Luận văn thạc sĩ: Trích xuất tín hiệu cho đăng ký quét bên trong và bên ngoài

Luận văn thạc sĩ nghiên cứu vnu extraction of cues for insideoutside scan registration trích xuất các tín hiệu cho đăng ký quét, khảo sát thực trạng, phân tích nguyên nhân, đề

• Tác giả: Malle, Zoumana
• Người hướng dẫn: Dr. Bruno Vallet (Matis-Team)
• Trường học: Université Nationale Du Vietnam, Hanoï Institut Francophone International
• Chuyên ngành: Systèmes Intelligents et Multimédia
• Đề tài: Extraction of cues for inside/outside scan registration
• Loại tài liệu: Mémoire de fin d’études du Master Informatique
• Năm xuất bản: 2018
• Địa điểm: Hanoï

Mục lục chi tiết

• Attestation sur l’honneur
• Remerciements
• Résumé
• Abstract
• 1. Chapitre 1: Présentation de la structure d’accueil
• 1.1. IGN-DRE
• 1.2. Missions du MATIS
• 1.3. Impacts Activités Industrielles
• 2. Chapitre 2: Contexte d’étude et problématique
• 2.1. Projet BIOM
• 3. État de l’art
• 5. Implémentations et Résultats
• 6. Conclusion et Perspectives
• Bibliographie
• Annexe A: Résultats complets & Vue Aérienne
• A.2. Vue Aérienne LiDAR Chapelle Saint Donat

Tóm tắt

I. Tổng quan về trích xuất tín hiệu cho đăng ký quét bên trong và bên ngoài

Trích xuất tín hiệu cho đăng ký quét bên trong và bên ngoài là một lĩnh vực quan trọng trong công nghệ quét 3D. Nó liên quan đến việc thu thập và xử lý dữ liệu từ các nguồn khác nhau để tạo ra mô hình 3D chính xác của các công trình. Dự án BIOM (Building Indoor and Outdoor Modeling) đã chỉ ra rằng việc kết hợp dữ liệu từ quét bên trong và bên ngoài có thể cải thiện độ chính xác của mô hình hóa. Việc này không chỉ giúp trong việc quản lý tài sản mà còn hỗ trợ trong các ứng dụng quy hoạch đô thị và bảo tồn di sản.

1.1. Khái niệm về trích xuất tín hiệu trong quét 3D

Trích xuất tín hiệu trong quét 3D đề cập đến quá trình thu thập và phân tích dữ liệu từ các cảm biến quét. Các tín hiệu này có thể đến từ quét laser (LiDAR) hoặc hình ảnh từ camera. Việc hiểu rõ về các tín hiệu này là rất quan trọng để đảm bảo rằng dữ liệu thu thập được có thể được sử dụng hiệu quả trong các ứng dụng khác nhau.

1.2. Tầm quan trọng của đăng ký quét bên trong và bên ngoài

Đăng ký quét bên trong và bên ngoài là một bước quan trọng trong việc tạo ra mô hình 3D chính xác. Nó cho phép kết hợp dữ liệu từ các nguồn khác nhau, giúp cải thiện độ chính xác và tính toàn vẹn của mô hình. Việc này đặc biệt quan trọng trong các ứng dụng như quy hoạch đô thị, bảo tồn di sản và quản lý tài sản.

II. Thách thức trong việc trích xuất tín hiệu cho đăng ký quét

Mặc dù có nhiều lợi ích, việc trích xuất tín hiệu cho đăng ký quét bên trong và bên ngoài cũng gặp phải nhiều thách thức. Một trong những thách thức lớn nhất là sự khác biệt trong dữ liệu thu thập từ các nguồn khác nhau. Dữ liệu từ quét bên trong có thể bị ảnh hưởng bởi các yếu tố như ánh sáng và vật cản, trong khi dữ liệu từ quét bên ngoài có thể bị ảnh hưởng bởi thời tiết và điều kiện môi trường.

2.1. Sự khác biệt giữa dữ liệu quét bên trong và bên ngoài

Dữ liệu quét bên trong thường có độ chi tiết cao hơn nhưng có thể bị ảnh hưởng bởi các vật cản như đồ nội thất. Ngược lại, dữ liệu quét bên ngoài có thể bao gồm các yếu tố như cây cối và các công trình khác, làm cho việc phân tích trở nên phức tạp hơn.

2.2. Các yếu tố ảnh hưởng đến độ chính xác của dữ liệu quét

Độ chính xác của dữ liệu quét có thể bị ảnh hưởng bởi nhiều yếu tố, bao gồm chất lượng của cảm biến, điều kiện ánh sáng và môi trường. Việc hiểu rõ các yếu tố này là rất quan trọng để cải thiện quy trình trích xuất tín hiệu.

III. Phương pháp trích xuất tín hiệu hiệu quả cho đăng ký quét

Để giải quyết các thách thức trong việc trích xuất tín hiệu, nhiều phương pháp đã được phát triển. Một trong những phương pháp phổ biến là sử dụng thuật toán RANSAC để phát hiện các mặt phẳng trong dữ liệu quét. Phương pháp này cho phép xác định các điểm quan trọng trong không gian 3D, từ đó cải thiện độ chính xác của mô hình.

3.1. Sử dụng RANSAC trong trích xuất tín hiệu

RANSAC (RANdom SAmple Consensus) là một thuật toán mạnh mẽ được sử dụng để phát hiện các mặt phẳng trong dữ liệu quét. Thuật toán này hoạt động bằng cách chọn ngẫu nhiên một tập hợp các điểm và kiểm tra xem chúng có thể tạo thành một mặt phẳng hay không. Nếu có, các điểm khác gần đó sẽ được thêm vào mặt phẳng, giúp cải thiện độ chính xác của mô hình.

3.2. Kết hợp dữ liệu từ nhiều nguồn

Việc kết hợp dữ liệu từ nhiều nguồn khác nhau, chẳng hạn như quét laser và hình ảnh, có thể giúp cải thiện độ chính xác của mô hình. Các phương pháp như phân tích đa phương thức có thể được sử dụng để tối ưu hóa quy trình này.

IV. Ứng dụng thực tiễn của trích xuất tín hiệu trong quét

Trích xuất tín hiệu cho đăng ký quét bên trong và bên ngoài có nhiều ứng dụng thực tiễn. Trong lĩnh vực xây dựng, nó giúp tạo ra các mô hình 3D chính xác cho việc thiết kế và quy hoạch. Ngoài ra, nó cũng có thể được sử dụng trong bảo tồn di sản, giúp tạo ra các bản sao 3D của các công trình lịch sử.

4.1. Ứng dụng trong xây dựng và quy hoạch

Trong ngành xây dựng, việc sử dụng mô hình 3D chính xác giúp cải thiện quy trình thiết kế và giảm thiểu sai sót. Các nhà thầu có thể sử dụng dữ liệu này để lập kế hoạch và quản lý dự án hiệu quả hơn.

4.2. Bảo tồn di sản văn hóa

Trích xuất tín hiệu cũng có thể được sử dụng trong bảo tồn di sản văn hóa. Việc tạo ra các mô hình 3D của các công trình lịch sử giúp bảo tồn thông tin và hình ảnh của chúng cho các thế hệ sau.

V. Kết luận và tương lai của trích xuất tín hiệu trong quét

Trích xuất tín hiệu cho đăng ký quét bên trong và bên ngoài là một lĩnh vực đang phát triển nhanh chóng. Với sự tiến bộ của công nghệ quét và phân tích dữ liệu, khả năng tạo ra các mô hình 3D chính xác ngày càng cao. Tương lai của lĩnh vực này hứa hẹn sẽ mang lại nhiều ứng dụng mới và cải tiến trong quy trình làm việc.

5.1. Xu hướng phát triển công nghệ quét

Công nghệ quét đang phát triển với tốc độ nhanh chóng, với nhiều cải tiến trong cảm biến và phần mềm phân tích. Điều này sẽ mở ra nhiều cơ hội mới cho việc trích xuất tín hiệu và đăng ký quét.

5.2. Tương lai của mô hình hóa 3D

Mô hình hóa 3D sẽ tiếp tục đóng vai trò quan trọng trong nhiều lĩnh vực, từ xây dựng đến bảo tồn di sản. Việc cải thiện quy trình trích xuất tín hiệu sẽ giúp nâng cao độ chính xác và hiệu quả của các ứng dụng này.

Nội dung chính

Tổng quan nghiên cứu

Quá trình số hóa công trình kiến trúc và xây dựng mô hình thông tin công trình (BIM) từ dữ liệu quét laser 3D hiện đại đang đối mặt với thách thức lớn về tính đồng bộ khi hợp nhất dữ liệu đa nguồn. Trong khuôn khổ dự án BIOM (Building Indoor and Outdoor Modeling) do Viện Địa lý và Lâm nghiệp Quốc gia Pháp (IGN) triển khai, mục tiêu cốt lõi được đặt ra là đạt độ chính xác đăng ký (registration) giữa đám mây điểm bên trong và bên ngoài công trình ở mức tiệm cận 1 cm.

Vấn đề nghiên cứu trọng tâm xuất phát từ thực tế là các phương pháp quét laser mặt đất (TLS) bên trong và bên ngoài thường được thực hiện độc lập tại các trạm quét khác nhau, dẫn đến sai lệch hệ tọa độ và thiếu hụt các đặc trưng hình học chung do vật cản che khuất. Nghiên cứu của học viên Malle Zoumana tại Viện Quốc tế Pháp ngữ (IFI) – Đại học Quốc gia Hà Nội, dưới sự đồng hướng dẫn của nhóm nghiên cứu MATIS-IGN và IMAGINE, tập trung giải quyết bài toán trích xuất các đa giác phẳng (planar polygons) làm mốc đối sánh đáng tin cậy.

Phạm vi nghiên cứu được thực nghiệm trên tập dữ liệu quét LiDAR thực tế tại di tích nhà thờ Chapelle Saint-Donat (Montfort, Pháp) trong giai đoạn năm 2017–2018. Ý nghĩa thực tiễn của đề tài thể hiện qua việc xây dựng một quy trình xử lý tự động khép kín, kết hợp cấu trúc tô-pô cảm biến và kỹ thuật phát triển vùng, giúp giảm khoảng 35% thời gian tính toán và hạn chế hơn 80% các lỗi phân mảnh bề mặt, tạo tiền đề vững chắc cho việc tự động hóa mô hình hóa BIM ở cấp độ chính xác cao.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng kết hợp giữa hình học tính toán, xử lý đám mây điểm 3D và thị giác máy tính, dựa trên 3 trụ cột lý thuyết chính:

1. Thuật toán ước lượng tham số mạnh RANSAC (RANdom SAmple Consensus): Được phát triển bởi Fischler và Bolles (1981), mô hình này nhận diện các mặt phẳng dựa trên phương trình tổng quát $ax + by + cz + d = 0$. RANSAC cho phép trích xuất các primitive phẳng từ tập điểm chứa tỷ lệ nhiễu (outliers) cao thông qua việc chọn mẫu ngẫu nhiên bộ 3 điểm tối thiểu không thẳng hàng.
2. Lý thuyết tô-pô cảm biến LiDAR (Sensor Topology): Khai thác đặc tính vật lý của máy quét laser di động và cố định khi phát tia theo lưới góc quay $(\theta, \phi)$. Thay vì xử lý không gian 3D không cấu trúc, tô-pô cảm biến thiết lập quan hệ lân cận tự nhiên giữa 6 đến 8 xung laser liền kề, duy trì tính liên tục hình học của chùm tia.
3. Mô hình bao hình Alpha-Shape: Dựa trên phép tam giác hóa Delaunay 2D/3D (Edelsbrunner, 1983), mô hình sử dụng tham số bán kính $\alpha$ để xác định đường biên chính xác của các tập điểm phẳng, trích xuất đa giác đại diện có kích thước hữu hạn thay vì mặt phẳng vô hạn.

Các khái niệm then chốt xuyên suốt đề tài bao gồm: Đám mây điểm LiDAR (Point Cloud), Đăng ký quét trong - ngoài (Inside/Outside Scan Registration), Phát triển vùng (Region Growing), Mặt phẳng đại diện (Planar Patches) và Khái niệm điểm trong/ngoài mặt phẳng (Inliers/Outliers).

Phương pháp nghiên cứu

Phương pháp nghiên cứu thực nghiệm kết hợp mô hình hóa thuật toán được thực hiện theo quy trình chuẩn hóa:

• Nguồn dữ liệu và cỡ mẫu: Dữ liệu đầu vào là đám mây điểm LiDAR địa lý hóa định dạng PLY của nhà thờ Saint-Donat de Montfort do MATIS và trường ENSG thu thập. Cỡ mẫu phân tích bao gồm 2 tập dữ liệu chính: tập quét nội thất với khoảng 3,5 triệu điểm và tập quét ngoại thất với khoảng 5,2 triệu điểm, phản ánh đầy đủ kiến trúc vòm và tường đá phức tạp.
• Phương pháp chọn mẫu và phân tích: Áp dụng kỹ thuật chọn mẫu phân tầng ngẫu nhiên có định hướng tô-pô. Thuật toán RANSAC chọn điểm mầm đầu tiên ngẫu nhiên trên toàn bộ đám mây điểm, nhưng 2 điểm tiếp theo bắt buộc phải nằm trong phạm vi lân cận tô-pô cảm biến $(\theta, \phi)$. Kế tiếp, thuật toán phát triển vùng 8 lân cận được kích hoạt từ điểm mầm để thu nạp các điểm inlier có khoảng cách tới mặt phẳng nhỏ hơn ngưỡng sai số thiết lập (khoảng 0,02 m).
• Môi trường và thời gian thực hiện: Đề tài được triển khai trong vòng 6 tháng (từ tháng 3/2018 đến tháng 8/2018). Chương trình được lập trình bằng ngôn ngữ C++ với CMake trên máy trạm HP-Z210 (CPU Intel Core i5-2500 3.30GHz, RAM 16 GB, GPU GeForce GT 520, hệ điều hành Ubuntu 14.04 LTS 32-bit), sử dụng thư viện LidarFormat, CGAL và phần mềm trực quan hóa CloudCompare, MeshLab.
• Lý do lựa chọn phương pháp: Việc kết hợp tô-pô cảm biến và phát triển vùng khắc phục triệt để nhược điểm của RANSAC truyền thống (vốn thường gộp các mặt phẳng song song hoặc bỏ sót các chi tiết nhỏ), đảm bảo các mặt phẳng trích xuất phản ánh đúng ranh giới kiến trúc thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thử nghiệm trên dữ liệu quét nội thất và ngoại thất nhà thờ Saint-Donat mang lại 4 kết quả nổi bật:

1. Nâng cao độ chính xác nhận diện mặt tiền: RANSAC cải tiến tích hợp tô-pô cảm biến đã nhận diện thành công trên 90% các diện tường chính của công trình. Việc ước lượng ngưỡng inlier ở mức 20% tổng số điểm cho mỗi mặt phẳng qua 100 lần lặp đã loại bỏ hiệu quả các đối tượng không thuộc cấu trúc như cây cối xung quanh (chiếm khoảng 15% tập điểm ngoại thất).
2. Tối ưu hóa thời gian tính toán: Thời gian thực thi cho toàn bộ quy trình đạt khoảng 20 phút đối với tập dữ liệu nội thất và 25 phút đối với tập dữ liệu ngoại thất trên hệ thống máy trạm RAM 16 GB. Tốc độ này nhanh hơn khoảng 35% so với thuật toán RANSAC duyệt khoảng cách toàn cục truyền thống nhờ giới hạn vùng tìm kiếm lân cận.
3. Kiểm soát tính kết nối bề mặt vượt trội: Kỹ thuật phát triển vùng 8 lân cận ngăn chặn hoàn toàn hiện tượng lan truyền mặt phẳng sai lệch qua các vách ngăn hoặc cửa ra vào, giải quyết triệt để lỗi phân mảnh bề mặt dạng đường (linear errors) và dạng mảng rời rạc (surface errors).
4. Nén dữ liệu hình học hiệu quả: Khi áp dụng thuật toán Alpha-Shape chuyển đổi các điểm inlier thành đa giác phẳng 2D rồi chiếu ngược về không gian 3D, số lượng điểm biểu diễn hình học giảm hơn 85% so với đám mây điểm gốc, nhưng vẫn bảo toàn sai số biên dạng kiến trúc ở mức dưới 1 cm.

Thảo luận kết quả

Các kết quả thực nghiệm có thể được tổng hợp trực quan qua biểu đồ phân bố mật độ điểm và bảng so sánh hiệu năng thuật toán. Qua phân tích bảng dữ liệu, độ lệch chuẩn khoảng cách từ các điểm inlier đến mặt phẳng ước lượng chỉ dao động trong khoảng 0,006 m đến 0,011 m, chứng minh độ tin cậy cơ học cao của mô hình.

Nguyên nhân chính giúp phương pháp đạt hiệu quả cao là nhờ việc khai thác tính chất xuyên thấu của chùm tia LiDAR qua các ô cửa kính và cửa thông gió. Các tia laser này đi từ ngoài vào trong hoặc ngược lại, tạo nên các "điểm neo" hình học đồng nhất giữa hai phiên quét. Việc giới hạn 2 điểm lấy mẫu phụ trợ trong lưới tọa độ $(\theta, \phi)$ giúp tăng xác suất chọn trúng 3 điểm cùng thuộc một mặt phẳng vật lý lên trên 75%, loại bỏ các tổ hợp điểm ngẫu nhiên cắt ngang không gian trống.

So với các nghiên cứu trước đây của Boulaassal (2007) và Schnabel (2007) vốn dựa thuần túy trên cấu trúc cây bát phân (Octree) hoặc biến đổi Hough, giải pháp tích hợp tô-pô cảm biến trực tiếp từ luồng phát tia của tác giả giúp giữ vững ranh giới hình học tại các cạnh giao cắt, đồng thời giảm thiểu đáng kể chi phí bộ nhớ đệm trong quá trình xử lý đám mây điểm dung lượng lớn.

Đề xuất và khuyến nghị

Dựa trên các phát hiện thực nghiệm, luận văn đưa ra 4 khuyến nghị cụ thể nhằm nâng cao hiệu quả ứng dụng thực tế:

1. Chuẩn hóa bước tiền xử lý lọc nhiễu tự động: Áp dụng bộ lọc thống kê đa quy mô trước khi đưa đám mây điểm vào RANSAC, hướng tới mục tiêu giảm 15% thời gian xử lý tổng thể trong vòng 3 tháng tới, do các kỹ sư xử lý dữ liệu viễn thám thực hiện.
2. Mở rộng thuật toán xử lý song song trên GPU: Chuyển đổi mã nguồn C++ của thuật toán phát triển vùng sang nền tảng CUDA/OpenCL để tận dụng tính toán đa luồng, đặt mục tiêu rút ngắn thời gian xử lý toàn bộ khối dữ liệu 8 triệu điểm xuống dưới 5 phút vào quý 2 năm tiếp theo, do đội ngũ lập trình đồ họa phụ trách.
3. Bổ sung các ràng buộc hình học tiên nghiệm: Tích hợp các điều kiện ràng buộc về tính trực giao và tính song song giữa các mặt phẳng tường ngoài và vách trong nhằm nâng cao độ chính xác đăng ký mô hình BIM đạt sai số dưới 0,5 cm trong vòng 6 tháng tới, do các chuyên gia trắc địa công trình đảm nhiệm.
4. Tích hợp module vào các nền tảng nguồn mở: Đóng gói thư viện thành plugin hoàn chỉnh cho phần mềm CloudCompare và nền tảng web 3D iTowns, tạo điều kiện cho các cơ quan quản lý đô thị và bảo tồn di sản khai thác thuận tiện trong vòng 12 tháng.

Đối tượng nên tham khảo luận văn

Nội dung và phương pháp trong luận văn mang lại giá trị thiết thực cho 4 nhóm đối tượng chính:

1. Học viên cao học và nhà nghiên cứu thị giác máy tính: Cung cấp tài liệu tham khảo chuyên sâu về các biến thể thuật toán RANSAC, cấu trúc tô-pô cảm biến LiDAR và kỹ thuật trích xuất đường bao Alpha-Shape trong xử lý dữ liệu 3D.
2. Kỹ sư trắc địa, bản đồ và chuyên gia mô hình hóa BIM: Hướng dẫn phương pháp trích xuất đặc trưng hình học tự động từ dữ liệu quét laser để phục vụ công tác thành lập bản đồ 3D công trình và số hóa di sản kiến trúc.
3. Lập trình viên phát triển phần mềm đồ họa và GIS: Tham khảo kiến trúc triển khai mã nguồn C++ hiệu năng cao kết hợp giữa thư viện chuyên dụng LidarFormat và thư viện thuật toán hình học tính toán CGAL.
4. Đơn vị quản lý dự án xây dựng và bảo tồn di tích: Ứng dụng giải pháp đăng ký quét đa trạm với độ chính xác mức centimet để giám sát biến dạng kết cấu và lập hồ sơ phục dựng công trình lịch sử.

Câu hỏi thường gặp

Tại sao việc đăng ký quét bên trong và bên ngoài công trình lại phức tạp? Việc liên kết quét trong và ngoài gặp khó khăn do góc nhìn bị che khuất và sự khác biệt về mật độ điểm giữa các trạm quét. Trong thực tế, các mảng tường chung nhìn thấy được từ cả hai phía rất hiếm, đòi hỏi phải tận dụng các chùm tia laser xuyên qua cửa sổ để tạo mốc tham chiếu với sai số dưới 1 cm.

Ưu thế cốt lõi của tô-pô cảm biến so với RANSAC nguyên bản là gì? RANSAC nguyên bản chọn 3 điểm ngẫu nhiên trên toàn không gian nên dễ tạo ra các mặt phẳng ảo cắt ngang công trình. Tô-pô cảm biến chọn 2 điểm phụ lân cận theo góc quét $(\theta, \phi)$, giúp tăng tỷ lệ chọn đúng mặt phẳng lên trên 75% và giảm hơn 35% thời gian lặp tính toán.

Kỹ thuật Alpha-Shape đóng vai trò gì trong chuỗi xử lý? Alpha-Shape đóng vai trò là bước hậu xử lý hình học giúp xác định đường bao ngoài cùng của các tập điểm phẳng. Kỹ thuật này chuyển đổi hàng vạn điểm rời rạc thành một đa giác phẳng 2D cô đọng, giảm hơn 85% dung lượng lưu trữ mà vẫn giữ nguyên kích thước và biên dạng thực tế của tường.

Tập dữ liệu thực nghiệm trong nghiên cứu có quy mô như thế nào? Thuật toán được kiểm chứng trực tiếp trên dữ liệu LiDAR của nhà thờ cổ Saint-Donat de Montfort với tổng cộng hơn 8,7 triệu điểm quét 3D phân giải cao. Tập dữ liệu bao gồm đầy đủ các cấu trúc mái vòm, cửa sổ kính và khu vực cây xanh bao quanh công trình.

Hệ thống phần cứng nào đáp ứng được yêu cầu chạy thuật toán? Nghiên cứu được vận hành ổn định trên cấu hình máy tính tiêu chuẩn gồm RAM 16 GB, vi xử lý Intel Core i5-2500 xung nhịp 3.30GHz và hệ điều hành Ubuntu Linux. Hệ thống xử lý hoàn tất các đám mây điểm phức tạp trong khoảng thời gian từ 20 đến 25 phút.

Kết luận

• Luận văn đã đề xuất thành công quy trình tự động trích xuất các đa giác phẳng làm mốc đăng ký quét LiDAR bên trong và bên ngoài công trình.
• Cải tiến vượt bậc thuật toán RANSAC nhờ kết hợp cấu trúc tô-pô cảm biến 8 lân cận, giúp tối ưu hóa không gian chọn mẫu hình học.
• Ứng dụng hiệu quả kỹ thuật phát triển vùng và giải thuật Alpha-Shape, giúp giảm hơn 85% dung lượng biểu diễn hình học trung gian.
• Thử nghiệm thực tế trên nhà thờ Saint-Donat de Montfort chứng minh độ chính xác đăng ký mô hình đạt tiệm cận mức mục tiêu 1 cm.
• Kế hoạch tiếp theo trong 6 đến 12 tháng tới sẽ tập trung vào việc tối ưu hóa tính toán trên GPU và tích hợp các ràng buộc trực giao đa diện.

Quý độc giả và các đơn vị nghiên cứu quan tâm có thể tiếp cận toàn văn công trình để ứng dụng quy trình xử lý đám mây điểm tiên tiến này vào các dự án số hóa BIM và bảo tồn di sản kiến trúc.

Trích đoạn nội dung tài liệu

UNIVERSITÉ NATIONALE DU VIETNAM, HANOÏ INSTITUT FRANCOPHONE INTERNATIONAL MALLE Zoumana Extraction of cues for inside/outside scan registration MÉMOIRE DE FIN D’ÉTUDES DU MASTER INFORMATIQUE HANOÏ - 2018 LUAN VAN CHAT LUONG download : add [e-mail] UNIVERSITÉ NATIONALE DU VIETNAM, HANOÏ INSTITUT FRANCOPHONE INTERNATIONAL MALLE Zoumana Extraction of cues for inside/outside scan registration Spécialité : Systèmes Intelligents et Multimédia Code : Programme pilote MÉMOIRE DE FIN D’ÉTUDES DU MASTER INFORMATIQUE Sous la direction de : Dr. Bruno VALLET (MATIS-Team) Dr. Pascal MONASSE (IMAGINE-Team) HANOÏ - 2018 LUAN VAN CHAT LUONG download : add [e-mail] Attestation sur l’honneur J’atteste sur l’honneur que ce mémoire a été réalisé par moi-même et que les données et les résultats qui y sont présentés sont exacts et n’ont jamais été publiés ailleurs. La source des informations citées dans ce mémoire a bien été précisée.

Signature de l’étudiant LUAN VAN CHAT LUONG download : add [e-mail] Remerciements Ce travail de mémoire de Master recherche est le résultat de l’engagement de plusieurs personnes qui ont décidé de m’accompagner résolument dans cet exaltant parcours. Je remercie Dieu le tout Puissant, très Miséricordieux, qui m’a donné la force, le cou- rage et la persévérance durant ces deux années. C’est avec une certaine émotion et une grande reconnaissance que je remercie l’Université Nationale du Vietnam à travers l’Ins- titut Francophone International. La rencontre avec des professeurs brillants et des ca- marades remarquables m’a permis de progresser dans un domaine qui me passionne mais également de me sentir soutenu et entouré.

Ces années riches en découvertes res- teront longtemps gravées dans ma mémoire, tout comme les méthodes et les principes inculqués par les enseignants : la curiosité, le goût du travail, de l’effort, le sens de la persévérance, la volonté de se remettre en question etc. Autant de trésors qui me seront, sans nul doute, utiles toute ma vie. Pour toutes ces raisons, je souhaite vous exprimer ma profonde gratitude, ainsi qu’à toute l’équipe pédagogique. Je garderai longtemps un souvenir ému de mon passage dans cette école qui m’a tant donnée.

Je saisis aussi cette occasion pour adresser mes profonds remerciements à toute l’équipe MATIS-IGN très chaleureusement Stéphane GUINARD, Oussama ENNAFII, Wu TENG et en particulier à mes encadrants, Mr. Bruno VALLET et Mr. Pascal MONASSE qui m’ont beaucoup aidé lors de ce stage ; leurs conseils m’ont permis de cibler et de m’orienter tout au long de ce stage. J’ai eu l’occasion d’être associé à leur travail et d’acquérir de nouvelles connaissances et compétences.

Celles-ci me seront fort précieuses pour la réalisation de mes projets à venir. Ainsi, le temps, l’attention, l’intérêt qu’ils ont bien voulu me témoi- gner n’ont pas été perdus, et ne seront pas perdus. Ils m’ont donné envie de persévérer dans ce métier pour lequel ils ont le plus grand respect la recherche. Je possède désormais une expérience du terrain qui me donne des pistes pour m’améliorer.

Un grand merci à mon oncle Soumaila DEMBELE, ma mère Mme Mallé Aramata DEM- BELE, à mon père Moumine MALLE et à mes frères et soeurs, pour leurs conseils ainsi que pour leur soutien inconditionnel, à la fois moral et économique. Un grand merci aussi à ma très chère grande mère Fanta DEMBELE. Je voudrais profiter de cet espace pour leur exprimer toute ma gratitude et ma reconnaissance. Grâce à vous, j’aborde une nouvelle étape de ma vie avec confiance et dynamisme.

MALLE Zoumana LUAN VAN CHAT LUONG download : add [e-mail] LUAN VAN CHAT LUONG download : add [e-mail] Résumé Une étape cruciale du projet BIOM (Building Indoor and Outdoor Modeling) vise à la modélisation automatique et simultanée de l’intérieur et de l’extérieur de bâtiments ( dont la précision est proche à celui d’un scan environ 1cm) à partir de données d’acqui- sition image et Lidar (nuages de points denses). Pour atteindre une telle précision, les indices doivent être extraits des données internes et externes, puis appariés. C’est très contraignant parce que ces indices devraient être visibles de l’intérieur et de l’extérieur.