Академический Документы
Профессиональный Документы
Культура Документы
Universidad de Sevilla
G E N E R A C I N D E M A PA S 3 D A
PA R T I R D E I M G E N E S A R E A S
juan jess ruiz
Julio 2013
Juan Jess Ruiz: Generacin de mapas 3D a partir de imgenes areas,
Proyecto fin de carrera, Ingeniera de Telecomunicaciones,
tutor:
Anbal Ollero Baturone
lugar:
Sevilla
Fecha:
Julio 2013
Cuando creemos en lo que no vemos, acabamos por no ver lo que tenemos
delante
Jos Luis Sampedro
v
P R E FA C I O
vii
NDICE GENERAL
i introduccin 1
1 introduccin 3
1.1 Motivacin 3
1.2 Alcance y objetivos 4
1.3 Planificacin temporal 4
1.4 Estructura del documento 6
2 estado del arte 7
2.1 Introduccin 7
2.2 Contexto 7
2.3 Mapas 3D desde imgenes areas 8
2.4 Servicios de Cloud Computing 9
2.4.1 Pix4D 9
2.4.2 Sensefly 9
2.5 Herramientas Open Source 10
2.5.1 OpenCV y PCL 11
2.5.2 VisualSFM 11
2.5.3 MICMAC 12
ii generacin de mapas 3d 13
3 adquisicin de imgenes 15
3.1 Introduccin 15
3.2 Sistemas de visin 15
3.2.1 Sistemas estereos convencionales 15
3.2.2 Sistemas estreo con una sola cmara 17
3.2.3 Mapeado lser 3D con imgenes areas 17
3.3 Seleccin e integracin de la cmara 18
3.3.1 Cmaras digitales 18
3.3.2 Parmetros de la cmara 20
3.3.3 Montaje de la cmara 21
4 diseo de un vuelo de mapeado 3d 23
4.1 Introduccin 23
4.2 Ground Sample Distance 24
4.3 Altitude Ground Level 24
4.4 Solapamiento 25
4.5 Plan de vuelo 25
5 algoritmos de mapeado 3d 29
5.1 Introduccin 29
5.2 Modelo de caja negra 29
5.2.1 Imgenes areas 30
5.2.2 Parmetros extrnsecos 30
5.2.3 Parmetros intrnsecos 33
ix
x ndice general
5.2.4 Mapas 3D 34
5.3 Mapas 3D dispersos 35
5.3.1 Detectores de caractersticas 35
5.3.2 Establecimiento de correspondencias 38
5.3.3 Triangulacin 42
5.3.4 Bundle Adjustment 43
5.4 Mapas 3D densos 44
5.4.1 Aproximacin multi-resolucin 45
5.4.2 Funcin de energa 46
5.4.3 Coeficiente de correlacin 47
5.4.4 Procesado de la nube de puntos 47
iv conclusiones 73
9 conclusiones y trabajos futuros 75
ndice general xi
v apndices 77
a publicacin de artculo en uav-g2013 79
b generacin de mapas 3d con micmac 85
b.1 Introduccin 85
b.2 Instalacin y distribucin 85
b.3 Proceso de generacin de mapas 3D 85
b.3.1 Deteccin de caracteristas y establecimiento de
correspondencias 86
b.3.2 Triangulacin y Bundle Adjustment 86
b.3.3 Generacin de matrices de Proyeccin 86
b.3.4 Densificacin de mapa 3D 87
c ejemplos de mapas 3d 89
c.1 Introduccin 89
c.2 Dataset 1 90
c.3 Dataset 2 91
c.4 Dataset 3 92
bibliografa 93
NDICE DE FIGURAS
xii
Figura 27 Ejemplo de optimizacin usando Bundle Ad-
justment. En azul los puntos iniciales. En ver-
de, la reproyeccin del punto 45
Figura 28 Ejemplo de aproximacin multi-resolucin. 46
Figura 29 Comparativa de diferentes sistemas de capta-
cin de imgenes. 48
Figura 30 Triangulacin de Delaunay. 49
Figura 31 Ejemplo de tcnicas de reconstruccin de su-
perficies 50
Figura 32 Ejemplo de funcionamiento de sistema GBAS 55
Figura 33 Esquema de generacin de proceso aleatorio 57
Figura 34 Testbed indoor situado en CATEC 59
Figura 35 Quadrotor utilizado para el experimento 60
Figura 36 Software de telecontrol de la cmara 61
Figura 37 Sistema VICON de posicionamiento. 62
Figura 38 Modelo Simulink para generacin de proceso
aleatorio. 64
Figura 39 Muestreo del proceso aleatorio de Gauss-Markov. 65
Figura 40 Colocacin de puntos de control. 67
Figura 41 Esquema general del experimento 67
Figura 42 Plan de vuelo utilizado para el experimento. 68
Figura 43 Resultados de precisin obtenidos al evaluar
diferentes receptores GPS 69
Figura 44 Resultados de precisin obtenidos haciendo uso
de 5 GCPs 70
Figura 45 Mapa 3D del escenario propuesto. 71
Figura 46 Factores de mejora de lo algoritmos de recons-
truccin 3D . 75
Figura 47 Ortomosaico, mapa de altura y vista en pers-
pectiva del modelo 3D del dataset 1. 90
Figura 48 Ortomosaico, mapa de altura y vista en pers-
pectiva del modelo 3D del dataset 2 91
Figura 49 Ortomosaico, mapa de altura y vista en pers-
pectiva del modelo 3D del dataset 3. 92
N D I C E D E TA B L A S
xiii
xiv ndice de tablas
sa Selective Availability
xv
Parte I
INTRODUCCIN
INTRODUCCIN
1
1.1 motivacin
3
4 introduccin
DIAGRAMA DE GANTT
2012 2013
MESES: 9 10 11 12 1 2 3 4 5 6 7
START-TO-START
1.2 Lenguaje C++ 100 % Completado
FINISH-TO-START
1.3 OpenCV 100 % Completado
FINISH-TO-START
2.2 Libreras MICMAC 100 % Completado
FINISH-TO-START
2.3 Optimizacin 50 % Completado
FINISH-TO-START
3.2 Experimentos 100 % Completado
FINISH-TO-START
3.3 Redaccin del paper 100 % Completado
HOY
En este diagrama se puede observar la distribucin de tareas a lo
largo del tiempo en el que se ha desarrollado el proyecto. Los prime-
ros meses se invirtieron en una puesta en marcha o procedimiento de
setup, en el que la actividad se centr en la bsqueda de documenta-
cin. Una vez adquiridos los conocimientos necesarios, se pas a una
etapa de desarrollo donde se implementaron varios de los algoritmos
estudiados con anterioridad. A continuacin, se realizaron las fases
de diseo del experimento a la vez que se segua implementando
y consultando libreras de generacin de mapas 3D. Por ltimo, los
conocimientos adquiridos durante la experimentacin fueron plasma-
dos en la redaccin tanto de un paper para la conferencia UAVg-2013
6 introduccin
2.2 contexto
7
8 estado del arte
(a) Imagen obtenida por un aeroplano (1500 (b) Imagen captada por un UAV (300 m).
m).
2.4.1 Pix4D
Pix4D fue fundada a finales de 2009 como una spin-off de EPFL, es-
cuela de ingeniera suiza con amplia experiencia tanto en robtica
como en inteligencia artificial [3].
Entre los productos que oferta esta empresa, destaca Pix4UAV (ver
figura 4a), una solucin software disponible tanto en la nube como
versin de escritorio. Este paquete software permite la reconstruccin
de mapas 3D a partir de imgenes areas as como la generacin de
mapas 2D georreferenciados o la posibilidad de integrar el resultado
final con Google Maps. La principal diferencia entre la versin en
la nube y la de escritorio reside en el precio, ya que en la versin
de escritorio se paga una licencia completa, mientras que para un
procesamiento en la nube solo es necesario abonar cada proyecto de
manera independiente.
2.4.2 Sensefly
(a) Suite de Software PixUAV. (b) UAV ultraligero desarrollado por Sensefly.
2.5.2 VisualSFM
2.5.3 MICMAC
G E N E R A C I N D E M A PA S 3 D
ADQUISICIN DE IMGENES
3
3.1 introduccin
15
16 adquisicin de imgenes
0 0
(x x )/2
x = b i 0 d0 (1)
(yi yd )
0 0
(y y )/2
y = b i 0 d0 (2)
(xi xd )
f
z=b 0 0 (3)
(xi xd )
Por tanto, hace falta controlar dos factores a la hora del desarrollo
de un sistema estreo convencional: la distancia a los objetos y la
separacin entre las cmaras. Atendiendo al caso de mapeado 3D a
partir de imgenes areas estas afirmaciones se traduciran en vuelos
a baja altura y en el uso de una distancia base bastante elevada.
Los sistemas esteros que utilizan solo una cmara cubren el caso par-
ticular de visin estreo donde los ejes pticos de las cmaras no son
paralelos. Por consiguiente, es necesario determinar la transforma-
cin que existe entre los sistemas de referencias asociado a la cmara
en cada una de las imgenes obtenidas. Por este motivo, la imple-
mentacin de este tipo de tcnicas es muy apropiada en aeronaves
pequeas debido a la integracin de sensores inerciales de posiciona-
miento (GPS,IMU), que permiten la localizacin de la cmara en un
sistema de coordenadas terrestre.
La eleccin de una cmara digital debe ser acorde a una serie de ne-
cesidades provenientes de los algoritmos de reconstruccin 3D. Por
tanto, las imgenes tomadas deben cumplir unos requisitos en cuan-
to a calidad y resolucin se refiere, adems de tener la opcin de
poder configurar parmetros tales como la velocidad de obturacin,
la apertura de la lente, la ISO etc..
3.3 seleccin e integracin de la cmara 19
Tabla 1: Ejemplos de diferentes modelos de cmaras usados para mapeado 3D. Unidades:
peso (gramos), resolucin (megapxeles) , precio(e)
(a) Efecto de rolling shutter en imagen en mo- (b) Explicacin grfica del efecto.
vimiento
En este sentido, cabe aclarar que no solo las cmaras de gama baja
estn afectadas. Las cmaras de gama alta con sensor CMOS (prc-
ticamente todas las disponibles en el mercado fotogrfico actual), en
modo vdeo producen el mismo efecto. No lo producen al tomar fo-
tografas ya que primero se exponen los fotodiodos, se cierran las
20 adquisicin de imgenes
23
24 diseo de un vuelo de mapeado 3d
Una vez se ha fijado la resolucin por pxel que necesita nuestra apli-
cacin, la altura de vuelo o Altitude above Ground Level (AGL) es el
segundo parmetro a calcular. La altura a la que tomaremos las im-
genes depende de la distancia focal de la cmara, de las dimensiones
del sensor y de la GSD definida en el apartado anterior. La imagen
12 recoge un esquema de una situacin real, sealando los aspectos
de inters.
f Imwdith GSD
h= (7)
Sw 100
Expresin que relaciona la mxima altura de vuelo desde donde po-
demos realizar las fotografas para cumplir unos requisitos de resolu-
cin por pxel. Ordenes de magnitud tpicos para vuelos de mapeado
3D tratan con resoluciones en el rango [1,10] cm/pxel y alturas de
vuelo entre 80 y 200 metros. Sin embargo, muchas veces la altura m-
xima de vuelo es un factor limitante en el caso de utilizar UAVs, por
lo que habr que llegar a una relacin de compromiso entre AGL y
GSD.
4.4 solapamiento
donde:
rx ,ry = resolucin horizontal y vertical de la cmara (pi-
xels)
gx ,gy = GSD horizontal y vertical deseada (m/pxel)
A continuacin, se divide el rea a mapear en una cantidad fini-
ta de rectngulos del mismo tamao, normalmente en forma de
malla. Se utiliza este tipo de divisin ya que se asume que a una
altura de vuelo constante y con un giro pitch and roll mnimo, la
GIA de cada una de las imgenes ser muy similar.
La eleccin del tamao de mallado se elige en funcin al sola-
pamiento requerido. Para un solapamiento entre un 60 % y un
80 %, se recomienda utilizar un mallado 3 o 4 veces ms peque-
o que la GIA anteriormente calculada.
(a) Ejemplo de plan de vuelo en forma de malla (b) Planificacin de un vuelo de doble
mallado.
29
30 algoritmos de mapeado 3d
P = [R|t] (9)
cos() sen() 0
R =
sen() cos() 0
(11)
0 0 1
cos() 0 sen()
R =
0 1 0
(12)
sen() 0 cos()
1 0 0
R =
0 cos() sen()
(13)
0 sen() cos()
5.2 modelo de caja negra 33
Rn = R R R (14)
coscos cossen sen
Rn =
cossinsen sencos coscos + sensensen cossen
cossencos + sensen sensencos cossen coscos
(15)
Por tanto, para el calculo de la matriz de rotacin habr que tener
en cuenta cual es el sistema de referencia y aplicar la transformacin
en el orden correcto. Como en el caso anterior, se asignar a cada ima-
gen unos ngulos de Euler concretos los cuales sern proporcionados
por los sensores inerciales a bordo del UAV.
fx s cx
K=
0 fy cy
(16)
0 0 1
A continuacin se realiza algunas generalizaciones con respecto a
esta matriz:
34 algoritmos de mapeado 3d
5.2.4 Mapas 3D
Figura 18: Esquema general de generacin de mapas dispersos (Structure from Motion).
(a) Imagen con mucho detalle,35969 keypoints. (b) Imagen homognea con 4580 keypoints.
Figura 23: Resultado del proceso de matching entre dos imgenes areas con-
secutivas.
0
l1 x
0
l = F y (17)
2
0
l3 1
0 0
Donde (x,y) son los puntos que satisfacen la ecuacin l1 x + l2 y +
0
l3 = 0 (el superndice indica que esta lnea pertenece a la segunda
imagen). Por tanto, la matriz Fundamental mapea un punto 2D en
una imagen en su correspondiente linea epipolar en la otra imagen.
0
x T Fx = 0 (18)
Donde x y x hacen referencia a puntos homlogos (expresados en
coordenadas homogneas) y F es una matriz 3X3. De acuerdo con
42 algoritmos de mapeado 3d
5.3.3 Triangulacin
0 0
x =PX x = PX (19)
Estas ecuaciones pueden combinarse de la forma AX=0 , la cual
es una ecuacin lineal en X. Como se desarrolla en [20], A es de la
forma:
xp3T p1T
3T
xp p2T
A= 0 (20)
3T p 0 1T
xp
0 0
xp 3T p 2T
donde piT son las filas de P. Se tienen 4 ecuaciones con 4 incgnitas
homogneas. Esto es un sistemas de ecuaciones redundante, ya que la
solucin est determinada para un cierto factor de escala. Desde [21]
se propone la implementacin de una solucin iterativa que permite
resolver este sistema de ecuaciones, con el objetivo de reconstruir los
puntos 3D proyectados.
Por ltimo hay que especificar que los resultados obtenidos siem-
pre tendrn un cierto grado de error, debido a que a lo largo del
proceso hay muchos puntos en los que se va perdiendo precisin y
acumulando grados de error. Por ejemplo, estamos situando la pro-
yeccin de X en el plano de imagen exactamente en un pxel, cuando
puede darse en el espacio sub-pxel, o podemos tener errores de co-
rrespondencia que generen modelos no vlidos e introduzcan error
en la estimacin. Una medida geomtrica denominada error de re-
proyeccin cuantifica este error, al medir la distancia entre el punto
original xi y la proyeccin del punto 3D obtenido xR i = Pi X de tal
manera que:
errorrep =
xi xR
i
(21)
n X
X m
min vij
xij xR
ij
(22)
aj ,bi
i=1 j=1
44 algoritmos de mapeado 3d
Figura 27: Ejemplo de optimizacin usando Bundle Adjustment. En azul los puntos ini-
ciales. En verde, la reproyeccin del punto
5(Fz ) el gradiente de Fz .
reg
5(Fz )
la norma del gradiente que es usada como un par-
metro de regulacin (penaliza la variacin de Fz ).
ZZ
reg
(Fz ) Corr(x, y, Fz (x, y) +
5(Fz )
(23)
5.4 mapas 3d densos 47
P 0 0
(I(x + i) I(x))(I (x + 4 + i) I (x + 4))
Corrx (4) = P P 0 0 1
( i (I(x + i) I(x))2 i (I (x + 4 + i) I (x + 4)2 ) 2
(24)
0
donde I y I hace referencia al valor medio de la intensidad de la
ventana elegida y centrada en x.
(a) Mapa de correlacin escalado 2k k=1. (b) Mapa de correlacin escalado 2k k=3.
(c) Mapa de correlacin escalado 2k k=5. (d) Mapa de correlacin escalado 2k k=7.
1 ifp M
M (p) = (25)
0 ifp
/M
Adems se sabe que existe una relacin entre los puntos muestrea-
dos de una superficie y el indicador de funcin del modelo. Ms
especficamente, el gradiente del indicador de funcin es un campo
vectorial que es cero en casi todo el modelo excepto en los puntos
cercanos a la superficie, donde es igual a la normal en ese punto.
Entonces, el problema se resume en encontrar una funcin escalar
cuyo gradiente mejor se aproxime al campo vectorial V~ tal que:
~
min
5 V
(26)
~ 52 = 5 V
5 (5) = 5 V ~ (27)
E VA L U A C I N D E L A P R E C I S I N E N M A PA S
3D
DEFINICIN DEL EXPERIMENTO
6
6.1 introduccin
53
54 definicin del experimento
59
60 diseo del experimento
7.3.1 UAV
7.3.2 Cmara
caracterstica descripcin
28-140 mm
Lentes 5x zoom ptico
F2.8-4.5
(a) Cmara usada con marcadores de VI- (b) Cmaras VICON para
CON el rastreo de la cmara
7.3.4 PIX4UAV
Lo que quiere decir que, una imagen tomada a esa altura cubre
una superficie aproximadamente de 0,5 m2 . El escenario pro-
puesto tiene unas medidas de 2 metros por 1 metro. Se ha li-
mitado el tamao del escenario con el objetivo de asegurar un
solape suficiente.
v
u n
u1 X
HOR =t X2i + Yi2 (30)
n
i=1
v
u n
u1 X
VER =t Z2i (31)
n
i=1
8.2 experimento 1
69
70 resultados
8.3 experimento 2
8.4 conclusiones
CONCLUSIONES
CONCLUSIONES Y TRABAJOS FUTUROS
9
La generacin de mapas 3D a partir de imgenes areas es una tecno-
loga que se ha desarrollado sobre todo en la ltima dcada, debido
a la aparicin de sistemas areos no tripulados que han permitido re-
ducir costes con respecto a los sistemas de adquisicin de imgenes
areas utilizados hasta entonces.
Aplicaciones tales como monitorizacin de recursos naturales, ins-
peccin de sitios inaccesibles etc.. hacen de este tipo de tcnicas un
servicio en el que varias empresas estn enfocando sus lineas profe-
sionales. Sin embargo, se trata de un mercado relativamente joven,
por lo que la normativa referente al uso de estos sistemas areos no
tripulados no est del todo definida en algunos pases.
Por otro lado, aparte del sistema de adquisicin de imgenes, es ne-
cesario el desarrollo de un software especfico para la generacin de
dichos de mapas 3D. A lo largo de esta memoria se ha implementado
parte de estos algoritmos, los cuales estn siendo cada vez ms pti-
mos a medida que avanza la tecnologa. Destacar en este aspecto la
integracin, cada vez ms notoria, de las GPU o tarjetas grficas, las
cuales permiten optimizar la velocidad de ejecucin de los diferentes
algoritmos haciendo uso de la programacin en paralelo. Adems,
la evolucin de las cmaras fotogrficas permitirn , en un futuro
no muy lejano , grabar vdeo a gran resolucin, permitiendo extraer
varios frames consecutivos con una calidad similar a las fotografas
actuales, lo que mejorar notablemente los resultados obtenidos con
este tipo de tcnicas.
75
76 conclusiones y trabajos futuros
APNDICES
P U B L I C A C I N D E A R T C U L O E N U AV- G 2 0 1 3
A
EVALUATING THE ACCURACY OF DEM GENERATION ALGORITHMS FROM UAV
IMAGERY
KEY WORDS: Digital Elevation Model, Unmanned Aerial Vehicle, GPS error
ABSTRACT:
In this work we evaluate how the use of different positioning systems affect the accuracy of Digital Elevation Models (DEMs) gen-
erated from aerial imagery obtained with Unmanned Aerial Vehicles (UAVs). In this domain, state-of-the-art SFM algorithms suffer
from typical errors obtained by INS devices in the position measurements associated to each picture obtained. The deviations from
these measurements to real world positions are about meters. The experiments have been carried out using a small quadrotor in the
indoor testbed of the Center for Advanced Aerospace Technologies (CATEC). This testbed houses a system that is able to track small
markers mounted on the UAV and along the scenario with millimetric precision. This provides very precise position measurements,
to which we can add random noise to simulate errors in different GPS receivers. The results showed that DEM accuracy depends
on the positioning information. Furthermore, the introduction of Ground-Control-Points (GCPs) in the scenario clearly reduces the
georeferencing deviation, even for the less precise GPS receivers.
Standard DEM generation algorithms suffer from typical errors 2 SFM PIPELINE
obtained by INS devices, especially in the position measurements
associated to each acquired image. In this work we focus on the The processing pipeline for the generation of DEMs consist of
analysis of how these deviations affect the accuracy of the final the cooperation of several procedures and techniques in which
3D reconstruction. Especially in the case of UAVs, payload and different sensors are involved (Ze-tao et al., 2009). In order to
cost restrictions limit the use of precise equipment, hence posi- understand how they relate each other, a brief discussion about
tioning errors are common. In order to study this effect, we per- them is presented along with a classification of the common vari-
formed the experiments in a controlled environment where high ables that affect the accuracy of the final DEM.
precision information of the UAV position is available. This is
accomplished by using the indoor testbed of the CATEC, which DEM generation from UAV imagery is normally developed within
provides a highly precise and time-synchronized motion capture the framework of a sequential SFM pipelining (Irschara et al.,
system, based on VICON cameras. The tracking system is able to 2012). State-of-art SFM algorithms are usually divided into two
locate small markers with millimetric precision. A small quadro- stages. First, a sparse 3D model is obtained from triangulating
tor was used in the experiments, whose position and attitude could correspondences between images in scene. For this purpose, data
be precisely determined by placing markers on its airframe. Scaled from inertial sensors and camera parameters are necessary to es-
scenarios were configured in our testbed in order to circumvent timate a projection matrix for each image. This information al-
the differences with a real outdoor scenario. Markers were also lows to recover the 3D position from matched points using fea-
used on the simulated scenarios as reference positions to compare ture detectors. After an optimisation step (Manolis and Antonis,
79
80 publicacin de artculo en uav-g2013
Furthermore, a good synchronization between the image acqui- Name Horizontal Vertical
sition time and the corresponding INS data sample is required. RTK/PPP 1 dm 3 dm
Even with a poor synchronization, projection matrices are opti- WAAS/EGNOS 1m 3m
mized during the bundle adjustment step using geometric infor- DGPS 3m 5m
mation from images. However, inaccuracies and global shift in GPS with SA deactivated 5m 15 m
positioning sensors directly affect to the final result.
Table 1: Typical accuracy in different GPS receivers
3 GPS SIMULATION
three zero-mean Gauss-Markov processes were simulated and sam-
The main contribution of this work is to study how different GPS pled over the image acquisition timeline.
receivers mounted on-board UAV platforms affect the DEM gen-
As illustrated in the Fig. 4, positioning information from CATEC
eration. In order to isolate the influence of GPS effects, we will
testbed system is distorted by adding a noise process with a cer-
assume that the image acquisition and flight planning issues are
tain standard deviation depending on the GPS device to simulate.
correctly configured. Firstly we present a brief overview of the
The distorted signal is then used to generate the final DEM that
different existing GPS receivers and secondly, the noise model
is compared with GTPs.
adopted for the experimentation will be discussed.
4.2 Experiment setup Where {Xi , Yi , Zi } is the Euclidean distance between GTPs
and the matched points in the DEM.
The positions measurements reported by the testbed system re-
place the ones obtained from INS devices for UAV imagery. After
adding the noise signal to these measurements, the input images
and positional data are introduced in a DEM generation pipeline
similar to Fig. 1. For this purpose, the experiments have been
performed using the software Pix4UAV Desktop (Strecha et al.,
2011) that offers an optimized implementation of the algorithms
described above. Finally, accuracy is calculated as the distance
between the real point and the matched point in the 3D model.
Complete flowchart is shown in Fig. 4.
Four different GPS data sets were selected according to Table 1, 5 CONCLUSIONS
and the scale factor of our scenario has a relationship with com-
mon UAV flights of (1 : 100). Both planimetric and elevation There exist several publications analyzing the effect of different
accuracy were tested separately. In order to measure and report parameters of the SFM pipeline on DEM accuracy. However, the
the simulated GPS data quality, the root mean square error statis- precision of position measurements had not yet been deeply con-
tic was computed (Minnesota-Planning, 1999). sidered in this domain. UAV imagery is strongly affected by posi-
tioning errors due to the use of low-cost INS equipment. Experi-
v mentation takes into account common errors of different position-
u n
u1 X ing systems (RTK, GBAS, DGPS and GPS). The results reveal a
P LAN =t (Xi2 + Yi2 ) (3) correlation between the positioning errors and the final DEM ac-
n
i=1 curacy, which rapidly grows with standard GPS receivers. The
indoor testbed at CATEC allowed to acquire very precise infor-
v mation as ground-truth, in order to test the different approaches.
u n Alternatively, using GCPs strongly helps improving the spatial
u1 X
V ER = t (Zi2 ) (4) accuracy. However, placing GCPs might not be always possible,
n depending on the terrain type or accessibility.
i=1
publicacin de artculo en uav-g2013 83
Finally, to achieve a more thorough analysis on DEM accuracy, Minnesota-Planning, 1999. Positional accuracy handbook: Us-
more experiments modifying GSD and flight planning parameters ing the national standard for spatial data accuracy to measure and
are necessary. report geographic data quality. Technical report, Minnesota Plan-
ning Agency.
Nagai, M., T., C., R., S., H., K. and A., A., 2009. Uav-borne
3-d mapping system by multisensor integration. Sensors 47(3),
pp. 701708.
Strecha, C., Van Gool, L. and Fua, P., 2011. The accuracy of au-
tomatic photogrammetric techniques on ultra-light uav imagery.
In: Proceedings of the International Conference on Unmanned
Aerial Vehicle in Geomatics (UAV-g).
REFERENCES
Irschara, A., Rumpler, M., Meixner, P., Pock, T. and Bischo, H.,
2012. Efficient and globally optimal multi view dense match-
ing for aerial images. In: ISPRS Annals of the Photogrammetry,
Remote Sensing and Spatial Information Sciences.
svn co http://www.micmac.ign.fr/svn/micmac_data/trunk
micmac_data
Durante el proceso de instalacin, se requieren una serie de depen-
dencias a otras librerias o programas, los cuales se pueden obtener a
partir de los repositorios oficiales de Linux:
85
86 generacin de mapas 3d con micmac
cd MY_FOLDER
Tapioca MulScale .*.JPG 500 1500
fichero: OrientationIMG_XXXX.JPG.xml
<Centre>X Y Z</Centre>
<ParamRotation>
<CodeAngulaire> heading pitch roll</CodeAngulaire>
</ParamRotation>
<ConvOri>
<KnownConv> eConvAngPhotoMDegre </KnownConv>
</ConvOri>
Donde X Y Z hace referencia a la posicin de la imagen en el sis-
tema de referencia y ParamRotation a los ngulos de navegacin. El
ltimo parmetro sirve para especificar cual convenio queremos se-
guir a la hora de construir la matriz de rotacin.
Ya hemos creado una pequea base de datos con la informacin de
posicionamiento real. Para volver a calcular de nuevo las matrices de
proyeccin se ejecuta el siguiente comando, el cual vuelve a lanzar el
proceso de bundle adjustment:
Apero Apero_Geo.xml
AperiCloud .*.JPG Ground Out=AperiCloud.ply
MICMAC Micmacorthocloud.xml
E J E M P L O S D E M A PA S 3 D
C
c.1 introduccin
89
90 ejemplos de mapas 3d
c.2 dataset 1
caracterstica descripcin
85 fotografias
Imgenes
4000 x 3000 pxeles
Figura 47: Ortomosaico, mapa de altura y vista en perspectiva del modelo 3D del dataset 1.
C.3 dataset 2 91
c.3 dataset 2
caracterstica descripcin
35 fotografas
Imgenes
4592 x 3056 pxeles
SAMSUNG NX100
Cmara 1/3200 segundos
ISO 200
Altura de vuelo 130 m
Figura 48: Ortomosaico, mapa de altura y vista en perspectiva del modelo 3D del dataset 2
92 ejemplos de mapas 3d
c.4 dataset 3
caracterstica descripcin
105 fotografias
Imgenes
4000 x 3000 pxeles
Altura de vuelo 1m
Figura 49: Ortomosaico, mapa de altura y vista en perspectiva del modelo 3D del dataset 3.
BIBLIOGRAFA
93
94 bibliografa