.3.5
Les suites de logiciels TerraSolid [5a] .................................................................... 18
1.3.5.1
TerraScan ............................................................................................................ 18
1.3.5.2
TerraModeler ....................................................................................................... 19
1.3.5.3
TerraPhoto ........................................................................................................... 19
1.3.5.4
TerraMatch .......................................................................................................... 19
METHODOLOGIE............................................................................................................... 20
2.1 Semi-automatisation des tâches ........................................................................................ 20
2.1.1
Classification des nuages de points......................................................................... 20
2.1.1.1
Concepts .............................................................................................................. 20
2.1.1.2
Résultats .............................................................................................................. 22
2.1.2
Digitalisation des linéaires ...................................................................................... 25
2.1.2.1
Concepts .............................................................................................................. 25
2.1.2.2
Résultats .............................................................................................................. 26
2.1.3
Digitalisation des objets ponctuels.......................................................................... 28
2.1.3.1
Concepts .............................................................................................................. 28
2.1.3.2
Résultats .............................................................................................................. 29
2.1.4
Développement de Macros et de LISP.................................................................... 30
2.1.4.1
Macro sous Microstation ..................................................................................... 30
2.1.4.2
Autolisp sous AutoCAD ..................................................................................... 31
2.2 Automatisation des tâches................................................................................................. 32
2.2.1
Introduction ............................................................................................................. 32
2.2.2 Étude bibliographique sur la détection automatique des objets linéaires
cylindriques (poteaux, panneaux, etc.) ................................................................................. 33
2.2.3
2.2.3.1
Segmentation par Surface Growing .................................................................... 35
2.2.3.2
Segmentation par Connected Component ........................................................... 36
2.2.4
3.
Prétraitement des nuages de points ......................................................................... 35
Détection automatique ............................................................................................ 37
2.2.4.1
Formes géométriques .......................................................................................... 37
2.2.4.2
Valeur de l’intensité ............................................................................................ 38
IMPLÉMENTATION ET RÉSULTAT ............................................................................... 39
3.1 Description du processus de détection automatique d’objets ........................................... 39
3.1.1
Diagramme de Cas d’utilisation.............................................................................. 39
3.1.2
Diagramme de séquence ......................................................................................... 40
3.2 Mise en place de la détection avec la bibliothèque open source Point Cloud Library ..... 42
3.2.1
Présentation de la bibliothèque Point Cloud Library [6a] ...................................... 42
3.2.2
Transformation du fichier source en fichier .pcd .................................................... 43
3.3 Report des résultats sur Microstation ................................................................................ 45
3.4 Plan obtenu........................................................................................................................ 46
CONCLUSIONS ET PERSPECTIVES ....................................................................................... 48
1.
Conclusion ........................................................................................................................ 48
2.
Perspectives....................................................................................................................... 49
Bibliographie................................................................................................................................ viii
Webographie ................................................................................................................................. xii
Annexe 1 : Classification des points de la chaussée sur TerraScan ............................................. xiii
Annexe 2 : Digitalisation semi-automatique d’un linéaire (bord de la chaussée) sur TerraScan . xv
Annexe 3 : Digitalisation semi-automatique d’un objet ponctuel (arbre) sur TerraScan ........... xvii
Annexe 4 : Installation de Point Cloud Library sous Ubuntu ...................................................... xix