Change Detection on 3D Geometric Data

This work deals with the analysis of 3D point cloud data acquired by ground-based laser sensors in order to detect 3D geometrical changes in complicated environments (such as power plants or oil platforms). Ground-based laser sensors are compact and portable devices that are able to acquire rapidly and accurately a large amount of 3D points on the surface of objects. These point clouds are very dense and detailed, but also huge and unstructured. Therefore, we have developed fast and ad-hoc algorithms to deal with such datasets. This manuscript presents the study and effective implementation of a complete change detection framework based on 3D point clouds and 3D mesh models. We mainly propose a method to compute distances directly between two 3D point clouds in a robust and accurate way, and also two segmentation algorithms. The first segmentation algorithm is a "region based" approach that relies on a local statistical test. It classifies points of a cloud in two categories, depending on the distribution of distances computed for each point and its nearest neighbours. The second algorithm is an "edge based" approach that relies on a propagation scheme constrained by the gradient norms of the computed distances. We also propose a specific coding scheme of an "octree" structure. Such a structure can be computed very efficiently and in such a way that most of the point based treatments can be optimized and the global process is therefore greatly accelerated. Eventually, we present several industrial applications of our framework. We also investigate the potential advantages that it could bring to a crisis management process, as it is fast and accurate.Ce travail de thèse aborde le problème de la détection de changement à partir de données géométriques tridimensionnelles. Ces données peuvent représenter n'importe quel objet ou environnement mais le travail s'est focalisé sur des environnements complexes et de grande envergure (centrales nucléaires, plateformes pétrolières, etc.). L'idée principale est d'exploiter directement les nuages de points acquis par des scanner laser, sans passer par des reconstructions intermédiaires plus "haut niveau" (maillages triangulaires, etc.) mais qui sont souvent impossibles à calculer automatiquement et proprement sur de tels environnements. Les scanners laser sont des appareils compacts et portables capables de mesurer rapidement un très grand nombre de points 3D sur la surface des objets. Les nuages de points résultants sont des données précises et très détaillées, mais aussi très volumineuses et non structurées. Il est donc nécessaire de développer des traitements particuliers et performants. Le manuscrit présente l'étude et la mise en place concrète d'un processus complet de détection de changements géométriques, se basant principalement sur des nuages de points 3D et des maillages surfaciques 3D. On propose en particulier une méthode robuste de calcul d'écarts directement entre nuages de points 3D, ainsi que deux algorithmes de segmentation géométrique de nuages associés à des valeurs d'écarts (dans le but d'isoler les zones de changement). Le premier algorithme met en œuvre une méthode de classification des points du nuage par analyse statistique locale des valeurs d'écarts. Le second se base sur la propagation d'un contour, contrainte par la norme du gradient géométrique des valeurs d'écarts. On propose aussi un codage particulier d'une structure octree, qui, sous cette forme, peut être calculée très rapidement et sur mesure, ce qui permet d'accélérer fortement les calculs. Plusieurs applications, principalement industrielles, sont finalement proposées. Une ouverture est faite vers des applications d'aide à la gestion de catastrophes naturelles ou industrielles, qui pourraient profiter de la rapidité et de la fiabilité des méthodes d'analyse et de suivi géométrique proposées