Punktwolke

Vermessung und Analyse von 3D-Szenen mithilfe von Punktwolken

Als Punktwolke bezeichnet man eine Sammlung von Datenpunkten im dreidimensionalen Raum. Jeder Punkt entspricht den X-, Y- und Z-Koordinaten eines Ortes auf der Oberfläche eines realen Objekts und alle Punkte zusammen bilden die gesamte Oberfläche ab.

Punktwolken werden zur Erfassung realer Szenen genutzt und typischerweise von LiDAR-Scannern und Stereo- oder Time-of-Flight-Kameras (TOF) erzeugt.

Je nach Datentyp unterteilt man sie in zwei Kategorien:

  1. Organisierte Punktwolken werden in der Regel von Sensoren in Stereo- und Time-of-Flight-Kameras erzeugt. Sie haben das Format M x N x C, mit M gleich der Anzahl an Zeilen, N gleich der Anzahl an Spalten und C gleich der Anzahl an Kanälen. Ähnlich wie bei 2D-Bildern enthält dieser Datentyp Informationen über die Beziehung zwischen benachbarten Punkten.
  2. Unorganisierte Punktwolken weisen das Format M x C auf, mit M gleich Anzahl der Punkte und C gleich Anzahl der Kanäle. Rohdaten von LiDAR-Sensoren werden als unorganisierte Punktwolken generiert.

Die Verarbeitung von Punktwolken wird in der Robotik und in Anwendungen für das automatisierte Fahren für Wahrnehmungs- und Navigationsaufgaben eingesetzt. Weitere typische Anwendungsgebiete sind Augmented Reality (AR) und Virtual Reality (VR). MATLAB® bietet Tools und Referenzanwendungen, die die Punktwolken-Verarbeitung unterstützen, insbesondere in der Lidar Toolbox™ und der Computer Vision Toolbox™.

Typische Workflows und Aufgaben sind:

  • Lesen, Schreiben und Streamen von Punktwolken
  • Vorverarbeitung: Downsampling, Medianfilterung, Transformation, Merkmals-Extraktion aus und Ausrichtung von 3D-Punktwolken
  • Kalibrierung von LiDAR-Kameras
  • Objekterkennung und semantische Segmentierung
  • Objektverfolgung
  • Registrierung, Kartierung und SLAM
  • Bereitstellung auf CPUs und GPUs
Live-Streaming von LiDAR-Daten von Velodyne-Sensoren

Live-Streaming von LiDAR-Daten von Velodyne-Sensoren. (Hier eine Einführung, wie dies in MATLAB gemacht wird.)

Semantische Segmentierung von Punktwolken mit SqueezeSegV2

Semantische Segmentierung von Punktwolken mit SqueezeSegV2. Organisierte LiDAR-Daten werden semantisch in Kfz (rot), Lkw (violett) und Hintergrund (schwarz) segmentiert.(Hier ein MATLAB-Beispiel)

Details dazu finden Sie bei der Lidar Toolbox™ und Computer Vision Toolbox™.



Siehe auch: Verarbeitung von 3D-Bildern, Affine Abbildung, Digitale Bildverarbeitung, Bildanalyse, Bildverarbeitung und Computer Vision, Bildrekonstruktion, Bildregistrierung, Bildsegmentierung, Schwellenwertbestimmung in Bildern, Bildtransformation, Objekterkennung, RANSAC, Stereosicht, SLAM (simultane Lokalisierung und Kartierung)

Entwurf, Analyse und Testen von LiDAR-Verarbeitungssystemen mit der LiDAR Toolbox.