A New Tie Plane-Based Method for Fine Registration of Imagery and Point Cloud Dataset

Abstract

Today, both point cloud and imagery datasets processed for mapping aims. The precise fusion of both datasets is a major issue that leads to the fine registration problem. This article proposes a fine registration method based on a novel concept of tie plane. The assumption of our solution is that the laser scanner point cloud is much more accurate than the image interior and exterior geometric accuracy. In fact, we register the inaccurate image network to the accurate point cloud data. To do this, tie points are extracted from images. Then, the fine registration is commenced by filtering the unstable tie points as the preprocessing phase. Subsequently, tie planes are reconstructed around the remaining tie points by photogrammetric space intersection. The tie planes are locally fitted to the point cloud data via both normal and directional vectors. Afterward, a novel combined bundle adjustment is developed based on the conventional tie point equations and the new tie plane constraints. Therefore, the interior and exterior orientation parameters are refined. To evaluate our solution, both indoor and outdoor datasets are experimented. The results illustrate a registration error of about <1.6 pixels for both datasets, indicating ∼23% to 40% average accuracy improvement compared to the existing methods.

RÉSUMÉ

Aujourd’hui, aussi bien des ensembles de nuages de points que des images sont traités en cartographie. La fusion précise des deux ensembles de données est un problème majeur qui conduit à la difficulté de les superposer. Cet article propose une méthode de correction fine basée sur un nouveau concept, un plan de liaison. L’hypothèse de notre solution est que le nuage de points d’un laser est beaucoup plus précis que les précisions géométriques intérieure et extérieure d’une image. En fait, nous alignons les images aux données précises du nuage de points. Pour ce faire, des points de liaison sont extraits des images. La première étape est le filtrage des points de liaison instables. Par la suite, les plans de liaison sont reconstruits autour des points de liaison restants par intersection photogrammétrique de l’espace. Les plans de liaison sont installés localement sur les données du nuage de points via des vecteurs normaux et directionnels. Par la suite, un nouvel ajustement des ensembles est développé basé sur les équations conventionnelles de points de liaison et les nouvelles contraintes des plans de liaison. Par conséquent, les paramètres d’orientation intérieure et extérieure sont affinés. Pour évaluer notre solution, divers ensembles de données ont été testés. Les résultats illustrent une erreur d’alignement d’environ 1,6 pixel entre les deux jeux de données, indiquant une amélioration de la précision moyenne de 23% à 40% par rapport aux méthodes existantes.