Data reduction of indoor point clouds

Die Rekonstruktion und Visualisierung von 3D-Punktwolkenmodellen aus terre- strischen Laserscannern, ist fu ̈r viele Forschungsgebiete, wie die Computerspieleen- twicklung, den Ingenieurswissenschaften oder die Robotik von großem Interesse. Diese Masterarbeit besch ̈aftigt sich mit der Reduzierung der Datenmenge von 3D-Punktwolken. Sie pra ̈sentiert ein Verfahren das redundante Informationen in Laserscans von Innenra ̈umen erkennt und verringert. Ein Hauptaugenmerk liegt dabei in der Erkennung von ebenen Fl ̈achen, da diese durch ihren Umriss, die Form der Fl ̈ache so gut beschreiben k ̈onnen, dass alle u ̈brigen Scanpunkte der Fla ̈che redundant werden. Das Verfahren arbeitet mit RANSAC (Random Sample and Consensus), dem Filtern von Normalvektoren, statistischem Clustern, Umrisserkennung und der Delaunay-Triangulation. Das Verfahren wird an sechs unterschiedlichen Punktwolken von Innenra ̈umen getestet und liefert Reduktion- sraten der Gesamtpunkteanzahl von ca. 75-95%.The reconstruction and visualization of three dimensional point-cloud models, ob- tained by terrestrial laser scanners, is interesting to many research areas such as gaming, engineering and robotics. This thesis presents an algorithm to decimate redundant information in real-world indoor point-clouds scenes. The key idea is to recognize planar segments from the point-cloud and decimate the inlier points by the triangulation of its shape describing boundary. To achieve this, the random sample and consensus algorithm, normal vector filtering, statistical clustering, al- pha shape boundary recognition and the constrained Delaunay triangulation, are used. The algorithm is tested on six diverse dense indoor point-clouds and is capable of reduction rates from approximately 75-95%