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: 3D image processing, affine transformation, digital image processing, image analysis, image processing and computer vision, image reconstruction, image registration, image segmentation, image thresholding, image transform, object detection, RANSAC, stereo vision, SLAM (simultaneous localization and mapping)

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