Change Detection on Point Clouds for Quality Assurance of Laser Scans

Mobile laser scanning has introduced unmatched accuracy and efficiency for capturing high-precision data about our physical world. The detailed point cloud representation serves in numerous application areas, for example, in urban and infrastructure planning. Yet, several issues such as reflections, motion-induced blurring and objects obscuring regions of interest can impair the data quality. Especially lively city settings are prone to such errors. In the case of critical applications, scanning an affected scene twice is a purposeful option to compensate for faulty parts. However, in practise, users widely refrain from this option because it involves too much extra effort. In this thesis, we outline this multi-pass workflow consisting of error detection, scan re-take and validation. Our goal is to facilitate the last of these steps for the human operator by applying an automated change detection pipeline to the two point clouds collected of the same scene in short temporal distance. Errors which can be resolved by the re-scan, such as occlusions, are normally caused by dynamic objects. To automatically detect their appearance or disappearance, we design a pipeline whose output helps the user to assess the errors’ presence. Our system is composed of a two-step ground removal, a two-step difference estimation and an application-oriented post-processing. We introduce a reversible downsampling to achieve a trade-off between accuracy and scalability regarding the ground segmentation. The combination of occupancy-based difference estimation with cloud-to-cloud distance-based filtering enables us to omit a fine-registration of the georeferenced data and increases the robustness to deviations and noise. The final application-oriented post-processing layer reduces outliers as well as noise, and filters out small clusters of artifact points which are unlikely to be significant for the manual validation. Finally, we evaluate our system using two urban point clouds, captured within a short time interval after one another. The tests demonstrate that dynamic error sources are identified with high accuracy by our pipeline and they show that our design effectively reduces the computational complexity.

Mobiles Laserscanning hat es ermöglicht, hochpräzisen Daten über unsere physische Welt mit beispielloser Genauigkeit und Effizienz zu erfassen. Die detaillierte Darstellung als Punktwolke findet Einsatz in zahlreichen Anwendungsgebieten, unter anderem bei der Stadt- und Infrastrukturplanung. Allerdings gibt es verschiedene Faktoren, wie Reflexionen, bewegungsbedingte Unschärfe sowie durch Objekte verdeckte Bereiche, die die Datenqualität beeinträchtigen können. Vor allem belebte Städte sind anfällig für solche Fehler. In kritischen Anwendungsfällen ist das erneute Scannen einer betroffenen Szene zweckmäßig, um fehlerbehaftete Stellen aufzufangen. Jedoch wird diese Option in der Praxis weitestgehend verworfen, da sie zu viel zusätzlichen Aufwand erfordert. In dieser Arbeit wird ein solcher Multi-Pass-Workflow skizziert, der aus Fehlererkennung, Wiederholung des Scans und Validierung besteht. Das Ziel ist es, den letzten Schritt für den menschlichen Operator zu vereinfachen, indem eine automatisierte Change Detection Pipeline auf die zwei in kurzem zeitlichen Abstand erfassten Punktwolken angewandt wird. Fehler, die mithilfe eines erneuten Scans behoben werden können, wie z.B. Verdeckungen, werden in der Regel durch dynamische Objekte hervorgerufen. Um ihr Auftauchen oder Verschwinden automatisch zu erkennen, wird eine Pipeline entwickelt, deren Ausgabe dem Benutzer hilft, die Präsenz von Fehlern zu beurteilen. Das System besteht aus der zweistufigen Entfernung des Bodens, der auf zwei Phasen aufgeteilten Difference Estimation sowie einer anwendungsorientierten Nachbearbeitung. Es wird eine umkehrbare Downsampling-Methode vorgestellt, um einen Ausgleich zwischen Genauigkeit und Skalierbarkeit bei der Bodenfilterung zu erreichen. Die Kombination von Occupancy-gestützter Difference Estimation mit Cloud-to-Cloud Distance-basierter Filterung ermöglicht es, auf eine Feinregistrierung der georeferenzierten Daten zu verzichten und erhöht die Robustheit gegenüber Abweichungen und Rauschen. Bei der abschließenden, anwendungsorientierten Nachbearbeitung werden Ausreißer sowie Rauschen reduziert und kleine Cluster von Punktartefakten herausgefiltert, die für die manuelle Validierung voraussichtlich nicht von Bedeutung sind. Schlussendlich folgt eine Evaluierung des Systems anhand von zwei, in kurzem Abstand im städtischen Umfeld aufgenommenen Punktwolken. Die Tests zeigen, dass dynamische Fehlerquellen mit hoher Genauigkeit durch die Pipeline erkannt werden und belegen, dass das Design die Rechenkomplexität effektiv reduziert.