Detection/ Recognition of Urban Objects from Multi 3D Datasensors taken at ground level, continuously
Détection/reconnaissance d'objets urbains à partir de données 3D multicapteurs prises au niveau du sol, en continu
Résumé
The development of MLS LiDAR acquisition with devices mounted on vehicles or drones, make it possible to scan entire cities in the form of georeferenced three-dimensional point clouds. The use of these data by city managers allows the census as well as the monitoring over time of urban objects whether they are fixed (lampposts, bus shelters, etc.), mobile (garbage containers) or natural (trees) in order to be able to intervene in the event of disappearance, displacement, deterioration or potential danger.This approach requires being able to process large clouds that can have several hundred million points and bring together thousands of objects. It therefore becomes necessary to automate the processing applied to point clouds in order to be able to automatically extract and classify the elements which correspond to urban objects. The diversity as well as the large number of urban objects present in cities are a real challenge for the development of automated approaches. In this thesis we explore the recent path of deep learning applied to unstructured data to achieve the localization and automatic classification of urban objects in a 3D point cloud. Drawing inspiration from recent advances made possible by the PointNet network, we propose to carry out supervised learning directly from the raw point clouds without applying intermediate transformations. We have thus developed a 3D neural architecture that we have based on an original layer allowing simultaneously grouping points and extracting characteristics from them. From this architecture, we present the results we obtained on the task of detecting urban objects in LiDAR point clouds scanned in the streets of large cities.
Le développement des dispositifs d'acquisition LiDAR mobiles terrestres, montés sur véhicule ou drone, rendent possible la numérisation de villes entières sous la forme de nuages de points tridimensionnels géo-référencés. L'exploitation de ces données par les gestionnaires de ville permettent le recensement ainsi que le suivi au cours du temps des objets urbains qu'ils soient fixes (lampadaires, abribus…), mobiles (containers de poubelle) ou naturels (arbres) afin de pouvoir intervenir en cas de disparition, déplacement, détérioration ou de danger potentiel.Cette approche nécessite d'être en mesure de traiter des grands nuages pouvant compter plusieurs centaines de millions de points et réunir des milliers d'objets. Il devient donc nécessaire d'automatiser les traitements appliqués aux nuages de points afin de pouvoir extraire et classer automatiquement les éléments qui correspondent à des objets urbains. La diversité ainsi que le grand nombre d'objets urbains présents dans les villes sont un réel défi pour le développement d'approches automatisées.Dans cette thèse nous explorons la piste récente de l'apprentissage profond appliqué aux données non structurées pour réaliser la localisation et la reconnaissance automatique d'objets urbains dans un nuage de points 3D. En s'inspirant des avancées récentes permises par le réseau PointNet, nous proposons de réaliser un apprentissage supervisé directement à partir des nuages de points sans passer par des transformations intermédiaires.Nous avons ainsi développé une architecture neuronale 3D que nous avons basée sur une couche originale permettant simultanément de regrouper des points et d'en extraire des caractéristiques. A partir de cette architecture, nous présentons les résultats que nous avons obtenues sur la tâche de détection d'objets urbains dans des nuages de points LiDAR obtenus dans des rues de grandes villes.
Origine : Version validée par le jury (STAR)