Detekce změn trasy

Abstract

Táto práca si kladie za úlohu detegovať geometrické zmeny, ktoré sa nachádzajú na vopred známej trase, ktorá je braná ako predloha alebo vzor. Geometrické zmeny predstavujú rigídne transformácie objektov v scéne, konkrétne ich rotáciu, posunutie a ich kombinácie. Ďalšim typom zmien je pridanie nových alebo odstránenie pôvodných objektov. Pôvodná trasa je snímaná monokulárnou kamerou a z videosekvencie je metódami fotogrametrie zrekonštruovaný 3D model scény v bodovej reprezentácii. Rovnakým spôsobom je vytvorený 3D model scény, ktorá obsahuje zmeny, avšak tento model zachytáva iba lokálny úsek pôvodnej trasy. Toto lokálne mračno bodov je registrované v 3D modeli pôvodnej trasy tak, aby sa 3D modely mohli medzi sebou priamo porovnať. Vyšetrovaný priestor je rozdelený na kubické voxely rovnakej veľkosti, ktoré sú postupne prechádzané a pre každý z nich sa vyšetruje miera podobnosti lokálnych povrchov. Výsledkom riešenia sú 3D body z oboch mračien označené ako zmenené alebo nezmenené. Uvedené metódy sú testované na reálnych dátach v scenároch s rôznymi geometrickými úpravami scény a vyhodnotenie detekcie zmeny je realizované ako v prípade binárneho klasifikátoru.This thesis sets itself the task to detect geometric changes, located on a previously known route, which is considered as a template or pattern. Geometric changes represent rigid transformations of objects in a scene, specifically their rotation, displacement and their combinations. Another type of change is the addition of new or removal of original objects. The original route is captured with a monocular camera and by using methods of photogrammetry, a 3D model of a scene in a point representation is reconstructed from the video sequence. In the same manner, a 3D model of the scene containing changes is created, but this model captures only the local section of the original route. This local point cloud is registered in the 3D model of the original route, so that the 3D models can be directly compared with each other. The investigated space is divided into cubic voxels of the same size which are successively traversed and the degree of similarity of local surfaces is investigated for each of them. The solution results in 3D points from both clouds marked as changed or unchanged. The mentioned methods are tested on real data in scenarios with different geometric modifications of the scene and the evaluation of change detection is implemented as in the case of a binary classifier.