Real time indoor environment modeling

Abstract

İç mekan modelleme ve üç boyutlu haritalandırma işlemleri gün geçtikçe daha yaygın kullanılmaya başlanmıştır. Bunlardan bir tanesi de mimaride restorasyon için kullanılan ölçü (rölöve) alma işlemidir. Bu tarz uygulamalar için günümüzde farklı üç boyutlu mesafe sensörleri kullanılmaktadır. Bunlar arasında otomatik lazer tarayıcılar en hassas sonucu vermektedir. Ancak bu cihazlar pahalı oldukları gibi birçok kullanım için de ihtiyaçtan fazlasını sunarlar. Bu nedenle, bu çalışmada ölçü alma işlemi için MS Kinect tabanlı yeni ve ucuz bir sistem önerilmektedir. Hazırladığımız sistemde sensörden alınan RGB ve derinlik bilgisi TI OMAP4460 tabanlı PandaBoard-ES ile işlenerek uzak bir sunucuya TCP/IP protokolü ile gerçek zamanlı olarak aktarılmaktadır. Sunucu tarafında da alınan bilgileri işlemek için Point Cloud Library (PCL) ve OpenCV kullanılmıştır. Burada iç mekan modellemesi ağırlıklı olarak duvar bölütlemesi ile gerçeklenir. Bunun için de RANSAC ve kesişme saptama yöntemleri kullanılmıştır. Ayrıca, elde edilen görüntüleri hızlı ve yüksek doğruluk oranında birleştir-mek için SURF tabanlı bir yöntem uyguladık. Algılanan her imge arasındaki dönme açısını SURF yardımı ile hesaplayarak üç boyutlu ortamda bölütlendirmeleri birleştir-dik. Önerdiğimiz bu sistemi çeşitli iç mekan koşullarında test ettik. Bunları çalışmamızın sonunda yorumladık.

Building survey and indoor 3D mapping is getting popular as their application areas expand. A sub area for building survey is architectural renovation. There are various 3D range sensors for these applications. Among these, laser scanners are the most precise ones. However, they are expansive and overqualified for most architectural renovation projects. Therefore, we propose using an MS Kinect sensor for this purpose. Besides, we develop a complete embedded system both in hardware and software. In our system, range and RGB data is grabbed via a TI OMAP4460 based PandaBoard-ES. Then, the same board transfers this data to a remote PC through the TCP/IP protocol in real time. There, the received data is processed via Point Cloud Library (PCL) and Open CV. In processing, we take indoor modeling as wall segmentation and we merge segmented planes. To do so, we use RANSAC and SURF. We tested the performance of our system in various indoor scenarios. We provided the experimental results as well as their evaluation in the conclusion section of this study.