FACULTEIT WETENSCHAPPEN
Opleiding Geografie en Geomatica Master in de Geomatica en Landmeetkunde
Analyse van fotomodellering en laserscanning voor de registratie van misdaadscènes Frederick Rooms
Aantal woorden in tekst: 21303
Academiejaar 2013 – 2014
Promotor: Prof. Dr. Ir. Alain De Wulf, vakgroep Geografie
Masterproef ingediend tot het behalen van de graad van Master in de Geomatica en Landmeetkunde
WOORD VOORAF Deze masterproef probeert te achterhalen of laserscanning en fotomodellering misdaadscènes op een voldoende nauwkeurige wijze kunnen vastleggen. Ik ben blij dat ik de kans gekregen heb om deze interessante toepassing van beide technieken te kunnen bestuderen, hiervoor bedank ik mijn promotor Prof. Dr. Ir. Alain De Wulf die dit mogelijk maakte.
Tijdens mijn onderzoek kon ik samenwerken met de politie om verschillende scènes te reconstrueren. Door deze samenwerking heb ik niet alleen veel kennis opgedaan over dit onderwerp, maar ook over de politie zelf door de vele gesprekken tijdens het opmeten van de plaats delicten. Daarom wil ik zeker Eric Clabeau en Rik Bauters bedanken die mij hebben bijgestaan bij mijn onderzoek. Eric wil ik verder nog bedanken voor zijn hulp voor en na mijn opmetingen en ook voor het gezelschap dat hij bij het opzetten en afbreken van de scènes vormde.
Verder wil ik ook Dr. Timothy Nuttens en Dr. Cornelis Stal bedanken voor hun begeleiding en tips tijdens de verwerking van de modellen. Tevens wil ik Timothy bedanken voor het nalezen van mijn thesis en het vervoeren van het materiaal van en naar de scènes.
Ik wil ook mijn vrienden en medestudenten bedanken voor de vele ontspanningsmomenten waarvoor zij doorheen dit academiejaar hebben gezorgd.
Vervolgens wil ik ook Nvidia GeForce GTX 460 en Nvidia GeForce GTX 680 bedanken. Dag en nacht, door weer en wind hebben ze mij bijgestaan bij het voltooien van mijn modellen. Ook MSI GeForce GTX 770 Twin Frozr heeft me tijdens de weekends veel geholpen bij het verwerken van verschillende modellen.
Tot slot wil ik ook mijn ouders en zus bedanken, voor het mogelijk maken van mijn studie en de constante steun gedurende deze periode.
ii
INHOUDSTAFEL WOORD VOORAF ...................................................................................................................ii INHOUDSTAFEL ................................................................................................................... iii TABEL VAN FIGUREN ........................................................................................................... v LIJST VAN TABELLEN ........................................................................................................vii 1. INLEIDING ........................................................................................................................... 1 2. LITERATUUROVERZICHT ................................................................................................ 4 2.1. Fotomodellering .................................................................................................................. 4 2.1.1. Principes .......................................................................................................................... 4 2.1.2. Toepassingen.................................................................................................................... 7 2.1.3. Agisoft Photoscan Professional ....................................................................................... 8 2.2. Laserscanning ................................................................................................................... 11 2.2.1. Principes ........................................................................................................................ 11 2.2.2. Toepassingen.................................................................................................................. 15 2.3. Reconstructies van misdaadscènes ................................................................................... 16 2.3.1. Huidige technieken......................................................................................................... 16 2.3.2. Laserscanning & fotomodellering ................................................................................. 17 2.3.3. Voor- en nadelen van laserscanning en fotomodellering .............................................. 19 2.3.4. Case studies van misdaadreconstructies met fotomodellering en laserscanning .......... 20 3. DATAVERZAMELING EN VERWERKING ................................................................... 22 3.1. Dataverzameling ............................................................................................................... 22 3.1.1. Dataverzameling model 1 .............................................................................................. 22 3.1.2. Dataverzameling model 2 .............................................................................................. 24 3.1.3. Dataverzameling model 3 .............................................................................................. 26 3.1.4. Dataverzameling model 4 .............................................................................................. 28 4. VERWERKING ................................................................................................................... 30 4.1. Verwerking indoor ............................................................................................................ 30
iii
4.1.1. Laserscanning ................................................................................................................ 30 4.1.2. Fotomodellering ............................................................................................................. 31 4.2. Verwerking outdoor .......................................................................................................... 43 4.2.1. Laserscanning ................................................................................................................ 43 4.2.2. Fotomodellering ............................................................................................................. 45 5. RESULTATEN .................................................................................................................... 51 5.1. Relatieve nauwkeurigheidsanalyse ................................................................................... 51 5.1.1. Model 1 .......................................................................................................................... 51 5.1.2. Model 2 .......................................................................................................................... 58 5.2. Absolute nauwkeurigheidsanalyse .................................................................................... 66 6. DISCUSSIE ......................................................................................................................... 72 7. CONCLUSIE ....................................................................................................................... 76 8. REFERENTIELIJST............................................................................................................ 78 8.1. Artikels .............................................................................................................................. 78 8.2. Internetbronnen ................................................................................................................. 79 8.3. Software ............................................................................................................................ 80 9. BIJLAGE ............................................................................................................................. 81
iv
TABEL VAN FIGUREN Figuur 1: Voorbeeld van fotomodellering voor cultural heritage ............................................. 8 Figuur 2: Voorstelling van twee modulatiegolven en een draaggolf voor phase-based laserscanning ............................................................................................................................ 13 Figuur 3: Principe van laser triangulatie sensor ....................................................................... 15 Figuur 4: Voorbeeld van het gebruik van airborne laserscanning .......................................... 15 Figuur 5: Case study over massamoord door explosie: visualisatie van het resultaat ............. 21 Figuur 6: Overzicht van de ruimte van model 1 ...................................................................... 23 Figuur 7: Overzicht van de ruimte van model 2 ...................................................................... 25 Figuur 8: Overzicht van de plaats van model 3 ....................................................................... 27 Figuur 9: Overzicht van de plaats van model 4 ....................................................................... 29 Figuur 10: Boxplot en bijhorende tabel van de fouten op de registratie in Leica Cyclone van model 1 en 2 ............................................................................................................................. 30 Figuur 11: Vervormingen ten gevolge van de interpolatie ...................................................... 33 Figuur 12: Vervormingen ten gevolge van object type Heightfield ........................................ 34 Figuur 13: Gaten ten gevolge van niet-interpolatie ................................................................. 34 Figuur 14: De keuken in model 1 ............................................................................................ 36 Figuur 15: Dense pointcloud van de keuken............................................................................ 36 Figuur 16: Dense pointcloud van de keuken na samenvoeging ............................................... 37 Figuur 17: Ruis bij Depth filtering: Mild ................................................................................. 38 Figuur 18: 3D-model met interpolation enabled ..................................................................... 39 Figuur 19: Boven: onverwerkte puntenwolk, onder: opgekuiste puntenwolk ......................... 40 Figuur 20: Onverwerkte puntenwolk in CloudCompare ......................................................... 41 Figuur 21: Opgekuiste puntenwolk in CloudCompare met de segment-tool .......................... 42 Figuur 22: Ruis op de scans bij model 3 .................................................................................. 44 Figuur 23: Boxplot en bijhorende tabel van de fouten op de registratie van model 3 en 4...... 44 Figuur 24: Model 3 in Photoscan met alle foto’s ..................................................................... 46 Figuur 25: Slechte modellering van de portefeuille ................................................................. 46 Figuur 26: Toename ruis en slechtere modellering naarmate de belichting vermindert.......... 48 Figuur 27: Model 4 in Photoscan met alle foto’s ..................................................................... 50 Figuur 28: Bepalen van de relatieve afstand met PointPicking functie voor laserscanning .... 51 Figuur 29: Bepalen van de relatieve afstand met markers voor fotomodellering .................... 52 Figuur 30: Afwijkingen van de puntenwolk tegenover de best-fit plane................................. 58
v
Figuur 31: Bepalen van de relatieve afstand met PointPicking functie voor de Photoscanpuntenwolk ............................................................................................................................... 59 Figuur 32: Relatieve fouten bij de gebruikte technieken ......................................................... 61 Figuur 33: Afwijkingen van de puntenwolk tegenover de best-fit plane................................. 65 Figuur 34: Controlepunt in Cyclone ........................................................................................ 66 Figuur 35: Controlepunt in Photoscan ..................................................................................... 67 Figuur 36: Fouten gevisualiseerd met een staafdiagram.......................................................... 69 Figuur 37: Slechte texturing (boven) op basis van een goede dense pointcloud (onder) bij chunks van model 3 .................................................................................................................. 81 Figuur 38: Slechte modellering van het politielint in model 3 ................................................ 82 Figuur 39: Vervormingen buiten de verlichte zones in model 4 ............................................. 83 Figuur 40: Modellering van politielint bij model 4 ................................................................. 83 Figuur 41: Onderlinge afstand tussen beide vlakken voor model 1......................................... 84 Figuur 42: Onderlinge afstand tussen beide vlakken voor model 2......................................... 84
vi
LIJST VAN TABELLEN Tabel 1: Parameters voor het eerste model met alle foto’s ...................................................... 32 Tabel 2: Parameters voor het eerste model met chunks ........................................................... 37 Tabel 3: Parameters voor het derde model met alle foto’s ...................................................... 47 Tabel 4: Parameters voor het vierde model met alle foto’s ..................................................... 49 Tabel 5: Relatieve afstanden en fouten voor laserscanning en fotomodellering ..................... 53 Tabel 6: Resultaten van de t-test .............................................................................................. 56 Tabel 7: Fouten op de oriëntatie in Agisoft Photoscan ............................................................ 57 Tabel 8: Relatieve afstanden en fouten voor laserscanning (CloudCompare) en fotomodellering (Photoscan en CloudCompare) ..................................................................... 60 Tabel 9: Resultaten van de F-test tussen laserscanning en fotomodellering in CloudCompare en Photoscan ............................................................................................................................ 62 Tabel 10: Resultaten van de t-test tussen laserscanning en fotomodellering in CloudCompare en Photoscan ............................................................................................................................ 63 Tabel 11: Resultaten t-test ....................................................................................................... 64 Tabel 12: Fouten op de oriëntatie in Photoscan ....................................................................... 65 Tabel 13: Fouten op de grondcontrolepunten in Photoscan..................................................... 67 Tabel 14: Fouten ten opzichte van de totaalstationmetingen ................................................... 68 Tabel 15: Overzicht fouten laserscanning................................................................................ 70 Tabel 16: Overzicht fouten fotomodellering............................................................................ 70 Tabel 17: Resultaten t-test ....................................................................................................... 71
vii
viii
1. INLEIDING Deze uiteenzetting betreft het thesisonderzoek over de analyse van fotomodellering en laserscanning voor de reconstructie van misdaadscènes. Beide technieken hebben zich in het verleden al bewezen bij verschillende toepassingen. Ook voor misdaadonderzoek kunnen deze technieken hun nut hebben en een belangrijke bijdrage leveren. Fotomodellering en laserscanning kunnen gebruikt worden om een reconstructie te maken van de plaats delict in 3D. Het is reeds gebleken dat in sommige gevallen de klassieke methodes tekort schieten, wat het verlies van belangrijke informatie tot gevolg kan hebben. Zo kan het zijn dat informatie fout geïnterpreteerd wordt doordat er geen duidelijk totaalbeeld van de plaats delict voorhanden is. Door een extra dimensie aan de informatie te geven kan men dit probleem verbeteren. Beide technieken zorgen ervoor dat men bij het vastleggen van de plaats delict een stap dichter bij de realistische reconstructie van die plaats komt. Men werkt al met totaalstations, maar deze leveren slechts beperkte 3D-informatie op. Bij fotomodellering dient men een reeks foto’s van de misdaadscène te nemen zodat men op basis van die foto’s een 3D-model kan maken van het gebied. Bij laserscanning zal men de laserscanner in de buurt van de misdaadscène opstellen en zo het gebied volledig scannen.
Het resulterende model heeft als voordeel dat onderzoekers na verloop van tijd nog een nauwkeurig 3D-model kunnen raadplegen, waardoor ze over meer of betere informatie kunnen beschikken om een misdaad op te lossen. Een ander voordeel is dat derden zich makkelijker kunnen voorstellen wat er juist gebeurd is, wat van belang is tijdens een eventuele rechtszaak. Aangezien het relatief nieuwe technieken betreft, zijn in vele landen de 3D-modellen nog niet erkend als legaal bewijs. Bij controversiële rechtszaken zal men er daarom op letten zich niet te veel te baseren op deze nieuwe technieken. Fotomodellering bevat als bijkomende uitdaging dat er weinig gekend is over de eigenlijke nauwkeurigheid van de techniek. Bij laserscanning is dit niet het geval, er is al veel onderzoek gebeurd naar de nauwkeurigheid en deze techniek staat bekend als zeer nauwkeurig (mm- tot cmnauwkeurigheid). In dit thesisonderzoek is het de bedoeling de nauwkeurigheid van beide technieken te testen in verschillende omstandigheden die kunnen voorkomen bij de registratie van misdaadscènes. Dit onderzoek tracht tevens na te gaan of het mogelijk is één van deze technieken te integreren in het misdaadonderzoek. Daarbij dient onderzocht te worden waarom de technieken juist wel of niet bruikbaar zijn, welke de voordelen en tekortkomingen van deze technieken zijn en wat er eventueel in de toekomst nog moet verbeteren om deze
1
technieken toch te kunnen gebruiken. Een belangrijk deel van dit onderzoek zal er daarom uit bestaan na te gaan of de mogelijkheden en resultaten van deze technieken voldoen aan de eisen van de gebruiker (labo, politie,...) qua nauwkeurigheid, gebruiksgemak, opnametijd van de scène, verwerkingstijd achteraf, toegankelijkheid van de data, interpretatiemogelijkheden, etc.
Om dit doel te bereiken zal tijdens dit onderzoek op enkele belangrijke vragen een antwoord gezocht worden:
-Wanneer kiest men voor fotomodellering dan wel voor laserscanning?
-Wat zijn de mogelijke of vereiste eindproducten?
-Levert het gebruik van deze technieken bruikbaar bewijs?
-Voldoen de technieken aan de vereisten om effectief gebruikt te kunnen worden voor het registeren van misdaadscènes?
Om op deze vragen te antwoorden zal enerzijds een grondig nauwkeurigheidsonderzoek gebeuren die in grote mate de bruikbaarheid voor de politie zal bepalen. Aangezien er vaak gewerkt wordt met het meten van afstanden bij het registreren van misdaadscènes, zal naast een absolute nauwkeurigheidsanalyse ook de relatieve nauwkeurigheid onderzocht worden op basis van afstanden in de modellen. Er worden in totaal vier modellen gemaakt, waarvan twee indoor en twee outdoor. Bij de outdoormodellen kan een onderscheid gemaakt worden tussen een dagmodel en nachtmodel. Het doel is zoveel mogelijk scenario’s te testen die in de realiteit kunnen voorkomen. Dit geeft een beter beeld van de bruikbaarheid van deze technieken voor de politie.
Algemeen kan besloten worden dat beide technieken bruikbaar zijn voor de politie, maar de voorkeur gaat naar fotomodellering doordat enerzijds deze modellen realistische kleureninformatie bevatten, wat de interpretatie vergemakkelijkt en anderzijds een aanvaardbare kostprijs heeft. Uit de uitgevoerde analyses kan men besluiten dat beide technieken een voldoende nauwkeurigheid (2-3cm) hebben voor de beoogde toepassingen. Naast de Agisoft Photoscan Professional licentie is een krachtige computer en een camera
2
nodig. Dit wil zeggen dat de totale kost om de techniek te implementeren veel lager ligt dan bij laserscanning. Deze techniek heeft echter ook nadelen ten opzichte van laserscanning. Het is een minder stabiele techniek in die zin dat de modellen soms falen, terwijl dit bij laserscanning bijna nooit voorkomt. Een oplossing daarvoor is met hybride modellen te werken die fotomodelleringspuntenwolken en 3D-modellen combineren om zo een goede representatie van de plaats delict te bekomen.
In het volgende hoofdstuk wordt een overzicht gegeven over de literatuur die te vinden is over beide technieken. Daarbij wordt eerst de werking van fotomodellering en verschillende toepassingen besproken, waarna de gebruikte fotomodelleringssoftware in detail wordt uitgelegd. Daarna volgt een bespreking van de verschillende soorten laserscanners en worden opnieuw enkele toepassingen gegeven. Tot slot wordt besproken wat momenteel de plaats is van beide technieken binnen het forensisch en misdaadonderzoek, waarbij dieper wordt ingegaan op enkele case studies. De twee volgende hoofdstukken betreffen de dataverzameling en –verwerking. Hierin wordt besproken hoe de data verzameld moet worden en waarop men moet letten. Daarnaast zal ook de verwerking in zowel Leica Cyclone (voor laserscanning) en in Agisoft Photoscan (voor fotomodellering) stap voor stap besproken worden, zodat het ook als richtlijn voor de politie gebruikt kan worden. Bij de verwerking voor fotomodellering worden verschillende methodes gebruikt om na te gaan welke het beste resultaat oplevert en of de complexere technieken ook een meerwaarde hebben.
In het vijfde hoofdstuk worden de uitgevoerde analyses en daaruit volgende resultaten besproken. Voor de eerste twee modellen wordt een relatieve nauwkeurigheidsanalyse uitgevoerd, waarbij ondubbelzinnige afstanden tussen verschillende objecten vergeleken worden met de werkelijke afstanden. Op basis van het derde model wordt een absolute nauwkeurigheidsanalyse uitgevoerd waarbij de coördinaten van verschillende controlepunten in de modellen vergeleken worden met hun werkelijke coördinaten, die met een totaalstation gemeten zijn in een lokaal stelsel.
Het zesde hoofdstuk betreft de discussie waarin beide technieken grondig met elkaar vergeleken worden op basis van het uitgevoerde onderzoek en de gevonden literatuur.
3
Tot slot volgt de conclusie waarin de voornaamste resultaten en bevindingen worden besproken.
De ruwe data en eindmodellen zijn terug te vinden op de server van de onderzoeksgroep 3D Data Acquisitie.
2. LITERATUUROVERZICHT
2.1. Fotomodellering
In dit onderdeel wordt een uiteenzetting gegeven over hoe fotomodellering werkt. Hierbij wordt niet dieper ingegaan op de wiskundige achtergrond, maar wordt wel een basis gegeven die toelaat te begrijpen hoe het hele proces werkt. Daarna worden ook enkele toepassingen gegeven die gebruik maken van fotomodellering. Tot slot wordt Agisoft Photoscan Professional besproken, dit is de software die gebruikt wordt voor het uitvoeren van het onderzoek.
2.1.1. Principes Fotomodellering tracht door het gebruik van verschillende foto’s van een bepaald object dit object virtueel te reconstrueren en op die manier een driedimensionaal model van het object te creëren. Het grote probleem dat hierbij opduikt is de dubbelzinnigheid. Bij het nemen van een foto zullen slechts twee van de drie dimensies vastgelegd worden, waardoor er een oneindig aantal driedimensionale scènes met die ene foto overeen kan komen. Eén foto bevat dus nooit genoeg informatie om de driedimensionale scène te reconstrueren (Bolles et al., 1987). Meerdere foto’s zullen dus gecombineerd moeten worden om de correcte 3D scène te reconstrueren, waarbij de dubbelzinnigheden kunnen weggewerkt worden. Men kan een punt in 3D bepalen als het op minstens twee foto’s terug te vinden is. Men maakt hierbij gebruik van Structure from Motion (SfM) en Multi-View Stereo (MVS) technieken. Om de 3D-punten te reconstrueren zal men de intersectie bepalen van de stralen van foto’s waarop deze punten voorkomen. Men heeft hiervoor niet alleen de corresponderende punten op elke foto nodig, maar ook de kalibratie en relatieve beweging van de camera zullen hiervoor gekend moeten zijn. Sommige technieken schatten de kalibratieparameters, maar indien deze gekend zijn zal
4
het resultaat nauwkeuriger zijn. Het hele proces kan in een aantal verschillende stappen onderverdeeld worden. Als eerste wordt de relatieve beweging van opeenvolgende foto’s bepaald. Dit gebeurt door corresponderende features (gemakkelijk te herkennen punten) in de foto’s te bepalen (Pollefeys & Van Gool, 2002). Om zoveel mogelijk goede matching–kandidaten te krijgen zal men gebruik maken van zowel lokale als globale informatie op de foto’s. Er kunnen twee klassen van features onderscheiden worden: enerzijds de intensiteitspatronen en anderzijds interest points, edges en regions (Remondino et al., 2008). Intensiteitspatronen bestaan uit een venster van pixels met hun grijswaarden of waarden met een andere intensiteit dan het matching-punt waarrond ze liggen. Het gaat om punten die een contrastverschil vertonen met hun omgeving. Elk pixelvenster wordt met vensters uit andere foto’s vergeleken, waarbij men als maat voor matching ofwel het verschil minimaal wil, ofwel de similariteit maximaal wil. Bij de tweede feature-klasse zullen naast de features ook hun attributen bepaald worden. Hoe beter deze attributen bepaald worden, des te gemakkelijker de matching kan gebeuren. De grote moeilijkheid bij dit matching-probleem is het vinden van unieke matches. Soms heeft men meerdere mogelijke “correcte” matches, ofwel vindt men helemaal geen matches (Remondino et al., 2008). Dit kan te wijten zijn aan verschillende belichting of door occlusiezones op één van de foto’s. Ook de distorties van de camera spelen hierbij een rol.
De tweede stap bestaat eruit de camerabeweging en kalibratieparameters te bepalen zodat de 3D-structuur van de features kan verkregen worden (Pollefeys & Van Gool, 2002). Het resultaat van deze stap is een verspreide set van 3D-punten. Men kan deze set bekomen door vooraf de kalibratieparameters te bepalen, maar dit leidt tot minder flexibiliteit bij het verzamelen van de data, doordat de parameters dan vast moeten zijn. Er bestaan echter methodes die toelaten deze parameters te schatten op basis van de foto’s waardoor bij de dataverzameling zowel focale lengte als andere parameters mogen veranderen. Furukawa en Ponce (2010) spreken bij deze twee stappen respectievelijk van feature detection en feature matching.
De volgende stap bestaat eruit de verspreide set van 3D-punten uit te breiden tot een dichte set van punten. Hierbij zal men proberen om elke pixel op een foto te koppelen met een pixel op de aangrenzende foto’s. De cameraparameters zijn gekend uit de vorige stap, waardoor het gemakkelijker is om de corresponderende pixels te vinden. Immers, doordat de pixels
5
overeenkomen met een straal en de projectie van die straal in andere foto’s kan voorspeld worden (door de gekende camerapositie en –parameters), kan zoeken van de corresponderende pixel beperkt worden tot één lijn (Pollefeys & Van Gool, 2002). Hieruit zal men proberen een depth map te maken, waarbij voor elke pixel een diepte (de afstand van de opnamepositie tot het objectoppervlak) geschat wordt. De resulterende dichte puntenwolk kan dan omgevormd worden in een 3D-model. Men noemt dit surface triangulation of mesh generation (Remondino & El-Hakim, 2006). Deze triangulatie zet de gegeven puntenwolk om tot een polygonaal model, triangular irregular network (TIN) genaamd.
In de laatste stap wordt de textuur aangebracht op het verkregen model. De meeste toepassingen hebben er belang bij dat het resultaat realistisch en accuraat is. Texture mapping laat toe de foto’s, gebruikt om het model te reconstrueren, ook te gebruiken om tot een fotorealistisch model te komen. Bij texture mapping wordt de kleureninformatie van de foto’s op het model aangebracht. Dit is echter niet altijd even evident. Volgens Remondino & ElHakim (2006) beïnvloeden verschillende factoren de uiteindelijke textuur van het model: radiometrische distorties, geometrische distorties, dynamic range van de foto’s en occlusiezones. Radiometrische distorties zijn het gevolg van de verschillende posities, camera’s en belichting waarmee de foto’s genomen werden. Ze leiden tot artefacten en zorgen voor discontinuïteit tussen opeenvolgende driehoeken in de triangulatie. Geometrische distorties zijn het gevolg van foute camerakalibratie en -oriëntatie, of fouten in de triangulatie. Een lage dynamic range heeft tot gevolg dat er een zeer lage signal/noise (S/N) ratio in de donkere delen van de foto’s is. Dit is enkel op te lossen door hoge dynamic range foto’s te gebruiken. Occlusiezones ontstaan doordat er ongewilde of bewegende objecten (voetgangers, auto’s, bomen,…) voor het vast te leggen object staan.
Remondino en El-Hakim (2006) bespreken vier factoren die de nauwkeurigheid van het finale model beïnvloeden. De nauwkeurigheid verhoogt naarmate de basis/diepte ratio hoger is. Een andere factor is het aantal foto’s waarop een punt voorkomt. De nauwkeurigheid zal significant verhogen naarmate een punt op meerdere foto’s aanwezig is, maar vanaf het punt op vier of meer foto’s voorkomt neemt deze verbetering af. De nauwkeurigheid van het 3Dmodel zal ook verbeteren naarmate er meerdere punten per foto worden gedetecteerd. De laatste factor die de nauwkeurigheid beïnvloedt is de resolutie. Bij deze laatste twee factoren zal de verbetering minder significant zijn wanneer met goed gedefinieerde punten wordt gewerkt (targets), in plaats van natuurlijke features. Uitspraken over de nauwkeurigheid in
6
getalwaarden doet men in Remondino en El-Hakim (2006) echter niet. De meeste artikels geven aan dat fotomodellering accurate modellen creëert, soms zelfs te vergelijken met de nauwkeurigheid van laserscanning, maar cijfermateriaal wordt bijna nooit gegeven. Furukawa en Ponce (2010) geven aan dat sommige technieken een relatieve nauwkeurigheid van beter dan 1/200 (1 mm op een object van 20 cm breed) bekomen. Over het algemeen doet men echter geen uitspraken over de nauwkeurigheid. Dit kan te wijten zijn aan het feit dat het een relatief nieuwe techniek is, maar ook aan het feit dat fotomodellering momenteel een minder stabiele techniek is dan laserscanning. De nauwkeurigheid bij fotomodellering kan daarom sterk verschillen van model tot model, waardoor men uitspraken over de nauwkeurigheid liever vermijdt. Men stelt dat voor zeer nauwkeurige metingen laserscanning de beste oplossing is. De kostprijs laat echter niet altijd toe om laserscanning te gebruiken, waardoor fotomodellering een goed alternatief kan zijn.
2.1.2. Toepassingen
In heel wat toepassingen kan men 3D-modellen terugvinden. Het kan gaan om de reconstructie van een object voor film, televisie of videogames, maar ook voor industriële data-analyses. Vaak wil men een grote geometrische nauwkeurigheid, een gedetailleerd model en ook nog een fotorealistische textuur (Remondino & El-Hakim, 2006), op een zo gemakkelijk en goedkoop mogelijke manier. Doordat fotomodellering een relatief hoge metrische nauwkeurigheid en een voldoende hoge resolutie beeldkwaliteit in eenzelfde model combineert, wordt deze techniek steeds vaker gebruikt voor verschillende toepassingen.
Zo gebruikt men deze techniek reeds in de archeologie om archeologische monumenten (cultural heritage) en sites virtueel te reconstrueren (Figuur 1). Het probleem met archeologische sites is dat de daar aanwezige informatie vaak vergankelijk is en dus eens die gevonden wordt, is het van belang dat men deze zo goed mogelijk documenteert. 3Ddocumentatie heeft als voordeel dat de archeoloog de sites opnieuw virtueel kan betreden, waarbij deze vergankelijke informatie nog steeds aanwezig is.
7
Figuur 1: Voorbeeld van fotomodellering voor cultural heritage. Links een van de foto’s gebruikt voor de reconstructie; rechts het resulterende 3D-model Bron: Pollefeys & Van Gool, 2002
Een andere toepassing is de planetaire exploratie (Pollefeys & Van Gool, 2002). Wanneer men met robots op een planeet moet navigeren is het belangrijk dat men de terreingeometrie kent. Door enkele foto’s te nemen en deze om te zetten in een 3D-model krijgt men al snel een beter inzicht in de structuur van het landschap.
In het kader van dit onderzoek is de toepassing van fotomodellering op misdaadscènes van belang.
2.1.3. Agisoft Photoscan Professional
De software die tijdens dit onderzoek voornamelijk zal gebruikt worden is Photoscan Professional Edition 1.0.2. van het Russische bedrijf AgiSoft LLC (http://www.agisoft.ru, 29 april 2014), een software voor een geavanceerde image-based oplossing voor het maken van 3D-modellen. De gebruiker kan een groot aantal parameters ingeven, maar de reconstructie gebeurt in vier stappen. Op elk moment is het mogelijk om foto’s in/uit te schakelen, delen te maskeren of meshes te importeren die in andere toepassingen aangemaakt zijn (Verhoeven, 2011). Photoscan maakt gebruik van Structure from Motion (SfM) en Multi-View Stereo (MVS). Naast Photoscan bestaan er uiteraard nog andere SfM-implementaties, bijv. Bundler of Microsoft Photosynth.
8
Bij het gebruiken van Photoscan zal men eerst de foto’s van de te modelleren scène inladen. In principe geldt: hoe meer foto’s, hoe beter, maar vanaf de punten op meer dan vier foto’s voorkomen, draagt dit in veel gevallen niet meer bij tot een significante verbetering van het model. Een groter aantal foto’s zorgt dan weer voor een langere uitvoeringstijd. Het maximaal aantal foto’s wordt bepaald door de RAM-capaciteit van de gebruikte computer. Indien het project te groot wordt, laat Agisoft toe het project op te splitsen in verschillende delen, chunks genaamd. Elke chunk bevat dan een deel van de foto’s van het project en men kan voor elke chunk de stappen doorlopen om tot een 3D-model van die fotoreeks te komen. Nadien kan men deze terug samenvoegen (Agisoft LLC, 2014). De mogelijkheid om chunks te gebruiken heeft ook een andere toepassing die nuttig is gebleken in dit thesisonderzoek. Het laat immers toe om voor bepaalde objecten de beste foto’s te selecteren om tot een gedetailleerder model te komen dan wanneer alle foto’s gebruikt worden. De eerste stap na het inladen van de foto’s is Align Photos. Hierbij worden features gedetecteerd en gematched over verschillende foto’s. Tevens worden de cameraposities gereconstrueerd. Als eindresultaat van deze stap krijgt men drie datasets. Een verspreide 3Dpuntenset van feature points (enkele duizenden punten die de geometrie van de scène vastleggen, ook wel de sparse pointcloud genaamd), maar ook de cameraposities en de kalibratieparameters. Deze parameters zijn de focale lengte, de locatie van de knooppunten, drie radiale en twee tangentiale distortiecoëfficienten (Verhoeven, 2011). Dit betekent dat tijdens de acquisitie geen rekening gehouden moet worden met die parameters. Echter is het steeds mogelijk deze parameters zelf in te geven. Bij Align Photos zijn er een aantal parameters die veranderd kunnen worden. Ten eerste is er de accuracy die op high, medium of low gezet kan worden. Deze parameter bepaalt hoe nauwkeurig de cameraposities herberekend kunnen worden. Daarbij kan er ook gekozen worden om pair preselection in te schakelen. Dit is nuttig als het om modellen gaat met een zeer groot aantal foto’s om de verwerkingstijd te verminderen, waarbij eerst een subset van fotokoppels wordt gematched. Indien voor de optie Generic gekozen wordt, worden de fotokoppels eerst gematched op een lagere nauwkeurigheid. Bij Ground Control worden de berekende cameraposities gebruikt indien deze aanwezig zijn (Agisoft LLC, 2014). Tot slot kan men ook een limiet zetten op het aantal feature points per foto tijdens de verwerking en is er een mogelijkheid om foto’s te maskeren zodat er geen rekening gehouden wordt met delen van foto’s tijdens de verwerking.
9
Bij Build Dense Cloud, de tweede stap in Photoscan, wordt op basis van de berekende cameraposities uit de vorige stap de diepte-informatie voor de foto’s berekend. Het resultaat hiervan is een dichte puntenwolk (dense pointcloud). Eén van de parameters die aangepast kan worden is opnieuw de kwaliteit. Een hogere kwaliteit zorgt voor een meer gedetailleerde en nauwkeurige geometrie van de puntenwolk. Bij deze stap is er ook de mogelijkheid om de depth filtering te bepalen. Dit houdt in in welke mate de software ruis en uitschieters uit de puntenwolk zal verwijderen. Wanneer gekozen wordt voor aggressive zal het model de ruis sterk verminderen, wat in sommige gevallen ten koste gaat van de details in het model. Indien het model veel kleine details bevat is het daarom beter om mild te gebruiken. Er kan echter ook een resultaat gekozen worden dat zich tussen deze twee bevindt, in dat geval dient men moderate aan te duiden.
In de derde stap, Build Mesh genaamd, gebruikt men een Multi-View Stereo-reconstructie om tot een mesh te komen waarin de geometrische details worden weergegeven. Er kan bij het opbouwen van de mesh gekozen worden voor verschillende matching-algoritmes (height field of arbitrary) (Agisoft LLC, 2014). Height field wordt gebruikt voor luchtfoto’s en het maken van terreinmodellen (2.5D). Arbitrary kan men gebruiken voor gelijk welk object (3D). Doordat er geen assumpties worden gemaakt over het soort voorwerp, gebruikt de laatste methode een groter geheugen (Agisoft LLC, 2014). Het is mogelijk om de mesh te baseren op de sparse pointcloud of de dense pointcloud. Voor een kwaliteitsvol model dient hier voor de dichte puntenwolk gekozen te worden. De polygoncount geeft aan hoeveel faces de mesh maximaal kan bevatten. Tot slot kan ook gekozen worden of er geïnterpoleerd, geëxtrapoleerd of niets gedaan moet worden met de mesh. In de laatste stap, Build Texture, wordt de textuur van de foto’s op de mesh aangebracht. Hierbij kan men kiezen tussen verschillende texture mapping modes, namelijk generic, adaptive orthophoto, orthophoto, spherical, keep uv en single photo. Bij generic worden geen assumpties gemaakt over de geometrie van het object en deze methode probeert de textuur zo uniform mogelijk aan te brengen (Verhoeven, 2011). Bij orthophoto zal de textuur op het hele objectoppervlak aangebracht worden in de orthogonale projectie, dit verschilt van adaptive orthophoto waar enkel de vlakke delen in de orthogonale projectie hun textuur krijgen. De verticale delen krijgen hun textuur via de generic mapping mode. Spherical is enkel bruikbaar wanneer het gaat om ronde objecten. Single photo mapping mode gebruikt de textuur van slechts één foto. Keep uv kan gebruikt worden om textuur aan te brengen op meshes gecreëerd
10
in andere software of met dezelfde textuurparameters, maar een andere resolutie. Verschillende blending modes laten toe op verschillende manieren de textuur op het model aan te brengen. Mosaïc selecteert de meest geschikte foto om de textuur van de pixel te gebruiken. Average gebruikt de gemiddelde waarde van de pixel van alle foto’s. Min en max intensity gebruiken de foto met de pixel met respectievelijk de laagste en hoogste intensiteit als textuur voor het model.
Buiten het instellen van een aantal parameters, doet Photoscan het werk volledig automatisch. Men kan spreken van een blackbox-systeem. Daarom is het des te belangrijker dat de parameters goed gekozen worden en de dataverzameling op een correcte manier gebeurt. Indien de input niet goed is, zal Photoscan ook geen correct model reconstrueren.
2.2. Laserscanning
In dit onderdeel worden de verschillende types laserscanners besproken en hun werking kort uitgelegd. Tot slot worden ook de toepassingen die gebruik maken van laserscanning overlopen.
2.2.1. Principes
Laserscanning, ookwel LADAR (LAser Distance And Ranging) of LIDAR (LIght Detecting And Ranging) genaamd, is uitgegroeid tot een van de dominantste technieken voor het opnemen van geometrisch complexe structuren in 3D. Bij het gebruik van laserscanning wordt een puntenwolk gegenereerd. Elk punt in deze wolk heeft 3D-coördinaten met een nauwkeurigheid van enkele mm (Martin & Ingensand, 2008).
Bazarretti et al. (2012) maken een onderscheid tussen twee categorieën van laserscanners, op basis van hun meetprincipes.
De eerste categorie bevat medium tot long range laserscanners. Het meetprincipe is gebaseerd op een ingebouwde elektronische laser range-finder die zowel in het horizontale als verticale vlak snel roteert ten opzichte van het instrument. Tijdens die rotatie wordt er op geregelde tijdstippen een laserstraal uitgezonden naar het te meten oppervlak. De fysische eigenschappen van de laser zorgen ervoor dat deze gereflecteerd wordt op het oppervlak en
11
terug door het toestel opgevangen wordt waaruit de afstand tot dit oppervlak berekend kan worden. Het toestel combineert de berekende afstand tot het oppervlak met de horizontale en verticale hoek van de laser range-finder om zo tot de 3D-coördinaten van het gemeten punt te komen. De meting van de afstand kan op twee manieren gebeuren. Enerzijds kan dit via het Time-of-Flight (ToF) principe (pulse-based), anderzijds via phase-based metingen. Bij ToF wordt een laserpuls uitgezonden en wordt de tijd opgenomen naar het te meten oppervlak en terug. Doordat de lichtsnelheid gekend is, kan men de afstand tot het oppervlak vinden door de tijd van de enkele reis te vermenigvuldigen met de lichtsnelheid: r = c*t/2 met r = afstand tot het oppervlak c = lichtsnelheid t = tijd heen en terug
Met deze techniek kan een groot bereik gehaald worden (tot 1 km of zelfs meer), echter zal de nauwkeurigheid afnemen naarmate de afstand groter wordt. De laser range-finder detecteert één punt in de richting waarin de puls werd uitgezonden, dus om een heel gebied te meten zal de laserscanner elk punt één per één inmeten. De nauwkeurigheid van deze methode zal voornamelijk afhangen van de nauwkeurigheid waarmee de tijd gemeten kan worden. Pfeifer en Briese (2007) geven aan dat deze methode onder goede omstandigheden mm- tot cmnauwkeurigheid kan halen, maar bij zeer grote afstanden (> 1km) zal de nauwkeurigheid in de orde van enkele cm liggen. Door herhaaldelijke metingen en de uitzendende kracht van de laser te vergroten kan men de nauwkeurigheid verbeteren doordat dit de S/N ratio verhoogt. De snelheid van dataverzameling ligt bij deze techniek rond 100 kHz of 100 000 punten per seconde (Barazzetti et al., 2012). De snelheid van dataverzameling neemt echter constant toe en de nieuwste ToF-toestellen kunnen een scansnelheid tot 1 000 000 punten per seconde bereiken (www.leica-geosystems.com, 17 mei 2013).
Door gebruik te maken van de tweede techniek, phase-shift metingen, kan men een hogere nauwkeurigheid en snellere dataverzameling bereiken. Bij deze methode wordt er een c/w laser (continue golf) gebruikt als draaggolf voor een gemoduleerd signaal. Hiervoor gebruikt men meestal amplitudemodulatie.
12
Het faseverschil tussen de uitgezonden en opgevangen golf wordt vergeleken, waaruit men de afstand kan bepalen (Pfeifer & Briese, 2007): r = Δφ/(2*π)* λ/2 + λ/2 * n
r = afstand tot het oppervlak Δφ = faseverschil in radialen λ = golflengte in meter n = ongekend aantal volledige golflengten tussen de sensor en het oppervlak. De keuze van golflengte bijv. λ = 100m, betekent dat er een uniek bereik is voor de eerste 50m. Indien het oppervlak op een afstand groter dan 50m gelegen is ontstaat er een dubbelzinnigheid. Dit probleem kan men echter oplossen door met meer dan één gemoduleerde golf te werken (Figuur 2).
Figuur 2: Voorstelling van twee modulatiegolven en een draaggolf voor phase-based laserscanning Bron: Pfeifer & Briese, 2007
Deze methode heeft als nadeel dat er slechts een beperkt bereik mogelijk is, maar het voordeel is dat deze mm-nauwkeurigheid kan bereiken en de snelheid van de dataverzameling tot 1 Mhz of 1 000 000 punten per seconde kan bedragen (Barazzetti et al., 2012). Hierbij is te zien dat door de technologische innovaties de scansnelheid van ToF-laserscanners die van de phase-based systemen bijna hebben ingehaald.
13
Elke scan bestaat uit een ongeorganiseerde puntenwolk die het gemeten gebied voorstelt. Men kan echter ook meerdere scans nemen en deze later registeren in hetzelfde referentiesysteem. De registratie kan op verschillende manieren gebeuren. Enerzijds de directe methode waarbij de scanner wordt opgesteld op een gekend punt met gekende richting. Op die manier kan de puntenwolk rechtstreeks in het juiste referentiesysteem geplaatst worden. Anderzijds de indirecte methodes (o.a. gebaseerd op target-to-target of cloud-to-cloud registratie). Bij de eerste indirecte methode worden enkele targets in het te scannen gebied opgenomen, waarna twee scans geregistreerd kunnen worden in hetzelfde referentiesysteem op basis van de gemeenschappelijke targets die op de scans zichtbaar zijn. Bij cloud-to-cloud registratie wordt er gebruik gemaakt van de overlapping tussen twee opeenvolgende scans. De twee scans worden dan zo goed mogelijk aan elkaar gekoppeld op basis van die overlapping.
De tweede categorie van laserscanners volgens Barazzetti et al. (2012) zijn de close-range laserscanners. Dit zijn scanners die gebruik maken van het principe van triangulatie zoals in Figuur 3 wordt weergegeven. Er wordt laserlicht uitgezonden op het object, dit licht vormt niet langer een straal, maar een vlak. Dit laservlak schijnt dan over het objectoppervlak. Voor een bepaalde positie van het laservlak wordt dit licht gereflecteerd en opgevangen door een camera. Afhankelijk van de vorm van het object zal het laserlicht op een andere plaats gereflecteerd worden en dus op een andere plaats in de field-of-view van de camera terecht komen (Buck et al. , 2013). Deze methode zorgt voor een nog betere nauwkeurigheid, doordat het bereik bepaald wordt door hoekmetingen. Echter zorgt dit er net voor dat de nauwkeurigheid sterk afneemt bij te grote afstanden. Doordat de basis (afstand lichtbroncamera) niet te groot kan zijn, beperkt deze methode zich tot een bereik van slechts enkele meter, maar dit laat wel toe een nauwkeurigheid van beter dan ± 1 mm te bereiken (Pfeifer & Briese, 2007).
14
Figuur 3: Principe van laser triangulatie sensor Bron: http://www.deskeng.com, 17 mei 2013
2.2.2. Toepassingen Laserscanning is een techniek die al langer gebruikt wordt dan fotomodellering en daarom kent deze ook meer toepassingen. Veel van de toepassingen zullen echter overlappen aangezien beide methodes een 3D-model als eindresultaat geven.
Airborne laserscanning (Figuur 4) kan toegepast worden om digitale terreinmodellen (DTM) te maken (Pfeifer & Briese, 2007). Hierbij gebruikt men een pulse-based laserscanner zodat een voldoende groot bereik kan behaald worden. Naast het maken van DTM’s wordt laserscanning ook vaak ingezet in de archeologie wat toelaat interessante patronen te ontdekken op het terrein.
Figuur 4: Voorbeeld van het gebruik van airborne laserscanning: links digitaal oppervlaktemodel; rechts digitaal terreinmodel Bron: Pfeifer & Briese, 2007
15
Terrestrial laserscanning kan gebruikt worden voor cultural heritage, architectuur, tunnelmetingen, monitoring, misdaadscènes, forensisch onderzoek,… Naast de toepassingen die ook fotomodellering gebruiken, zijn er ook enkele die men enkel met laserscanning kan doen, aangezien deze toepassingen zeer hoge nauwkeurigheid vereisen. Het gaat hier bijv. om tunnelmetingen waar de vervorming van tunnels gemeten wordt met laserscanning. Een andere toepassing waar men zeer hoge nauwkeurigheid vereist is monitoring van structuren zoals een dam (Martin & Ingensand, 2008). Opnieuw zal men dan met laserscanning de vervorming in kaart brengen door de 3D-modellen van de dam, die op verschillende tijdstippen opgenomen zijn, te vergelijken.
Het gaat hier niet om een exhaustieve opsomming. In het kader van dit onderzoek is de toepassing van laserscanning op misdaadscènes van belang.
2.3. Reconstructies van misdaadscènes
In dit onderdeel worden de huidige technieken en hun tekortkomingen besproken voor de reconstructie
van
misdaadscènes.
Daarna
wordt
gekeken
waar
laserscanning
en
fotomodellering kunnen ingepast worde bij het reconstrueren van dat soort scènes en worden de voor- en nadelen van laserscanning en fotomodellering besproken zoals in de literatuur teruggevonden. Tot slot worden enkele case studies besproken die de mogelijkheden laten zien van beide technieken voor forensisch onderzoek.
2.3.1. Huidige technieken
De huidige technieken die gebruikt worden om misdaadscènes te reconstrueren beperken zich vaak tot 2D-registratie. De traditionele methoden omvatten fotografie, schetsen maken, videobeelden, notities nemen, etc. Deze methodes reduceren een driedimensionale misdaadscène naar een 2D-level (Sansoni et al., 2011).
Men zal echter vaak ook gebruik maken van theodolieten of totaalstations. Deze instrumenten laten toe 3D-coördinaten van een punt te berekenen door het meten van de verticale en horizontale hoek in combinatie met een afstandsmeter. Voor het meten van de afstand kan men twee verschillende technieken onderscheiden: phase-based toestellen en pulse-based toestellen. De werking is vergelijkbaar met die van laserscanners en hiervoor kan naar 2.2.1.
16
verwezen worden. Phase-based toestellen hebben een korter bereik, terwijl dit met pulsebased systemen niet het geval is, maar deze laatste hebben een lagere nauwkeurigheid (Barazzetti et al., 2012). Moderne toestellen bezitten vaak beide types. Deze worden uiteraard niet gebruikt om het hele gebied in detail op te meten, maar ze laten wel toe om voor enkele punten nauwkeurige 3D-coördinaten te meten.
Indien men een volledige 3D-reconstructie van het terrein wil, dan zal men gebruik moeten maken van laserscanning of fotomodellering. Deze twee technieken zijn echter nog vrij nieuw binnen het misdaadonderzoek. In verschillende landen is men reeds aan het experimenteren met deze technieken om plaats delicten op te meten. De metingen met een totaalstation kan men tevens combineren met de gegevens van deze twee technieken. De met het totaalstation gemeten punten kunnen als grondcontrolepunten gebruikt worden tijdens het georefereren van het model of men kan ze als onafhankelijke punten beschouwen om de uiteindelijke nauwkeurigheid van het model te schatten (Agosto et al., 2008). De ingemeten punten kunnen ook gebruikt worden voor het registreren van andere data in een algemeen referentiesysteem.
2.3.2. Laserscanning & fotomodellering
In dit onderdeel wordt dieper ingegaan op het toepassen van fotomodellering en laserscanning bij forensisch onderzoek en misdaadscènes.
Het onderzoeken van misdaadscènes is cruciaal voor het oplossen van een misdaad. Dit komt doordat het lichaam of object belangrijke informatie bevat wanneer het op de plaats delict ligt en deze informatie is vaak niet meer terug te vinden na het verwijderen van het lichaam of object. Komar et al. (2012) spreken van vergankelijk of kortstondig bewijs. Dit is fysisch bewijs dat van nature slechts temporeel is en gemakkelijk kan verloren gaan of veranderd worden doorheen de tijd. De kans dat bewijs vernietigd of gewijzigd wordt, stijgt naarmate de tijd passeert na het vinden van misdaadscènes (Barazzetti et al., 2012). Er zijn verschillende redenen waarom het nauwkeurig in 3D vastleggen van een misdaadscène cruciaal is. Ten eerste geeft het de onderzoekers informatie die ze anders niet zouden hebben of moeilijker kunnen interpreteren. Ten tweede kan het helpen de misdaad te reconstrueren voor het gerecht. Een nauwkeurig 3D-model van de misdaadscène is overtuigender voor de jury en laat de onderzoekers tevens toe de misdaadscène “virtueel” te herbezoeken (Agosto et al., 2008).
17
Ten slotte laat het maken van een nauwkeurig 3D-model van het gebied toe extra metingen uit te voeren jaren nadat het incident plaatsvond.
Gonzalez-Aguilera en Gomez-Lahoz (2009) beschrijven de drie belangrijkste invalshoeken voor misdaadreconstructie op vlak van de geomatica.
Als eerste beschrijft men de technieken gebaseerd op het gebruik van passieve sensoren. Dit omvat systemen die een 3D-model ontwikkelen op basis van opeenvolgende foto’s. Het gaat hier dus om fotomodelleringstechnieken. Belangrijk is wel dat men in hun artikel aangeeft dat ondanks de goede resultaten de nauwkeurigheid van dit systeem niet voldoende is voor misdaadscènereconstructies. Specifieke cijfers over de nauwkeurigheid worden echter niet gegeven.
De tweede groep zijn technieken gebaseerd op het gebruik van actieve sensoren, waarmee de laserscanning wordt bedoeld. Daar laserscanning reeds langer gebruikt wordt in het forensisch onderzoek, staat men hier al een stap verder in de integratie dan bij fotomodellering. Naast de gewone laserscanners kan men ook gebruik maken van een real-time acquisitie-systeem dat de gebruiker toelaat een object in te meten, waarbij het model continue geüpdatet wordt. Het voordeel van zo een systeem is dat de gebruiker direct kan zien of er hiaten aanwezig zijn in het model en zo nodig deze corrigeert. Het nadeel is dan weer dat dit systeem specifieke, gesynchroniseerde hardware vereist en bij de metingen contact met het object voorkomt (Gonzalez-Aguilera & Gomez-Lahoz, 2009). 3D surface scanners kunnen gezien worden als close-range laserscanners, die gebruik maken van het principe van triangulatie. Dit type laserscanner werd reeds uitgelegd in 2.2.1. en wordt hier niet verder besproken.
Een laatste groep kan onderscheiden worden door het gebruik van zowel passieve als actieve sensoren. Zo bestaan er laserscanners met geïntegreerde camera’s die toelaten gelijktijdig met de scan foto’s te nemen. Vaak gaat het hier echter om camera’s zonder telefotolenzen, welke dus niet op details kunnen focussen.
Over het algemeen zal men proberen de verschillende technieken te combineren om zo de voordelen van elk systeem te kunnen benutten, terwijl de nadelen zoveel mogelijk gereduceerd worden. Alle beschikbare technieken gebruiken zal uiteraard het beste resultaat geven, maar dit is niet altijd mogelijk. In sommige gevallen is het ook niet nodig om een
18
volledige 3D documentatie uit te voeren. Volgens Barazzetti et al., 2012 gebruikt men best een totaalstation indien slechts enkele punten opgemeten moeten worden en verdient een laserscanner de voorkeur in een gesloten gebied met weinig details. Fotomodellering wordt best gebruikt indien er veel kleine details aanwezig zijn. In dit thesisonderzoek zal dan ook getest worden wanneer men best de ene, dan wel de andere techniek gebruikt.
2.3.3. Voor- en nadelen van laserscanning en fotomodellering
De mogelijkheid om de misdaadscène te reconstrueren is ongetwijfeld het grootste voordeel van deze technieken. Elk bewijs kan gereproduceerd worden met zijn precieze oriëntatie en positie. De bekomen 3D-modellen laten toe de misdaadscène vanuit alle posities te bekijken, wat met de klassieke technieken niet haalbaar is. Buck et al. (2013) geeft aan dat deze technieken een betere en meer objectieve voorstelling geven aan derden, waardoor deze de resultaten beter zullen begrijpen.
Een groot voordeel van een laserscanner is dat die, eens de opstelling gebeurd is, gemakkelijk te gebruiken is. De scanner zal het te scannen gebied volledig automatisch inscannen. De gebruiker moet de opstelposities echter zodanig kiezen dat het volledige gebied gescand wordt. Fotomodellering kampt met hetzelfde probleem. De misdaadscène moet correct gefotografeerd worden om tot een goed model te komen. De meeste auteurs geven hierbij aan dat dit werk door een expert dient te gebeuren. De fotomodelleringsalgoritmen zijn echter ondertussen verfijnd en bij Photoscan is het proces al bijna volledig geautomatiseerd. Dit wil echter zeggen dat een goede dataverzameling des te belangrijker wordt. Weten hoe en welke foto’s te nemen is dus cruciaal bij fotomodellering.
Een nadeel van laserscanning is de kostprijs, niet alle politiekorpsen hebben hiervoor het budget. Daarbij komt dat indien men de toestellen niet correct gebruikt, er enerzijds artefacten kunnen ontstaan, maar anderzijds zou dit ook kunnen leiden tot misinterpretaties van de misdaadscène. Een derde nadeel is dat niet alle objecten gescand kunnen worden. Wanneer men laserscanning en fotomodellering gaat combineren kan dit probleem grotendeels weggewerkt worden, aangezien fotomodellering net wel in staat is kleine details vast te leggen. Men kan laserscanning dus niet voor elke misdaadscène gebruiken, tevens vraagt de keuze van opstelposities en targets enige ervaring.
19
Het toepassen van fotomodellering kan als goedkoop aanzien worden, maar deze techniek heeft als nadeel dat de verwerking lang kan duren, terwijl het soms cruciaal is dat men de informatie zo snel mogelijk heeft. Door de automatisatie van het verwerkingsproces is het echter niet nodig om constant aanwezig te zijn bij de verwerking. Dit is niet het geval bij laserscanning, waar de verwerking nog steeds een relatief lang en intensief proces is.
Als laatste moet nog gezegd worden dat in de meeste landen, deze nieuwe soort data nog geaccepteerd moet worden als legaal bewijsmateriaal voor het gerecht.
2.3.4. Case studies van misdaadreconstructies met fotomodellering en laserscanning
Laserscanning en fotomodellering kunnen gebruikt worden om misdaadscènes te reconstrueren. Barazzetti et al. (2012) bespreken in hun artikel twee case studies die deze technieken gebruiken om de plaats delict te reconstrueren. In de eerste zaak gaat het om een moord- of begraafplaats met beenderen op de grond, die vermoedelijk door dieren verplaatst zijn. Deze case toont aan dat men op het moment van de dataverzameling de plaats delict als het ware in de tijd kan vastzetten. Indien men later terug zou gaan naar die plaats, zou men niet dezelfde informatie terugkrijgen.
De tweede case betreft een simulatie van een massamoord door een explosie. In dit gebied ligt het bewijsmateriaal meer verspreid en zal men dus over een groter gebied moeten werken. In beide cases wordt gewerkt met zowel laserscanning als fotomodellering. In de tweede case gebruikt men ook een totaalstation voor de registratie van de verspreide scans. Het resultaat van de 3D-reconstructie wordt weergegeven in Figuur 5. De rode punten geven de locatie van de objecten weer; de paarse pijlen geven de geschatte locatie en richting van de foto’s gebruikt bij de fotomodellering; de blauwe bollen duiden panoramische foto’s aan.
Men kan echter nog verder gaan in het toepassen van geomaticatechnieken bij forensisch onderzoek. In Buck et al. (2013) worden twee zaken beschreven waarin men door de reconstructie van de misdaad de dader kon vinden, terwijl het op het eerste zicht een ongeluk leek. Door te reconstrueren wat de dader in zijn getuigenis vertelde, kon men dit vergelijken met de reconstructie van de werkelijke situatie. Hieruit bleek dat de dader een valse verklaring had afgelegd. In de ene zaak kwam het traject van de kogel niet overeen met wat de dader verklaarde. In de tweede zaak verklaarde een man per ongeluk zijn vrouw aan te hebben
20
gereden, maar door de reconstructie in 3D kon men zien dat de remsporen enkel konden ontstaan door nog een tweede keer achteruit te rijden.
Agosto et al. (2008) gaan nog een stap verder door het verkregen 3D-model in een GIS in te laden om er dan verschillende analyses op uit te voeren. Zo probeerde men te achterhalen of het mogelijk was een kamer met bloedvlekken op de vloer te doorlopen zonder het bloed aan te raken. Het GIS laat toe bewegingen en de interactie tussen lichaam en omgeving te simuleren.
Figuur 5: Case study over massamoord door explosie: visualisatie van het resultaat Bron: Barazzetti et al., 2012
21
3. DATAVERZAMELING EN VERWERKING
3.1. Dataverzameling
3.1.1. Dataverzameling model 1
De dataverzameling van het eerste en tweede model vond plaats op het domein van de federale gerechtelijke politie (FGP) te Gent. Er werd een ruimte ter beschikking gesteld met de bedoeling deze in zijn bestaande toestand in 3D te modelleren (Figuur 6). Bij het eerste model was het de bedoeling de ruimte zo goed mogelijk in 3D te reconstrueren zonder dat er sprake was van een misdaadscène. De bedoeling hiervan was te kijken hoe geschikt laserscanning of fotomodellering is voor indoorapplicaties. Vooraleer de laserscanning en het nemen van de foto’s voor de latere fotomodellering van start konden gaan, diende er voorbereidend werk te gebeuren. Dit werk hield het schetsen van een looppatroon voor de fotomodellering in, het plaatsen van de targets en bepalen van opstelposities voor laserscanning.
Bij
de
indoorreconstructies
werd
gekozen
voor
een
relatieve
nauwkeurigheidsanalyse. De keuze viel hierop doordat er enerzijds indoor makkelijker objecten te vinden zijn die toelaten relatieve afstanden te bepalen (tafels, kasten, etc.) en anderzijds omdat de politie zelf bij het registeren van misdaadscènes gebruik maakt van relatieve afstanden. In de ruimte zijn ook een aantal schaallatten neergelegd die later op het model gebruikt kunnen worden met het oog op het bepalen van de relatieve nauwkeurigheid, maar deze waren echter te onduidelijk waardoor ze uiteindelijk niet mee werden genomen in de berekening. De oorzaak hiervan is te zoeken in de kwaliteit waarmee de textuur kan aangebracht wordt op het model.
22
Figuur 6: Overzicht van de ruimte van model 1
De vergelijking van de relatieve afstanden tussen laserscanning en fotomodellering werd mogelijk gemaakt doordat de targets van laserscanning aanwezig bleven bij het nemen van de foto’s voor de fotomodellering. Dit laat uiteindelijk toe de targets als grondcontrolepunten in het model in Agisoft Photoscan aan te brengen zodat beide modellen in hetzelfde lokale stelsel geplaatst konden worden.
Voor laserscanning werd gebruik gemaakt van vijf scanposities en acht targets die steeds op dezelfde plaats bleven staan. Als toestel werd de Leica HDS6100 gebruikt. Dit is een phasebased
scanner,
met
een
afstandsnauwkeurigheid
van
2mm
op
50m
afstand
(http://archive.cyark.org, 21 mei 2014). Voor elke scan werd als range verticaal 0°- 182° en horizontaal 0°- 360° genomen met een hoge resolutie (point spacing van 6.3mm x 6.3mm op een afstand van 10m). De fotocamera gebruikt voor de fotomodellering was een Panasonic DMC-FZ38. De foto’s hadden echter een lage pixelresolutie (1600x1200). De lage pixelresolutie is echter niet ideaal
23
volgens Remondino en El-Hakim (2006). In de laatste paragraaf van 2.1.1 werd reeds besproken welke factoren de nauwkeurigheid van het model beïnvloeden. In totaal werden er 459 foto’s genomen. De foto’s werden op een systematische manier en overtallig genomen zodat alle nodige gegevens zeker vastgelegd werden. Dit is zeer belangrijk bij het modelleren van misdaadscènes aangezien het hier gaat om vergankelijke data zoals reeds in 2.3.1. werd aangegeven. Volgens het looppatroon werd op elke plaats op vier verschillende hoogtes een foto genomen, waarna naar de volgende plaats op het traject werd gegaan. Tot slot werd ook gebruik gemaakt van een ladder om foto’s vanuit te hoogte te nemen die een goed globaal overzicht van de ruimte gaven. Soms is het nemen van foto’s niet mogelijk door obstakels. In dat geval werden de foto’s niet of op een andere plaats genomen. Dit is echter afhankelijk van geval tot geval.
3.1.2. Dataverzameling model 2
De dataverzameling van het tweede model verliep grotendeels op een gelijkaardige manier als bij het eerste model. Het grote verschil is dat bij het tweede model een reconstructie van een misdaadscène werd aangebracht in de te modelleren ruimte (Figuur 7). Hiervoor werd in de ruimte een geklede pop, een mes en hoes, een namaakbijl, een revolver met twee hulzen, een gsm en een portefeuille aangebracht. Daarnaast werd op verschillende plaatsen nepbloed aangebracht die in de reconstructie het bloed van het slachtoffer aangeeft.
24
Figuur 7: Overzicht van de ruimte van model 2
Aangezien het om dezelfde ruimte ging, was veel van het voorbereidend werk hetzelfde en kon ook rekening gehouden worden met de tekortkomingen in het eerste model ten einde deze te voorkomen. Daarom werd een extra opstelpositie gebruikt voor laserscanning om een betere dekking van de ruimte te krijgen. Volledige dekking was echter niet mogelijk door de onregelmatige structuur van de ruimte (occlusie). De nauwkeurigheid van het model wordt opnieuw bepaald door relatieve afstanden te berekenen. Echter wordt in dit geval geen gebruik meer gemaakt van schaallatten verspreid in de ruimte aangezien deze niet bruikbaar bleken in het eerste model.
Bij het modelleren van de misdaadscènes worden verschillende methoden gebruikt om tot een resultaat te komen dat voldoende is voor de toepassingen die de politie ermee op het oog heeft. Hierbij moet ook rekening gehouden worden met de beperkte kennis van de politie omtrent dit onderwerp. Enerzijds wordt er gebruik gemaakt van laserscanning waar op zich geen echte moeilijkheden zijn buiten het bepalen van de opstelposities. Bij fotomodellering ligt dit echter anders. De gebruikte software (Agisoft Photoscan) heeft problemen met het modelleren van verschillende objecten. Dit zorgt ervoor dat het maken van een model niet enkel de foto’s inladen is. Een 3D-model reconstrueren is meer dan de software zijn werk
25
laten doen. Bij de fotomodellering wordt getracht op verschillende manieren tot een juist model te komen. Hierbij wordt gestart met de gemakkelijkste methode, waarna men steeds de moeilijkheidsgraad van de verwerking verhoogt. Een eerste methode die wordt toegepast is alle foto’s inladen in Photoscan en de verschillende stappen uitvoeren. Hierbij zijn echter een aantal optimale parameters te kiezen. Een volgende stap is het scheiden van de complexe objecten van de eenvoudigere objecten, waarbij deze laatste met een lagere graad van detail gemodelleerd worden. Tot slot wordt geprobeerd verschillende objecten af te zonderen in aparte chunks, zodat deze ook apart gemodelleerd kunnen worden om ze later terug samen te voegen.
3.1.3. Dataverzameling model 3
De dataverzameling van het derde model vond ook plaats op het terrein van de federale gerechtelijke politie te Gent. Bij dit model is het de bedoeling te testen of laserscanning en fotomodellering geschikt zijn voor outdoorapplicaties, meer bepaald reconstructies van misdaadscènes in open lucht. De plaats voor het opmeten van het model was een vrij open grasplein met enkele bomen, welke gebruikt konden worden om referentiepunten op te meten (Figuur 8). Deze bomen zorgden immers voor enig contrast in het voor de rest vrij egale grasplein. De scène werd afgebakend met een politielint en als lichaam werd opnieuw een pop gebruikt. Daarnaast werden ook nog enkele objecten als een gsm, pistool en portefeuille aangebracht. Deze objecten werden ook genummerd zoals bij echte misdaadscènes gebeurt.
26
Figuur 8: Overzicht van de plaats van model 3
De plaats werd zodanig gekozen dat het mogelijk is om de absolute nauwkeurigheid van zowel laserscanning als fotomodellering te kunnen berekenen. Hiervoor was het nodig om een aantal punten op te meten met een totaalstation. Beide modellen zullen dus gerefereerd worden in het lokale stelsel van het totaalstation, waarna onderzocht zal worden welke techniek nauwkeuriger is. De ingemeten punten hebben twee doelen. Enerzijds zullen enkele punten gebruikt worden om het model in Photoscan te refereren. Anderzijds zullen de overige punten benut worden om laserscanning te vergelijken met fotomodellering. Laserscanning hoeft geen aparte punten te gebruiken voor de referentie van het model aangezien de targets ook met het totaalstation zijn opgemeten en op die manier de puntenwolk gerefereerd kan worden. De metingen met het totaalstation werden eerst uitgevoerd, maar aangezien ook de targets ingemeten moesten worden, werden deze ook al geplaatst. Hierbij diende rekening gehouden te worden met een goede spreiding van de targets in het hele model en in drie richtingen (x,y,z). Er werden in totaal zeven targets gebruikt waarbij er enkele op een statief werden geplaatst op verschillende hoogtes. Deze targets mochten het opmeten van de referentiepunten niet belemmeren. In totaal zijn er 28 referentiepunten opgemeten. Het betrof voornamelijk punten op de bomen en het lichaam aangezien er voor de rest geen ondubbelzinnige punten aangeduid konden worden. Hierna kon overgegaan worden tot de
27
laserscanning. In tegenstelling tot de indoormodellen, waarbij de scanner telkens in de hoeken van de kamer werd geplaatst, kon de laserscanner vrij opgesteld worden bij het outdoormodel. Daarbij werd geprobeerd de scans telkens te nemen op 60° van elkaar waarbij het lichaam als middelpunt werd behandeld. Zes scans zijn voldoende om alle details te kunnen registreren. Indien meer scans genomen worden, zouden er te veel overtollige punten in het model zitten. De laatste stap was het nemen van de foto’s. Vooraleer hiermee gestart kon worden, werden de targets en bijhorende statieven verwijderd aangezien een absolute oriëntatie uitgevoerd ging worden op basis van de referentiepunten. Daarnaast diende ook eerst nagedacht te worden over het looppatroon dat er anders uitziet voor een open ruimte als voor een gesloten ruimte. In totaal werden 175 foto’s genomen.
Het gebruikte totaalstation was een Trimble S6 DR300, de laserscanner was dezelfde als bij de indoormodellen en als fotocamera werd deze keer de Canon EOS 550D gebruikt met een pixelresolutie van 5184x3456. Het totaalstation heeft een hoeknauwkeurigheid van ongeveer 2” en een afstandsnauwkeurigheid van 2mm + 2ppm (http://www.coudere.be, 21 mei 2014 ).
3.1.4. Dataverzameling model 4
Er werd reeds een indoor- en outdoormodel gemaakt. Het is de bedoeling om de toepassing van laserscanning en fotomodellering voor de politie zo breed mogelijk te testen. Er werd daarom gekozen om ’s nachts een model op te meten. De keuze voor een nachtmodel is evident aangezien men ook vaak ’s nachts opgeroepen wordt. Als locatie werd dezelfde plaats gekozen als voor model 3, omdat dit toelaat met de tekortkomingen van model 3 rekening te houden (Figuur 9). Ditmaal wordt er geen absolute nauwkeurigheidsanalyse uitgevoerd aangezien daarvoor referentiepunten nodig zijn, maar die door een gebrek aan licht niet te onderscheiden zijn van andere punten. Er wordt ditmaal dus enkel een laserscanning en fotomodellering uitgevoerd. Door de targets van de laserscanning te laten staan voor de fotomodellering blijft er een mogelijkheid om de twee te koppelen en een relatieve nauwkeurigheidsanalyse uit te voeren. Deze analyse is echter niet zo vanzelfsprekend als bij het indoormodel, waarbij tafels en andere duidelijk afgelijnde objecten gebruikt konden worden om de nauwkeurigheid te testen. Bij de outdoormodellen zijn er zo geen objecten aanwezig en zal de vergelijking dus vrij beperkt zijn.
28
Figuur 9: Overzicht van de plaats van model 4
Bij de misdaadscène wordt opnieuw een pop met gsm, pistool en portefeuille gebruikt. Bij elk object wordt een nummer geplaatst zoals bij echte scènes gebeurt. De politie stelde ook drie werklampen ter beschikking om de scène te verlichten. Deze lampen worden ook gebruikt in echte situaties, wat een realistisch resultaat ten goede komt. Als eerste werd de laserscanning uitgevoerd, waarbij zes scanposities gebruikt werden die telkens ongeveer 60° van elkaar stonden met als middelpunt het lichaam. Voor de fotomodellering zijn in totaal 108 foto’s genomen. Dit aantal ligt lager als bij het vorige model aangezien ditmaal de misdaadscène kleiner is dan de vorige keer. Zowel de laserscanner als de fotocamera zijn dezelfde als bij model 3.
29
4. VERWERKING
4.1. Verwerking indoor
4.1.1. Laserscanning
Voor de verwerking van de laserscanner dient deze eerst te worden uitgelezen naar een computer. De ZFS-bestanden kunnen ingeladen worden in Leica Cyclone. Deze software geeft de gebruiker een wijde set van procesopties voor 3D-laserscanning projecten in verschillende applicaties zoals surveying, engineering, constructies, etc. (www.hds.leicageosystems.com, 21 mei 2014). Bij het inladen van de ZFS-bestanden kan gekozen worden om de targets automatisch te zoeken. Dit is handig omdat dit dan later niet meer manueel moet gebeuren. Het is wel belangrijk te controleren of de targets die gevonden zijn wel echte targets zijn en ze correct aangeduid zijn. Wanneer de targets aangeduid of gecontroleerd worden, moeten ze voorzien worden van een label. In de eerste twee modellen zijn telkens acht targets gebruikt die elk een label krijgen van 1 tot 8 in de verschillende scans. Voor elk model dienen de scans geregistreerd te worden in hetzelfde lokaal coördinatenstelsel. Er wordt in dit geval dus gebruik gemaakt van een target-to-target registratie, die de targets uit verschillende scans gebruikt om deze samen te voegen tot één puntenwolk. De fout op de registratie dient zo klein mogelijk gehouden te worden. Om dit te bereiken kunnen een aantal constraints uitgeschakeld worden om de fout op de overige constraints te verkleinen.
Boxplot model 1 en 2 0,005 0,004 0,003 0,002
Boxplot Model 1 (m) 0,000 MIN 0,001 Q1 0,001 Mediaan 0,002 Q3 0,003 MAX
Model 2 (m) 0,000 0,001 0,002 0,002 0,004
0,001 0 Model 1
Model 2
-0,001
Figuur 10: Boxplot en bijhorende tabel van de fouten op de registratie in Leica Cyclone van model 1 en 2
30
Indien de grootste fouten uitschieters zijn dan is het best de bijhorende constraints uit te schakelen (Figuur 10). Voor het eerste model was dit niet nodig. De absolute gemiddelde fout bedraagt daarbij 0.002m en de grootste afwijkingen zijn 0.003m. De interkwartielafstand (IQR) is 0.001m en men spreekt van uitschieters wanneer deze groter zijn dan Q3 + 1.5xIQR of kleiner zijn dan Q1 - 1.5xIQR. Voor het eerste model vallen er geen afwijkingen buiten deze waarden. Voor het tweede model is dat wel het geval. De IQR bedraagt opnieuw 0.001m, maar de maximale afwijkingen die vastgesteld worden zijn 0.004m en deze zijn groter dan Q3 + 1.5xIQR. Deze waarden kunnen dus als uitschieters beschouwd worden en de bijhorende constraints worden uitgeschakeld. Dit zorgt ervoor dat het absolute gemiddelde van de overgebleven fouten 0.002m bedraagt. Rekening houdend met de nauwkeurigheid van de laserscanner zijn dit goede resultaten.
Na een succesvolle registratie geeft Cyclone één puntenwolk die alle scans combineert. In deze puntenwolk is er uiteraard ruis aanwezig die eerst verwijderd dient te worden. Deze ruis omvat punten buiten de te modelleren ruimte, zoals punten door de deur en de ramen, maar ook het plafond omdat dit toelaat de ruimte gemakkelijk in zijn geheel te bekijken. Het verwijderen van het plafond mag echter niet gebeuren wanneer deze relevante informatie bevat (bijv. bloedsporen). Rondom de plaats waar de laserscanner is opgesteld, bevindt zich ook regelmatig ruis omdat dit net aan de rand is van het bereik van de scanner. Om de relatieve nauwkeurigheid van de laserscanner te vergelijken met deze van fotomodellering worden beide in hetzelfde lokale stelsel geplaatst. Dit is mogelijk doordat bij het nemen van de foto’s voor fotomodellering de voor lasserscanning gebruikte targets behouden bleven. De coördinaten van de targets kunnen geëxporteerd worden en als grondcontrolepunten ingeladen worden in Photoscan. De verdere uitwerking en resultaten van de nauwkeurigheidsanalyse worden in 5.1. besproken.
4.1.2. Fotomodellering De werkwijze bij de fotomodellering die werd gebruikt is alle foto’s inladen en daarop de verschillende stappen laten lopen. In realiteit is dit niet vanzelfsprekend. Er zijn altijd foto’s die van mindere kwaliteit of wazig zijn. Deze dienen uiteraard eerst verwijderd te worden aangezien ze een negatieve invloed hebben op het eindmodel (Remondino en El-Hakim, 2006). Van de 459 foto’s werden er 434 weerhouden voor het maken van het model. De
31
targets van de laserscanning die aanwezig waren op de foto’s werden aangeduid met markers om de modellen in hetzelfde lokale stelsel te kunnen oriënteren (zie 5.1.). Belangrijk daarbij was dat hier al een voldoende nauwkeurigheid werd verkregen. De toegepaste parameters voor het model worden in tabel 1 weergegeven. Tabel 1: Parameters voor het eerste model met alle foto’s Align Photos
Quality
High
Build Mesh
Build Texture
Arbitrary Mapping mode Generic Depth Aggressive Source data Dense Pair Blending cloud preselection filtering Mode 40000 High Point limit Polygon Texture count size/count Interpolation Enabled Color correction Accuracy
High
Build Dense Cloud
Surface type
Generic Average 8192 x 4 Disabled
Aangezien het om een zeer groot aantal foto’s gaat is het gebruik van pair preselection de beste keuze. Dit zorgt er voor dat eerst de overlappende foto’s worden geselecteerd door gebruik te maken van lagere nauwkeurigheidsinstellingen, wat uiteindelijk tot een snellere verwerking kan leiden. Bij het maken van de dense pointcloud werd de kwaliteit op high gezet. Hoe hoger deze instelling wordt gezet, hoe meer detail en hoe nauwkeuriger het resultaat zal zijn. Het nadeel is echter dat de verwerkingstijd sterk kan toenemen. De ultra high setting wordt zelden gebruikt wegens te tijdsintensief. Voor Depth filtering werd Aggressive gekozen. Dit veroorzaakt de minste ruis in het model, maar het nadeel ervan is dat dit complexe objecten te veel smooth. Er moet dus een afweging gemaakt worden tussen de ruis in het model enerzijds en de graad van detail anderzijds. De eerste twee stappen verliepen vlot, zowel Align Photos als Build Dense Cloud waren geslaagd. De volgende stap leverde problemen op. Bij Build Mesh werd eerst geprobeerd met de optimale parameters te werken. Polygon count werd op high gezet en interpolation enabled. De interpolation zorgt ervoor dat Photoscan oppervlakken zal interpoleren binnen een bepaalde radius rond elk punt van de dense pointcloud, waardoor sommige gaten in het model automatisch gevuld worden (Agisoft LLC, 2014). Dit zorgde echter voor problemen met het model. De tafels, stoelen en andere complexe objecten verdwenen of werden zeer slecht gereconstrueerd (Figuur 11). Dit zou in principe niet mogen aangezien het maken van de mesh zich baseert op de dense pointcloud die in de vorige stap gegenereerd werd. Dit probleem deed zich echter voor bij beide modellen.
32
Ook bij het veranderen van de parameters in de vorige stappen bleef dit probleem zich voordoen. Dit wijst op een tekortkoming van de software.
Figuur 11: Vervormingen ten gevolge van de interpolatie (links: Dense pointcloud, rechts: Mesh)
Enkel bij het gebruiken van Heightfield in plaats van Arbitrary als parameter voor Surface type wordt een correcte mesh bekomen. Deze parameter is echter niet optimaal. Heightfield is geoptimaliseerd voor het modelleren van vlakke oppervlakten, zoals bij luchtfoto’s. Dit heeft tot gevolg dat de zijkanten van objecten vaak tot aan de grond worden uitgerokken, wat geen mooi model oplevert (Figuur 12). Het enerzijds verdwijnen (Abitrary) en anderzijds uitrekken (Heightfield) van objecten zorgt ervoor dat dit geen goede representatie van de werkelijkheid is.
33
Figuur 12: Vervormingen ten gevolge van object type Heightfield (links: Dense pointcloud, rechts: Mesh)
Door de interpolation uit te zetten bleek dat de objecten niet verdwenen bij het maken van de mesh (Figuur 13). Dit zorgde ervoor dat er meer gaten in het model aanwezig waren dan voordien. Dit vormde echter niet zo een groot probleem als de vervorming bij het gebruik van interpolation.
Figuur 13: Gaten ten gevolge van niet-interpolatie (links: Dense pointcloud, rechts: Mesh)
34
Voor beide modellen leek dit een goede oplossing, maar uiteindelijk leverde dit problemen in de laatste stap van het modelleren, namelijk het aanbrengen van textuur. Photoscan bleek telkens vast te lopen bij 70% texturing, waarna een ‘out of memory’ error verscheen. De oorzaak was te wijten aan de grootte van de mesh. Doordat er niet met interpolatie gewerkt wordt, krijgt men een mesh met een zeer groot aantal polygonen. Zelfs als de polygon count bij het maken van de mesh op laag wordt gehouden krijgt men dit probleem. Dit kon te wijten zijn aan het feit dat er met een zeer groot aantal foto’s wordt gewerkt. Met deze eerste methode verkreeg men geen goed model. Er blijft natuurlijk de mogelijkheid om de puntenwolk te exporteren. In dat geval heeft men geen correct 3D-model, maar men kan deze wolk wel nog steeds gebruiken ter visualisatie van de misdaadscène in 3D.
Om het probleem van het te groot aantal polygonen in de mesh op te lossen, werd geopteerd om het model in twee te splitsen. Enerzijds een chunk met lage graad van detail voor de muren en anderzijds een chunk met een hoge graad van detail om de complexere objecten te modelleren. Men kreeg hetzelfde probleem waarbij de textuur niet kon aangebracht worden op het model. Een mogelijke oorzaak van de problematische textuur kon het grootte aantal foto’s in het model zijn. Er werd daarom geprobeerd om met een lager aantal foto’s een model te maken. Echter is het zeer moeilijk te selecteren welke foto’s al dan niet te weerhouden. Bij het eerste model werden er van de 434 foto’s slechts 149 gebruikt om de hele ruimte te reconstrueren. Ondanks het mindere aantal foto’s werd de ruimte op enkele details na goed gereconstrueerd in de dense pointcloud. Maar dezelfde problemen bleven echter aanhouden. Wanneer er geïnterpoleerd werd, verdwenen sommige objecten, echter wel in mindere mate als voorheen. Wanneer niet geïnterpoleerd werd, bleef de polygon count te hoog om de textuur te kunnen berekenen.
Een laatste methode is het opdelen van de ruimte in meerdere chunks, waarbij in elke chunk een bepaald object gemodelleerd wordt. Hierbij kunnen voor de objecten in een chunk ook specifieke foto’s gekozen worden waarbij het object duidelijk zichtbaar is. Op die manier kunnen enkel de goede foto’s geselecteerd worden voor het modelleren van de objecten. Bij de vorige methodes was dit niet het geval aangezien daar algemene foto’s gebruikt werden om de hele ruimte te modelleren. Daarbij werden ook foto’s gebruikt waar slechts een kleine hoek
35
van een object opstaat. Bij deze methode kunnen die weggelaten worden aangezien ze geen of een slechte invloed hebben op het model.
Het modelleren van de keuken in de ruimte (Figuur 14) was moeilijk door de beperkte bewegingsvrijheid bij het nemen van de foto’s. Het modelleren van dit object in zijn geheel geeft daarom geen goed resultaat (Figuur 15). Er zijn verschillende gaten in de puntenwolk aanwezig.
Figuur 14: De keuken in model 1
Figuur 15: Dense pointcloud van de keuken
36
Door de verschillende onderdelen van de keuken apart te modelleren en daarna terug samen te voegen, kan een beter resultaat verkregen worden (Figuur 16).
Figuur 16: Dense pointcloud van de keuken na samenvoeging Naast de deur is er een deel van de vloer dat niet in de puntenwolk zit. Ondanks dat er toch foto’s zijn waarop dit deel aanwezig is, kan Photoscan deze zone niet modelleren. De koelkasten zijn ook niet goed gemodelleerd, maar dit komt enerzijds doordat die hoek van de ruimte moeilijk te fotograferen is en anderzijds doordat de vlakke en blinkende wanden ervan weinig of geen feature points opleveren. De parameters gebruikt voor de verschillende chunks worden weergegeven in tabel 2.
Tabel 2: Parameters voor het eerste model met chunks Align Photos High Accuracy
Build Dense Cloud Build Mesh Build Texture Quality High Surface type Arbitrary Mapping Generic mode Generic Depth Moderate Source data Dense Pair Blending Average/ cloud Mosaic preselection filtering Mode 40000 High 8192 x 4 Point limit Polygon Texture count size/count Disabled Interpolation Enabled Color correction
37
De parameters zijn over het algemeen hetzelfde gebleven. Enkel bij Build Dense Cloud en Build Texture zijn er enkele veranderingen aangebracht. Als Depth filtering wordt bij de chunks voor Moderate gekozen. Dit zorgt voor meer ruis, maar laat de objecten ook meer intact. Het gebruik van enkel goede foto’s voor het maken van het model zorgt ervoor dat de ruis op zich al sterk vermindert. Daarnaast geeft de chunk van één object beter de mogelijkheid om ruis te verwijderen. Er kan in principe ook voor Mild gekozen worden, maar hierbij overweegt de ruis te veel (Figuur 17).
Al de chunks kunnen samengevoegd worden zodat een volledig model van de ruimte bekomen wordt. De dense pointcloud die hieruit volgt is de beste tot nu toe. Deze zal dan ook gebruikt worden in het finale model. Echter voor de mesh en texturing blijven de problemen dezelfde als voordien. Interpolation enabled geeft slechte resultaten door de verdwijnende objecten, wat ook tot een slechte texturing leidt (Figuur 18). Wanneer er niet geïnterpoleerd wordt, kan de textuur opnieuw niet berekend worden, daarnaast wordt een deel van de ruimte zeer slecht gemeshed.
Figuur 17: Ruis bij Depth filtering: Mild
38
Figuur 18: 3D-model met interpolation enabled Een mogelijke oplossing van dit probleem is gebruik te maken van een hybride model. Er kan op zich geen volledig 3D-model gemaakt worden van de ruimte. Echter is er wel een goede dense pointcloud aanwezig. Deze vormt de basis van het model, dat uitgebreid kan worden met delen van het model die succesvol gecreëerd zijn. De dense pointcloud kan geëxporteerd worden, maar belangrijk hierbij is dat de chunks in hetzelfde lokale stelsel staan. Hiertoe dienen de modellen eerst volledig gemodelleerd te worden vooraleer de chunks samengevoegd worden in de dense pointcloud. Dit is belangrijk om de puntenwolk en de 3Dmodellen vloeiend in elkaar te laten overgaan.
Zoals hierboven reeds aangegeven kunnen objecten beter gemodelleerd worden als ze apart gereconstrueerd worden. Indien er in elke chunk voldoende gemeenschappelijke markers aanwezig zijn, zullen ze in hetzelfde referentiestelsel staan, maar indien dit niet het geval is, dienen ze in hetzelfde stelsel geplaatst te worden. Dit kan door het Align Chunks-commando te gebruiken. Wanneer de verschillende modellen gemeenschappelijke foto’s hebben, kan voor de camera-based alignment gekozen worden. In andere gevallen kan gekeken worden of er minstens drie gemeenschappelijke markers zijn, dan kan voor marker-based gekozen worden. De laatste methode waar men voor kan kiezen is point-based alignment, echter kost
39
deze meer tijd dan de andere methodes doordat er gemeenschappelijke punten in de te aligneren modellen moeten gezocht worden. Meestal volstaat het de camera-based alignment te gebruiken. Nadat de chunks gealigneerd zijn, kunnen ze samengevoegd worden met het Merge Chunks-commando. Hierbij dient men Combine Markers aan te vinken. Combine Models hoeft niet aangeduid te worden aangezien het gecombineerde model niet zal gebruikt worden, maar de aparte modellen afzonderlijk worden toegevoegd aan de dense pointcloud met een andere software. Indien er nog gaten in de puntenwolk zitten kunnen deze indien mogelijk gevuld worden door de dense pointcloud te gebruiken van alle foto’s samen. Hierbij dient men wel de slechtere delen te verwijderen vooraleer men deze zal mergen met de andere chunks. De dense pointcloud die dan verkregen wordt dient zo correct mogelijk de werkelijkheid te benaderen. De puntenwolk dient tevens opgekuist te worden vooraleer deze geëxporteerd wordt (Figuur 19). Bij dit opkuisen moet men echter voorzichtig te werk gaan. Het model dient zoveel mogelijk in zijn ruwe vorm te blijven om manipulatie van de data te vermijden.
Figuur 19: Boven: onverwerkte puntenwolk, onder: opgekuiste puntenwolk
40
Dit houdt het verwijderen in van ruis, verkeerd geplaatste punten en in het geval van de gesloten ruimte ook het plafond, zodat een goed overzicht van de ruimte verkregen kan worden. De puntenwolk kan geëxporteerd worden als een LAS-bestand en de modellen als OBJ-bestand, zodat een goede textuur behouden blijft, wat niet het geval is bij het PLYformaat. Daarbij dient gekeken te worden op welke plaatsen de modellen beter en duidelijker zijn dan de puntenwolk. Dit zijn de delen die kunnen toegevoegd worden aan de puntenwolk om zo een betere representatie van de ruimte te geven via een hybride model.
De puntenwolk kan ingeladen worden in CloudCompare. Dit is een opensource softwarepakket dat toelaat 3D-puntenwolken te verwerken. In situaties waar Photoscan te kort schiet voor het opkuisen van de puntenwolk biedt CloudCompare de mogelijkheid om de puntenwolk nog verder op te kuisen op plaatsen die voor Photoscan niet mogelijk zijn (Figuur 20). Hierbij kan gebruik gemaakt worden van de segment-tool. Deze laat toe om delen uit de puntenwolk af te zonderen zodat deze delen apart verwerkt kunnen worden. Hierdoor kunnen ook foutieve punten middenin het model verwijderd worden zonder dat daarbij ook correcte punten mee geselecteerd worden. Uiteindelijk dienen de correcte segmenten terug samengevoegd te worden tot één puntenwolk (Figuur 21).
Figuur 20: Onverwerkte puntenwolk in CloudCompare
41
Figuur 21: Opgekuiste puntenwolk in CloudCompare met de segment-tool Deze software laat tevens toe een subsample te nemen indien de puntenwolk te groot is. Hierbij zijn verschillende methodes te gebruiken. Een eerste manier is een random sampling uit te voeren. Deze manier is goed indien de punten egaal verspreid zijn. In het geval van de gebruikte puntenwolk is het niet zo aangezien in de delen waar de chunks overlappen, meer punten aanwezig zijn dan elders. Een andere manier is om de punten te filteren op basis van de afstand tot elkaar. Dit is een betere methode omdat in de overlappende delen de punten dichter bij elkaar zullen liggen. Een laatste mogelijkheid is gebruik te maken van een octreesubsampling, dit is een snelle sampling waarbij één punt wordt overgehouden per cel van de octree volgens de gekozen subdivisie, waarbij het punt dichtst bij het centrum van de cel wordt gekozen (http://www.danielgm.net/cc, 21 mei 2014 ). Zowel voor de laserscanning als de fotomodelleringspuntenwolk is de subsampling op basis van afstand een goede keuze. Bij het instellen van een afstand van 5mm blijven de modellen visueel even goed, maar kan de bestandsgrootte aanzienlijk gereduceerd worden.
42
4.2. Verwerking outdoor
4.2.1. Laserscanning
Voor de verwerking van de scans dienen deze terug uitgelezen te worden op een computer om dan in Cyclone ingeladen te worden. De werkwijze is hierbij gelijk aan die van de indoormodellen. Vooraleer de registratie kan gebeuren dienen alle targets aangeduid en gelabeld te worden. Deze stap leverde echter problemen op. Door een fout in de laserscanner bevatten de scans veel ruis, een mogelijke verklaring hiervoor is de felle zon die op dat moment aanwezig was (Figuur 22). Dit zorgde ervoor dat de software voor sommige targets geen middelpunt kon berekenen. In deze gevallen moet het midden van die targets manueel aangeduid worden, wat een beperking van nauwkeurigheid oplevert aangezien men dan gebonden is aan de positie van de aanwezige punten in de puntenwolk. De uiteindelijke invloed van de slechte scans is moeilijk in te schatten. Dit is immers niet de enige foutenfactor die meespeelt. Er wordt bij het derde model gewerkt in een absoluut stelsel, waardoor ook rekening gehouden moet worden met de fout van het totaalstation. Tijdens de metingen werden de targets hermeten ter controle, maar hierbij bleken er geen grote afwijkingen op te treden. De laserscanner zal grotere fouten maken naarmate de afstanden groter worden, maar het verschil in afstanden kan de afwijkingen niet volledig verklaren. Een andere factor die ook een rol heeft gespeeld bij de registratie is de opstelling van de targets. Bij de laatste twee modellen werden bepaalde targets in het gras geplaatst waar ze niet stevig stonden. Bij de indoormodellen kon gebruik gemaakt worden van de magnetische bodem van de targets om deze stevig op hun plaats te houden. Al deze fouten samen zorgen ervoor dat de registratie bij de outdoormodellen minder nauwkeurig zijn dan bij de indoormodellen. Tot slot zal de software bij het berekenen van het midden van de targets ook een fout maken van ongeveer 12mm.
43
Figuur 22: Ruis op de scans bij model 3
Het absolute gemiddelde van de registratie kwam op 0.002m, wat een goede waarde is voor een absolute oriëntatie en vergelijkbaar met de vorige registraties. De grootste afwijkingen bleken echter 0.006m te zijn.
Het vierde model kan op dezelfde manier verwerkt worden. Ook hier is het absolute gemiddelde van de registratie 0.002m. De grootste afwijkingen bij dit model zijn 0.005m. Het verschil met het derde model kan verklaard worden doordat er bij het derde model met absolute coördinaten wordt gewerkt afkomstig van het totaalstation. Het is ook minder nauwkeurig dan de indoormodellen om de bovengenoemde redenen. Om na te gaan of er uitschieters in de data zitten wordt gebruik gemaakt van boxplots.
Boxplot model 3 en 4
0,007
MIN Q1 Mediaan Q3 MAX
0,006 0,005 0,004 0,003
Boxplot Model 3 Model 4 (m) (m) 0,000 0,000 0,001 0,001 0,002 0,002 0,003 0,003 0,006 0,005
0,002 0,001 0 -0,001
Model 3
Model 4
Figuur 23: Boxplot en bijhorende tabel van de fouten op de registratie van model 3 en 4
44
Uit de boxplots blijkt dat de interkwartielafstand (IQR = Q3-Q1) = 0.002m. Uitschieters kunnen bepaald worden door na te gaan of er waarden groter zijn dan Q3 + 1.5x IQR of kleiner zijn dan Q1 - 1.5x IQR. Aangezien dit 6mm en -2mm uitkomt, blijken er geen uitschieters te zijn volgens deze methode. De grootste afwijkingen staan voor beide modellen ook niet op zich, wat dit resultaat bevestigt. De registratie wordt dus verder gezet zonder constraints uit te schakelen. De resulterende puntenwolk dient dan opgekuist te worden zodat die geëxporteerd kan worden als een PTS-bestand.
Om de absolute nauwkeurigheid te vergelijken tussen laserscanning en fotomodellering, worden de coördinaten van de referentiepunten bepaald in de puntenwolk van model 3. Doordat de puntenwolk geen kleuren, maar intensiteiten bevat, wordt de herkenning van de punten en dus ook het aanduiden ervan bemoeilijkt. De coördinaten die hierbij bepaald worden, kunnen dan vergeleken worden met de coördinaten van deze referentiepunten zoals ze in het Photoscanmodel te vinden zijn. De analyse van deze coördinaten wordt in 5.2. besproken. 4.2.2. Fotomodellering
Voor de fotomodellering van het outdoormodel wordt opnieuw gewerkt in verschillende stappen van gemakkelijk naar moeilijk. Daarna kunnen deze resultaten vergeleken worden om te kijken welke methode het beste resultaat levert. De eerste methode die gebruikt wordt is wederom alle foto’s in Photoscan laden en de vier stappen in het proces laten lopen. Vooraleer deze stappen uit te voeren, dienen de foutieve of slechte foto’s verwijderd te worden. In tegenstelling tot de eerste twee modellen, treden er nu geen problemen op bij het interpoleren en de texturing erna. Dit kan te wijten zijn aan het feit dat er minder moeilijk te reconstrueren objecten in de misdaadscène aanwezig zijn. Op enkele bomen na bevat deze enkel gras en objecten van belang voor de scène. Door de vele takken en bomen is er veel ruis in de lucht boven het model en dit bemoeilijkt het aanbrengen van de textuur. Het is daarom van belang om eerst zoveel mogelijk ruis te verwijderen voor het uitvoeren van de laatste stap. In de onderstaande figuur wordt het model weergegeven wanneer alle foto’s gebruikt zijn.
45
Figuur 24: Model 3 in Photoscan met alle foto’s De bomen en het lichaam staan er goed op, maar van dichtbij is te zien dat belangrijke details niet goed gemodelleerd zijn. Zo zijn de portefeuille en andere kleine objecten moeilijk te onderscheiden van het gras.
Figuur 25: Slechte modellering van de portefeuille
46
De figuur laat zien dat de textuur van de portefeuille niet correct is. Een mogelijke verklaring is het lange gras dat aanwezig is en op de portefeuille wordt geprojecteerd. De textuur van het model is ook redelijk grof ondanks dat er bij de Build Texture-stap een zeer fijne textuurgrootte wordt gebruikt. Tabel 3: Parameters voor het derde model met alle foto’s Align Photos Accuracy
High
Build Dense Cloud Quality
Medium
Build Mesh Surface type
Generic Depth Moderate Source data Pair preselection filtering Point limit
40000
Polygon count
Build Texture
Arbitrary Mapping mode Dense Blending cloud Mode
Generic
High
8192 x 4
Interpolation Enabled
Texture size/count
Mosaic
Disabled Color correction
Een mogelijke oplossing is opnieuw met chunks te werken. Deze chunks laten dan toe om verschillende objecten apart te modelleren. Zo kunnen het lichaam en de objecten zoals de portefeuille apart gemodelleerd worden zoals voor die specifieke objecten best past. Het modelleren van de chunks geeft ditmaal echter niet het gehoopte resultaat. Van de kleinere objecten werden te weinig (4-7) bruikbare foto’s genomen, waardoor de sparse pointcloud die uit de photo alignment volgt niet genoeg punten bevat om een dense pointcloud te kunnen creëren. Indien er meer foto’s van deze objecten genomen werden, is het misschien mogelijk om ze wel beter te modelleren. In dit geval zullen de kleinere objecten gemodelleerd worden op basis van alle foto’s. Van het lichaam zijn wel voldoende foto’s genomen om deze in een aparte chunk te modelleren. De modellering hiervan blijkt echter van mindere kwaliteit dan bij het globale model. Ondanks dat er enkel “goede” foto’s gebruikt worden voor deze chunk wordt de textuur niet goed aangebracht (Bijlage 1). Dit betekent dat het model op basis van alle foto’s het beste resultaat levert. Het is hier tevens ook mogelijk om een volledig 3D-model te maken in plaats van een hybride model zoals bij de eerste twee modellen. Het politielint dat werd aangebracht om de plaats delict af te bakenen, kan niet gemodelleerd worden. Er worden weinig of geen feature points op dit lint ontdekt en dit zorgt er uiteindelijk voor dat de textuur van het lint op de grond wordt aangebracht (Bijlage 1).
47
Het nachtmodel (model 4) werd op dezelfde locatie als het dagmodel opgemeten. Er werden ook dezelfde objecten gebruikt, die op een vergelijkbare manier rond het lichaam geplaatst werden. Dit werd gedaan zodat er buiten de belichting (dag-nacht) vrijwel geen verschillen zijn tussen model 3 en 4. Echter doordat het om donkere beelden gaat, wordt verwacht dat het model van mindere kwaliteit zal zijn. Bij model 4 wordt op dezelfde manier te werk gegaan als bij model 3. Eerst wordt een model gemaakt met alle foto’s, nadat de slechte foto’s verwijderd zijn. Hierbij wordt voor het maken van de dense pointcloud voor een aggressive depth filtering gekozen. Dit komt omdat de donkere beelden voor veel ruis zorgen. Naarmate het licht van de werklampen afneemt, neemt de ruis toe (Figuur 26). Dit heeft tot gevolg dat enkel de voldoende verlichte delen van de misdaadscène goed gemodelleerd worden.
Figuur 26: Toename ruis en slechtere modellering naarmate de belichting vermindert
Wanneer gekeken wordt naar de goed verlichte delen is te zien dat het model een goede en zelfs betere kwaliteit heeft dan model 3. Zowel het lichaam als de kleine objecten errond zijn goed gemodelleerd en duidelijk te onderscheiden van het gras (Bijlage 2). De verklaring hiervoor kan gezocht worden in het feit dat ter plaatse het gras veel korter was dan bij het
48
dagmodel. Dit zorgt ervoor dat de objecten duidelijker op de foto’s staan en daarom ook beter gemodelleerd werden. Wat ook kan meespelen is het feit dat de zon bij het nachtmodel geen invloed had op de foto’s, waardoor de foto’s bijna allemaal dezelfde belichting hebben. Het politielint kan dit maal wel gemodelleerd worden (Bijlage 2). Er is echter veel ruis rondom het lint dat eerst verwijderd dient te worden vooraleer het model geëxporteerd kan worden (Figuur 27). De onderstaande tabel geeft de gebruikte parameters bij het maken van het model. Tabel 4: Parameters voor het vierde model met alle foto’s Align Photos Accuracy
High
Build Dense Cloud Quality
Medium
Build Mesh Surface type
Disabled Depth Aggressive Source data Pair preselection filtering Point limit
40000
Polygon count
Build Texture
Arbitrary Mapping mode Dense Blending cloud Mode
Generic
High
8192 x 4
Interpolation Enabled
Texture size/count
Mosaic
Disabled Color correction
Er wordt opnieuw geprobeerd om de kleine objecten en het lichaam in aparte chunks te verwerken om een verbetering van het model mogelijk te maken. Ditmaal zijn er wel voldoende foto’s genomen (10-16) per object om tot een goed model te komen. Het verschil met het globale model is echter minimaal waardoor het nut van de chunks verloren gaat. Het samenvoegen van de chunks kan immers problemen geven bij de aansluiting van de delen aan elkaar. Ook bij het nachtmodel levert het model op basis van alle foto’s dus het beste resultaat. Hierbij is het wel zo dat niet het hele gebied goed gemodelleerd is. Zoals reeds vermeld, worden enkel de goed verlichte delen correct gemodelleerd. Aangezien dit het geval is voor het lichaam en de relevante objecten, vormt dit geen probleem.
49
Figuur 27: Model 4 in Photoscan met alle foto’s
50
5. RESULTATEN In dit onderdeel worden de uitgevoerde analyses en daaruit volgende resultaten besproken. Voor de eerste twee modellen werd een relatieve nauwkeurigheidsanalyse uitgevoerd. Tevens werden deze twee modellen met elkaar vergeleken om het effect van verschillende camera’s te bestuderen.
Bij het registreren van het derde model werd gebruik gemaakt van een totaalstation om de absolute nauwkeurigheid van beide technieken te kunnen vergelijken.
Bij het laatste model was het niet mogelijk om de nauwkeurigheid relatief of absoluut te testen. Doordat het enerzijds een outdoormodel en anderzijds een nachtmodel is, zijn er geen geschikte objecten om relatieve afstanden op te kunnen bepalen en kunnen er niet voldoende referentiepunten aangeduid worden in de verlichte zone van de plaats delict.
5.1. Relatieve nauwkeurigheidsanalyse
5.1.1. Model 1
Figuur 28: Bepalen van de relatieve afstand met PointPicking functie voor laserscanning
51
Voor het bepalen van de relatieve nauwkeurigheid van laserscanning werd gebruik gemaakt van het programma CloudCompare. De reden waarom deze software verkozen werd boven Leica Cyclone waarin de puntenwolk reeds verwerkt was, is de gebruiksvriendelijkheid. Hoewel Cyclone een sterker programma is op vlak van berekeningen, is het een moeilijke software om onder de knie te krijgen. CloudCompare kan minder zware taken aan, maar is daarentegen erg gebruiksvriendelijk. Met het oog op de toepassing van 3D-modellering door de politie is voor deze laatste gekozen. Met de PointPicking functie is het mogelijk om de afstand tussen twee punten te bepalen (Figuur 28). Deze functie werd gebruikt om de relatieve afstanden te berekenen. Elke afstand werd vijf keer gemeten om eventuele toevallige fouten te verminderen. Het gemiddelde van de vijf metingen werd als definitieve waarde genomen. In Agisoft Photoscan is het mogelijk om, op de in het model gebruikte foto’s, markers aan te duiden. Wanneer deze op minstens twee foto’s aangeduid worden, krijgen de markers 3Dcoördinaten in de puntenwolk. Dit laat toe om de afstand tussen verschillende markers te berekenen en zo de relatieve nauwkeurigheid van het model te bepalen (Figuur 29).
Figuur 29: Bepalen van de relatieve afstand met markers voor fotomodellering
52
Deze waarden worden vergeleken met de waarden gemeten op terrein. Dit gebeurde aan de hand van een rolmeter. Aangezien het hier korte afstanden betreft, leverde die een voldoende nauwkeurigheid (mm) voor deze toepassing. De metingen worden als referentiewaarden genomen waarmee zowel de laserscanning- als fotomodelleringwaarden vergeleken worden. In onderstaande tabel worden de relatieve afstanden en fouten weergegeven. De afstanden werden gekozen op basis van duidelijk en ondubbelzinnig te meten objecten.
Tabel 5: Relatieve afstanden en fouten voor laserscanning en fotomodellering Laserscanning Fotomodellering Realiteit (m)
(m)
(m)
Verschil
Verschil
laserscanning
fotomodellering
(m)
(m)
1
1,402
1,382
1,400
0,002
-0,018
2
0,295
0,297
0,300
-0,005
-0,003
3
0,544
0,542
0,545
-0,001
-0,003
4
0,542
0,542
0,544
-0,002
-0,002
5
1,092
1,088
1,095
-0,003
-0,007
6
0,293
0,292
0,300
-0,007
-0,008
7
0,798
0,790
0,800
-0,002
-0,010
8
0,798
0,798
0,800
-0,002
-0,002
9
0,793
0,801
0,800
-0,007
0,001
10
1,398
1,398
1,400
-0,002
-0,002
11
1,400
1,404
1,400
0,000
0,004
12
1,402
1,394
1,400
0,002
-0,006
13
1,233
1,228
1,233
0,000
-0,005
14
0,421
0,427
0,432
-0,011
-0,005
Er kan gebruik gemaakt worden van een t-test om te bepalen of de afwijkingen die men terugvindt bij laserscanning en fotomodellering significant verschillen. Hierbij stelt zich de vraag of de varianties bij beide technieken gelijk zijn of niet. Het is daarom nodig om eerst een F-test uit te voeren. Deze F-test laat toe te bepalen of twee normaal verdeelde populaties een gelijke variantie hebben.
53
De nulhypothese en alternatieve hypothese zijn in dit geval:
H0: De varianties zijn gelijk (Sx = Sy) Ha: Er is een significant verschil tussen de varianties (Sx ≠ Sy)
De F-waarde kan berekend worden door onderstaande formules toe te passen:
Zowel teller als noemer hebben 13 (= 14-1) vrijheidsgraden. Als significantieniveau wordt α = 0.05 gekozen. Dit wil zeggen dat F < 2,58 (http://www.danielsoper.com, 21 mei 2014) zodat de nulhypothese waar zou zijn. Na berekening worden de volgende resultaten bekomen: 𝑋̅ = -2,66mm
en
𝑆²𝑥 = 1,3*10^-2mm en
𝑌̅ = -4,65mm 𝑆²𝑦 = 2,7*10^-2mm
F = 2,05 < 2,58
Dit betekent dat de nulhypothese aanvaard wordt en dat de varianties van beide datasets gelijk zijn. Dit wil zeggen dat de toevallige fouten in beide datasets dezelfde groottes hebben. Nu dit geweten is, kan de correcte t-test uitgevoerd worden. De t-test wordt gebruikt om te bepalen of twee datasets significant van elkaar verschillen, in die zin dat er systematische fouten aanwezig zijn. Deze techniek is vooral goed wanneer de datasets een normale verdeling volgen. In dit geval kan men daar van uitgaan. Men moet echter onderscheid maken tussen een eenzijdige of tweezijdige t-test. Hier wordt gebruik gemaakt van een tweezijdige test aangezien er geen aanwijzingen zijn van de waarschijnlijkheid dat het gemiddelde van een van de datasets groter of kleiner zal zijn dan de andere.
54
De nulhypothese en alternatieve hypothese zijn: H0: De datasets behoren tot dezelfde populatie (𝑋̅ = ̅𝑌) Ha: Er is een significant verschil tussen de datasets (𝑋̅ ≠ 𝑌̅)
De t-test die gebruikt zal worden is deze waarbij aan twee voorwaarden moet voldaan worden: -
Even grote datasets
-
Men kan ervan uitgaan dat beide distributies dezelfde variantie hebben
Aangezien beide voorwaarden voldaan zijn kunnen volgende formules toegepast worden:
Het aantal vrijheidsgraden is gelijk aan 26 (2n-2). Als significantieniveau wordt opnieuw α = 0.05 gekozen. Dit wil zeggen dat de kritische waarde t = (-)2,06 zodat de nulhypothese waar zou zijn. Na berekening worden de volgende resultaten bekomen: 𝑠𝑋1−𝑋2 = 4,5mm t = 1.16 < 2.06
Dit wil zeggen dat de nulhypothese aanvaard kan worden op basis van deze datasets. Uit de uitgevoerde test blijkt dat er geen significant verschil is qua systematische fouten tussen beide technieken wat betreft het bepalen van relatieve afstanden. Uit de uitgevoerde testen kan afgeleid worden dat zowel de systematische als toevallige fouten voor beide technieken niet significant van elkaar verschillen. Om de nauwkeurigheid van beide technieken te testen kan gebruik gemaakt worden van een t-test op één dataset. Deze kan vergeleken worden met de referentiemetingen om te kijken of er een significant verschil is tussen de door de technieken
55
berekende afstanden en de werkelijke afstanden. Hiervoor kan de volgende formule toegepast worden:
Waarbij 𝑋̅ het gemiddelde van de afwijkingen voorstelt, S de standaardafwijking en μ0 = 0. De tests worden uitgevoerd op een significantie van α= 0.05. De kritische t-waarde is in dat geval (-)2.16 voor 13 vrijheidsgraden. De resultaten van beide t-testen worden in de volgende tabel weergegeven.
Tabel 6: Resultaten van de t-test Laserscanning Fotomodellering
Gemiddelde Standaardafwijking t
(m)
(m)
-0,003
-0,005
0,004
0,005
-2,769
-3,357
In deze tabel is te zien dat er zowel voor laserscanning (-3mm) als voor fotomodellering (5mm) een significant verschil is met de referentiemetingen.
Om een beter inzicht te krijgen in het verschil in nauwkeurigheid tussen fotomodellering en laserscanning wordt gebruik gemaakt van de RANSAC-functie (RANdom SAmple Consensus) in CloudCompare. Deze functie laat toe om een best-fit plane te bepalen van een puntenwolk. Voor zowel de laserscanningpuntenwolk als de fotomodelleringpuntenwolk wordt een segment genomen van een vlak object, in dit geval een deel van de tafel die in de ruimte aanwezig was. Op basis van deze segmenten kan voor beide puntenwolken een apart vlak berekend worden. Na het berekenen van de twee vlakken, kunnen een aantal analyses uitgevoerd worden.
Ten eerste kunnen de vlakken met elkaar vergeleken worden door de onderlinge afstand te berekenen. Bijlage 3 toont de resultaten van deze berekening. De gemiddelde afstand tussen de vlakken bedraagt 0.014m. Deze fout is aanvaardbaar als er gekeken wordt naar de fouten op de oriëntatie van het model in Agisoft Photoscan (Tabel 7). Om laserscanning en fotomodellering met elkaar te kunnen vergelijken werden ze in hetzelfde lokale stelsel
56
geplaatst, namelijk dit van de laserscanningregistratie. De targets die de target-to-target registratie mogelijk maakten, werden ook gebruikt om de fotomodelleringspuntenwolk te refereren. Bij dit refereren treden er echter afwijkingen op ten opzichte van de opgegeven grondcontrolepunten. Deze afwijkingen zijn weergegeven in de onderstaande tabel. De grootste fout die hierbij optreedt in een bepaalde richting is 0.01m. Aangezien dit een fout is in slechts één van de drie onafhankelijke richtingen, zijn verschillen tussen de twee vlakken van meer dan 0.01m mogelijk. Tevens geeft de gradiënt in de figuur aan dat de vlakken niet evenwijdig met elkaar liggen.
Tabel 7: Fouten op de oriëntatie in Agisoft Photoscan Target 1
X error (m) 0,006
Y error (m) 0,003
Z error (m) -0,005
2
0,007
0,003
0,005
3
0,004
0,003
0,003
4
0,001
-0,001
0,000
5
0,001
-0,010
-0,006
6
0,006
0,005
-0,004
7
0,007
0,004
-0,006
8
0,010
-0,008
0,006
Een tweede analyse die uitgevoerd kan worden is het berekenen van de loodrechte afstand van alle punten tot de vlakken. In principe zouden de berekende afstanden een normale verdeling moeten volgen, waarbij het gemiddelde rond nul ligt. Voor fotomodellering is dit echter niet het geval. De verdeling toont hierbij twee pieken, wat erop wijst dat het vlak schuin gefit werd op de puntenwolk. Bij de laserscanningpuntenwolk is de distributie wel normaal verdeeld, maar deze is echter zeer smal, wat wijst op enkele relatief grote uitschieters (Figuur 30). Om manipulatie van het model te vermijden worden deze uitschieters niet verwijderd.
57
Figuur 30: Afwijkingen van de puntenwolk tegenover de best-fit plane voor fotomodellering (links) en laserscanning (rechts) Bij beide modellen is het gemiddelde van de berekende afstanden ongeveer gelijk aan nul. De standaarddeviatie is bij fotomodellering echter veel groter dan bij laserscanning. Samen met de betere normale verdeling van de laserscanning, zou dit een indicatie kunnen zijn dat laserscanning een nauwkeuriger resultaat geeft dan fotomodellering.
5.1.2. Model 2
Bij het tweede model werd op dezelfde manier te werk gegaan om de relatieve nauwkeurigheid te bepalen. Aangezien het dezelfde ruimte betreft werden ook dezelfde relatieve afstanden gebruikt als in het eerste model. Na het eerste model is gebleken dat de beste manier om de misdaadscènes voor te stellen met fotomodellering een hybride model is met als basis een puntenwolk aangevuld met objecten in een volledig 3D-model. Deze puntenwolk kan net als bij die van laserscanning in CloudCompare geladen worden, wat toelaat om op dezelfde manier de relatieve afstanden te bepalen (Figuur 31). Op deze manier kunnen zowel voor laserscanning als fotomodellering de relatieve afstanden op dezelfde manier bepaald worden, wat voor een betere vergelijking zorgt.
58
Figuur 31: Bepalen van de relatieve afstand met PointPicking functie voor de Photoscanpuntenwolk Het verschil tussen de geschatte waarden via de puntenwolken en de werkelijke waarden kunnen vervolgens berekend worden. In de onderstaande tabel worden de bekomen relatieve afstanden en fouten weergegeven.
59
Tabel 8: Relatieve afstanden en fouten voor laserscanning (CloudCompare) en fotomodellering (Photoscan en CloudCompare) Laser-
Foto-
Foto- Realiteit
scanning modellering modellering CC (m)
PS (m)
CC (m)
Verschil
Verschil
Verschil
laser-
foto-
foto-
scanning modellering modellering CC (m)
PS (m)
CC (m)
1
1,402
1,400
1,381
1,400
0,002
0,000
-0,019
2
0,296
0,295
0,289
0,300
-0,004
-0,005
-0,011
3
0,547
0,550
0,551
0,545
0,002
0,005
0,006
4
0,547
0,549
0,551
0,544
0,003
0,005
0,007
5
1,098
1,103
1,103
1,095
0,003
0,008
0,008
6
0,299
0,291
0,292
0,300
-0,001
-0,009
-0,008
7
0,795
0,787
0,783
0,800
-0,005
-0,013
-0,017
8
0,798
0,802
0,791
0,800
-0,002
0,002
-0,009
9
0,800
0,794
0,797
0,800
0,000
-0,006
-0,003
10
1,399
1,388
1,394
1,400
-0,001
-0,012
-0,006
11
1,398
1,405
1,399
1,400
-0,002
0,005
-0,001
12
1,403
1,400
1,396
1,400
0,003
0,000
-0,004
13
1,235
1,249
1,239
1,233
0,002
0,016
0,006
14
0,437
0,438
0,426
0,432
0,005
0,006
-0,006
Er kan opnieuw gekeken worden of er relatieve verschillen zijn tussen laserscanning en fotomodellering. Onderstaande grafiek geeft de (absolute) relatieve fouten van de drie technieken weer van klein naar groot. Hierin is te zien dat laserscanning er duidelijk beter uit komt. Beide technieken die fotomodellering gebruiken hebben grotere fouten, waarbij de fouten in dezelfde grootteorde liggen. CloudCompare lijkt hierbij minder nauwkeurig te zijn dan Photoscan. De vraag is echter of er een significant verschil is tussen de resultaten bekomen met fotomodellering enerzijds en laserscanning anderzijds.
60
Relatieve fouten bij technieken (m) 0,020
0,015
0,010
0,005
0,000 1
2
3
4
Laserscanning CC
5
6
7
8
Fotomodellering PS
9
10
11
12
13
14
Fotomodellering CC
Figuur 32: Relatieve fouten bij de gebruikte technieken
Om deze significante verschillen op te sporen kan opnieuw de t-test gebruikt worden. In de bovenstaande grafiek is te zien dat laserscanning er als nauwkeuriger uitkomt, maar dit is afgeleid uit de verworven data en kan dus niet als aanwijzing dienen om een eenzijdige test te verantwoorden. In dit geval zal dus een tweezijdige t-test gebruikt worden. Om te bepalen welke t-test gebruikt moet worden, dient men eerst na te gaan of de varianties van de verschillende datasets gelijk zijn. Hiervoor wordt, net zoals bij de nauwkeurigheidsanalyse van het eerste model, de F-test gebruikt.
Voor dit model zullen beide technieken die gebruik maken van fotomodellering vergeleken worden met de techniek die laserscanning gebruikt. Aangezien het om de dezelfde testen gaat worden ze slechts één maal uitgeschreven. De nulhypothese en alternatieve hypothese voor de F-test zijn in dit geval:
H0: De varianties zijn gelijk (Sx = Sy) Ha: Er is een significant verschil tussen de varianties (Sx ≠ Sy)
De F-waarde kan berekend worden door onderstaande formules toe te passen:
61
Zowel teller als noemer hebben 13 (= 14-1) vrijheidsgraden. Als significantieniveau wordt α = 0.05 gekozen. Dit wil zeggen dat F < 2.58 zodat de nulhypothese waar zou zijn. De resultaten worden in onderstaande tabel weergegeven.
Tabel 9: Resultaten van de F-test tussen laserscanning en fotomodellering in CloudCompare en Photoscan foto PS -
foto CC
TLS
- TLS
̅ 𝑿
0,068mm
-4mm
̅ 𝒀
0,402mm 0,402mm
𝑺²𝒙
6,79mm²
7,38mm²
𝑺²𝒚
8,28mm²
8,28mm²
8,20
8,92
F
In beide gevallen is te zien dat de F-waarde > 2.58. Dit wil zeggen dat de nulhypothese verworpen en de alternatieve hypothese aanvaard wordt. Men kan aannemen dat er een significant
verschil
is
tussen
de
variantie
van
de
laserscanningdataset
en
de
fotomodelleringdatasets. Men kan hieruit concluderen dat de toevallige fouten bij fotomodellering significant groter zijn dan bij laserscanning. Dit wil zeggen dat er een andere t-test gebruikt moet worden dan bij het eerste model. De t-test zal bepalen of er een significant verschil is tussen de datasets. De nulhypothese en alternatieve hypothese zijn in dit geval: H0: De datasets behoren tot dezelfde populatie (𝑋̅ = 𝑌̅) Ha: Er is een significant verschil tussen de datasets (𝑋̅ ≠ 𝑌̅)
62
Indien de varianties niet als gelijk beschouwd kunnen worden dienen de volgende formules gebruikt te worden:
Het aantal vrijheidsgraden wordt berekend met
De resultaten zijn terug te vinden in de onderstaande tabel.
Tabel 10: Resultaten van de t-test tussen laserscanning en fotomodellering in CloudCompare en Photoscan
̅𝟏 𝑿 ̅𝟐 𝑿 𝒔𝑿̅𝟏 𝒔𝑿̅𝟐 t d.f. Kritische waarde
foto PS TLS 0,402mm 0,068mm 8,280mm² 67,913mm² 0,14 16
foto CC TLS 0,402mm -4,000mm 8,280mm² 73,823mm² 1,85 16
2,1
2,1
In beide gevallen wordt de nulhypothese aanvaard. Dit wil zeggen dat er geen significante systematische afwijking gevonden wordt tussen laserscanning en fotomodellering. Wel is het zo dat de berekende t-waarde voor fotomodellering via CC dicht bij de kritische waarde ligt. Er is dus een verschil te vinden, maar het komt niet sterk genoeg tot uiting in deze datasets. Om te kijken of er een significant verschil optreedt met de werkelijke data kunnen net zoals voor model 1 opnieuw t-tests uitgevoerd worden. De resultaten zijn te vinden in tabel 11..
63
Tabel 11: Resultaten t-test Laserscanning Fotomodellering Fotomodellering (m)
PS (m)
CC (m)
Gemiddelde
0,000
0,000
-0,004
Standaardafwijking
0,003
0,008
0,009
t
0,522
0,031
-1,774
De tests worden uitgevoerd op een significantie van α= 0.05. De kritische t-waarde is in dat geval (-)2.16 voor 13 vrijheidsgraden. Bij het tweede model is er in tegenstelling tot het eerste model geen significant verschil te ontdekken tussen de berekende waarden en de werkelijke waarden op basis van de t-tests. Op het eerste zicht lijken deze resultaten strijdig te zijn met die van het eerste model. Het gaat hier echter om kleine datasets, waardoor statistische testen al snel sterk uiteen kunnen liggen.
Door een best-fit plane op een segment van de puntenwolken te berekenen wordt getracht de verschillen in nauwkeurigheid duidelijker naar voor te brengen. Hiervoor wordt opnieuw de RANSAC-functie in CloudCompare gebruikt. De vergelijking van de twee vlakken wordt gevisualiseerd in Bijlage 3.
De gradiënt in de figuur geeft opnieuw aan dat beide vlakken niet evenwijdig liggen met elkaar. De gemiddelde afstand bedraagt in dit geval 0.003m. Dit gemiddelde is aanzienlijk kleiner dan het resultaat van model 1. Dit is dan ook verklaarbaar door de nauwkeurigheid van de oriëntatie in Photoscan. In de onderstaande tabel worden de afwijkingen van het model ten opzichte van de grondcontrolepunten weergegeven. Deze grondcontrolepunten zijn de targets met de coördinaten verkregen uit de laserscanningpuntenwolk. Deze afwijkingen zijn kleiner dan bij het eerste model, wat een verklaring geeft voor de kleinere gemiddelde afstand die aangetroffen wordt tussen de twee vlakken. Een mogelijke verklaring hiervoor is het verschil in pixelresolutie van de foto’s die voor beide modellen gebruikt werden. Het eerste model maakt gebruik van foto’s met 1600x1200 pixels genomen met een Panasonic DMCFZ38, voor het tweede model werd de Canon EOS 450D gebruikt die foto’s met 4272x2848 pixels nam.
64
Tabel 12: Fouten op de oriëntatie in Photoscan Target
X error
Y error
Z error
(m)
(m)
(m)
1
0,001
0,001
0,000
2
0,001
0,000
-0,001
3
0,003
0,002
-0,002
4
0,001
-0,001
-0,001
5
0,003
-0,003
0,000
6
0,004
0,002
0,003
7
0,000
0,000
0,000
8
0,002
-0,002
0,001
De tweede analyse vergelijkt de puntenwolken met de daaruit berekende vlakken. Dit zou een normale verdeling moeten volgen, maar bij fotomodellering is deze keer te zien dat de piek hoger en smaller is dan bij een normale verdeling. Dit wijst op een goede nauwkeurigheid van het model. Het resultaat bij laserscanning is een normale verdeling net zoals bij model 1. In beide gevallen zijn de verdelingen dit keer smal, waaruit kan afgeleid worden dat er enkele relatief grote uitschieters aanwezig zijn (Figuur 33).
Figuur 33: Afwijkingen van de puntenwolk tegenover de best-fit plane voor fotomodellering (links) en laserscanning (rechts)
Het gemiddelde van beide verdelingen ligt rond nul. De standaardafwijking van het tweede model is bij fotomodellering beter dan bij het eerste model, terwijl voor laserscanning het
65
omgekeerde geldt. Ten opzichte van elkaar verschillen beide modellen niet veel en kan er niet echt een uitspraak gedaan worden over welke techniek nauwkeuriger is. Er kan wel antwoord gegeven worden op de vraag die eerder gesteld werd of het verschil in pixelresolutie een effect ging hebben op de nauwkeurigheid van het model. Bij de vergelijking van fotomodellering tussen model 1 en 2 is te zien dat het tweede model met foto’s met een hogere pixelresolutie ook effectief een beter resultaat geeft.
5.2. Absolute nauwkeurigheidsanalyse
Om de absolute nauwkeurigheidsanalyse mogelijk te maken werden 28 referentiepunten ingemeten tijdens de dataverzameling. Deze punten werden ingemeten met het totaalstation.
Wat de laserscanning betreft is het mogelijk na de registratie van de scans de referentiepunten benaderend aan te duiden in de puntenwolk. Hierop zal echter steeds een kleine fout zitten. Dit komt omdat de laserscanner nooit exact de gevraagde punten zal opmeten. Door de hoge resolutie (point spacing van 6.3mm x 6.3mm op 10m afstand) van de scans zal het verschil met de referentiepunten echter verwaarloosbaar zijn. Bij het aanduiden van de punten kan gebruik gemaakt worden van de intensiteitsverschillen die de scans tonen (Figuur 34). Het is echter niet altijd even gemakkelijk om de referentiepunten te kunnen onderscheiden van andere punten. Er werd daarom geprobeerd punten op te meten met voldoende contrast zodat deze in Cyclone ondubbelzinnig aangeduid kunnen worden. Wanneer een referentiepunt aangeduid wordt in Cyclone is het mogelijk de coördinaten af te lezen. Deze punten kunnen dan als controlepunten gebruikt worden om de absolute nauwkeurigheid van laserscanning met fotomodellering te vergelijken.
Figuur 34: Controlepunt in Cyclone
66
Voor de fotomodellering dienen eerst enkele grondcontrolepunten aangeduid te worden om het model te georefereren in het lokale stelsel van het totaalstation. Hierbij is het van belang dat deze punten voldoende verspreid liggen in de richtingen X, Y en Z. Deze punten worden gekozen nadat alle referentiepunten in het model aangebracht zijn. Naast het kiezen van verspreide punten, dienen deze zo nauwkeurig mogelijk te zijn. Deze punten zullen immers de nauwkeurigheid van de georeferentie bepalen.
Tabel 13: Fouten op de grondcontrolepunten in Photoscan Punten
X (m)
Y (m)
Z (m)
2
0,003
-0,001
0,006
6
-0,001
-0,007
-0,005
12
0,003
0,003
0,004
19
0,007
0,000
-0,008
23
-0,011
0,008
0,001
27
-0,003
0,000
0,004
28
0,000
-0,004
-0,002
De grootste afwijking die voorkomt is deze bij punt 23 en bedraagt 0.011m. Deze waarde is aanvaardbaar, aangezien hier zowel de nauwkeurigheid van Photoscan als van het totaalstation meespeelt. Er werden in totaal 7 punten aangeduid op de drie bomen rondom het lichaam. Deze punten werden zodanig gekozen dat er zeker geen extrapolatie diende te gebeuren voor belangrijke details (lichaam, portefeuille, etc.) in het model aangezien dit de fouten kan vergroten. Deze punten kunnen in Photoscan als grondcontrolepunten gebruikt worden door hun exacte coördinaten te importeren en aan te vinken in het ground control panel. De overige 21 punten kunnen dan gebruikt worden als controlepunten om de absolute nauwkeurigheid van de techniek te bepalen.
Figuur 35: Controlepunt in Photoscan
67
Om de absolute nauwkeurigheid van laserscanning te bepalen worden dezelfde 21 controlepunten gebruikt. De vergelijking zou immers niet meer representatief zijn wanneer men ook de grondcontrolepunten die in Photoscan gebruikt worden als controlepunten voor laserscanning gebruikt. Dit zijn immers de meest nauwkeurige punten voor het model zoals hierboven reeds besproken.
Tabel 14: Fouten ten opzichte van de totaalstationmetingen Controle-
Fouten TLS
punten
Fouten Fotomodellering
∆X (m)
∆Y (m)
∆Z (m)
∆X (m)
∆Y (m)
∆Z (m)
1
0,001
0,006
-0,002
0,007
0,005
-0,001
3
-0,005
0,006
0,002
-0,007
0,001
-0,007
4
-0,003
0,003
-0,006
0,004
-0,002
-0,008
5
-0,002
0,005
0,000
0,006
0,005
-0,003
7
-0,006
0,016
-0,006
0,005
0,018
-0,014
8
-0,001
-0,001
0,000
0,000
-0,003
-0,002
9
0,007
0,002
0,002
0,001
0,005
0,001
10
-0,003
0,013
-0,002
0,002
0,002
0,003
11
-0,001
0,003
-0,002
0,003
0,001
-0,003
13
0,010
-0,005
-0,002
-0,010
-0,004
0,005
14
0,006
-0,003
-0,002
0,003
0,020
-0,012
15
0,007
-0,002
0,006
-0,004
0,017
-0,012
16
0,006
0,003
-0,003
0,002
0,029
-0,012
17
-0,011
-0,003
0,003
-0,022
0,002
-0,005
18
-0,002
-0,012
-0,006
-0,002
0,016
-0,008
20
0,002
-0,001
-0,006
-0,010
0,006
0,003
21
-0,001
0,003
0,000
-0,012
0,006
-0,003
22
0,002
0,002
-0,008
-0,008
0,009
0,003
24
-0,001
0,006
-0,008
-0,010
0,009
-0,004
25
0,012
-0,016
0,024
-0,007
0,007
-0,005
26
-0,003
0,001
-0,006
-0,013
0,006
0,001
68
Aan de hand van een staafdiagram is het mogelijk de fouten te visualiseren (Figuur 36).
Verdeling fouten van laserscanning 12 10 8 6 4
∆X
2
∆Y
0
∆Z
Verdeling fouten van fotomodellering 9 8 7 6 5 4 3 2 1 0
∆X ∆Y
∆Z
Figuur 36: Fouten gevisualiseerd met een staafdiagram
Uit de tabel is af te leiden dat de grootste fout voor laserscanning 0.024m is en dit in de Zrichting. Daarnaast zijn er nog enkel punten met een fout tussen (-)0.010m en (-)0.020m. De meeste fouten zijn echter kleiner dan 0.010m voor laserscanning. Bij de fouten van fotomodellering zijn er meer fouten die groter (of kleiner) zijn dan (-)0.010m. Dit is ook direct te zien in de spreiding van het staafdiagram. De grotere fouten en bredere verdeling van de fouten geeft een indicatie dat fotomodellering een slechtere absolute nauwkeurigheid heeft dan laserscanning. Belangrijk is ook dat het erop lijkt dat er in de Y-richting bij fotomodellering een systematische fout aanwezig is, terwijl dit bij laserscanning niet op te merken is. Dit wijst erop dat de systematische fout niet afkomstig is van het totaalstation,
69
want dit zou betekenen dat het probleem zich ook bij laserscanning zou moeten voordoen. Het probleem ligt dus bij het model in Photoscan. Een mogelijke verklaring is een slechte spreiding in de Y-richting van de gekozen grondcontrolepunten, echter hierop werd speciaal gelet bij het kiezen van die punten.
Wanneer alle fouten groter of kleiner dan het gemiddelde +/- 2x standaardafwijking als uitschieters worden bepaald is het zo dat de afwijkingen groter dan 0.010m of kleiner dan 0.010m inderdaad als uitschieters gedetecteerd worden wat laserscanning betreft.
Tabel 15: Overzicht fouten laserscanning ∆X (m)
∆Y (m)
∆Z (m)
Gemiddelde
0,001
0,001
-0,001
Stdev
0,006
0,007
0,007
min
-0,011
-0,016
-0,008
max
0,012
0,016
0,024
Volgt men hetzelfde proces voor fotomodellering dan komen er slechts twee waarden als uitschieters uit, namelijk -0.022 en 0.029 terwijl er ook nog andere waarden zijn die meer dan 0.020m afwijken. Dit wijst dus op een grotere spreiding van de fouten bij fotomodellering.
Tabel 16: Overzicht fouten fotomodellering ∆X (m)
∆Y (m)
∆Z (m)
-0,003
0,007
-0,004
0,008
0,008
0,006
min
-0,022
-0,004
-0,014
max
0,007
0,029
0,005
Gemiddelde Stdev
Bij het vergelijken van de gemiddeldes van de fouten bij beide technieken kan opnieuw tot de conclusie gekomen worden dat laserscanning een nauwkeurigere techniek is. Er is te zien dat de gemiddelde fout bij laserscanning ongeveer 0.001m bedraagt in alle richtingen, terwijl dit bij fotomodellering niet het geval is. Daar blijkt de gemiddelde fout 0.003m in X, 0.007m in Y en 0.004m in Z te bedragen. De grote afwijking in Y is mogelijks het gevolg van een systematische fout zoals hierboven reeds aangehaald.
70
Men kan zich echter de vraag stellen of het aangetroffen verschil ook significant is. Dit zou immers betekenen dat laserscanning effectief een betere nauwkeurigheid heeft dan fotomodellering. Om dit te onderzoeken kan een t-test uitgevoerd worden om te bepalen of laserscanning of fotomodellering tot dezelfde populatie behoren als de referentiemetingen. Er kan dus voor elk van de richtingen een t-test uitgevoerd worden voor zowel laserscanning als fotomodellering. Dit laat toe te bepalen of er significante verschillen optreden ten opzichte van de referentiemetingen. Aangezien men niet kan zeggen of de gemiddelde fout groter of kleiner is dan nul, wordt er gekozen voor een tweezijdige t-test. De nulhypothese en alternatieve hypothese zijn in dat geval: H0: μ = μ0 Ha: De afwijkingen verschillen significant van nul.
Aangezien hier één steekproef wordt getest kan de volgende formule toegepast worden:
Waarbij 𝑋̅ het gemiddelde van de afwijkingen voorstelt, S de standaardafwijking en μ0 = 0. Dit levert de volgende resultaten:
Tabel 17: Resultaten t-test Laserscanning
t
Fotomodellering
X (m)
Y (m)
Z (m)
X (m)
Y (m)
Z (m)
0,542
0,795
-0,699
-1,972
3,951
-3,225
Het aantal vrijheidsgraden is gelijk aan 20 (n-1). Als significantieniveau wordt opnieuw α = 0.05 gekozen. De nulhypothese wordt dus verworpen indien t > 2.09 of t < -2.09. Dit levert een opvallend resultaat. In alle richtingen wordt bij laserscanning de nulhypothese aanvaardt. Er is dus geen significant verschil te merken met de referentiemetingen. Bij fotomodellering is dit echter net omgekeerd en wordt de nulhypothese voor de Y- en Z-richtingen verworpen. De t-waarde voor de X-richting valt nog net binnen de kritische waarde. Dit bevestigt wat er reeds uit de grafieken kon worden afgeleid. De absolute nauwkeurigheid van laserscanner is significant beter dan die van fotomodellering voor dit model.
71
6. DISCUSSIE Op basis van de literatuurstudie en de eigen bevindingen die tijdens dit onderzoek naar boven kwamen, is het mogelijk om beide technieken grondig met elkaar te vergelijken.
Ten eerste kan gesproken worden over de nauwkeurigheid van beide technieken. In deel 5 werd zowel een relatieve als absolute nauwkeurigheidsanalyse uitgevoerd met betrekking tot laserscanning en fotomodellering. De bedoeling was om daarmee een antwoord te kunnen geven op de vraag welke van de twee technieken de nauwkeurigste is en wat de nauwkeurigheid is die men kan verwachten bij dit soort toepassingen. Over het algemeen zal men de absolute nauwkeurigheid gebruiken wanneer men hierover uitspraken wil doen. Daarbij kwamen beide technieken maximale fouten uit van 2-3cm, maar over het algemeen bleek laserscanning toch als de betere naar voor te komen doordat de spreiding van de toevallige fouten kleiner was dan bij fotomodellering. Met het oog op het gebruik van deze technieken
voor
het
reconstrueren
van
misdaadscènes
werd
ook
een
relatieve
nauwkeurigheidsanalyse uitgevoerd. Hierbij wordt niet relatieve nauwkeurigheid bedoeld in de strikte zin van het woord, maar bedoelt men het bepalen van de fouten op gemeten afstanden. De politie Gent hanteert vaak als methode het meten van afstanden tussen objecten om een overzicht te krijgen van misdaadscènes. Daarom werd gekozen na te gaan wat de te verwachten nauwkeurigheden zijn bij het meten van afstanden in de modellen. Het is niet eenvoudig hierover concrete uitspraken te doen aangezien er voor twee modellen een relatieve nauwkeurigheidsanalyse werd uitgevoerd. De resultaten lagen hierbij niet in dezelfde lijn. Het eerste model gaf aan dat de toevallige fouten dezelfde grootte hadden en er een significant verschil te merken was tegenover de referentieafstanden voor beide technieken, terwijl uit het tweede model het omgekeerde kon afgeleid worden. In de literatuur worden echter zeer weinig uitspraken gedaan over de nauwkeurigheid van fotomodellering. Furukawa en Ponce (2010) geven aan een relatieve nauwkeurigheid van beter dan 1/200 (1 mm op een object van 20 cm breed) te bekomen voor fotomodellering, afhankelijk van de gebruikte technieken. Bij laserscanning is de nauwkeurigheid over het algemeen beter gekend, vermoedelijk omdat deze techniek reeds langer bestaat. Volgens Pfeifer en Briese (2007) kan men met een laserscanner mm- tot cm-nauwkeurigheden halen. Dit is in overeenstemming met wat in dit onderzoek te zien is. Het is echter gevaarlijk om zulke uitspraken te doen over fotomodellering. Deze techniek is minder stabiel dan laserscanning aangezien het kan voorkomen dat een model mislukt of delen van een model niet goed gemodelleerd worden.
72
Dit is te zien in model 1 en 2 waar bepaalde delen van de puntenwolk niet correct geïnterpoleerd werden, hierbij zullen de fouten dus groter zijn. Laserscanning is in dit opzicht een veiligere techniek doordat die in bijna alle omstandigheden goede resultaten geeft. Over het algemeen kan gesteld worden dat voor het meten van afstanden de fouten niet groter zullen zijn dan 1-2cm. Er vanuit gaande dat de modellen succesvol zijn, geven beide technieken een aanvaardbare nauwkeurigheid voor het reconstrueren van misdaadscènes. Dit geeft meteen antwoord op één van de onderzoeksvragen of de technieken voldoen aan de vereisten om gebruikt te kunnen worden voor het registreren van misdaadscènes.
Ondanks de gelijkenissen zijn er ook enkele cruciale verschillen die ervoor zorgen dat de ene dan wel de andere techniek niet altijd bruikbaar is voor de modellering van bepaalde misdaadscènes. Voor het gebruik van de modellen als aanvullend bewijs in de rechtbank is één van de belangrijkste verschillen tussen beide technieken de kleureninformatie die wordt meegegeven. Bij laserscanning wordt gebruik gemaakt van de intensiteitswaarden waarmee de punten gereflecteerd worden. Hoewel blijkt dat deze techniek geometrisch nauwkeuriger is, moet deze toch onderdoen op vlak van perceptie van misdaadscènes. Fotomodellering maakt immers gebruik van RGB-kleuren zoals deze ook echt worden waargenomen. Dit laat toe om beter/sneller linken te leggen tussen het model en de realiteit. Het voordeel hiervan is zeker niet te onderschatten. Er bestaan echter ook laserscanners met een ingebouwde camera die samen met de scans ook foto’s neemt. Dit zorgt ervoor dat de resulterende puntenwolk niet alleen intensiteitswaarden bevatten, maar ook RGB-kleuren. Eén van de grote voordelen van
fotomodellering
zou
daardoor
kunnen
wegvallen.
De
mogelijkheden
voor
misdaadreconstructie van dit type scanner werden in dit onderzoek niet getest.
Beide technieken hebben ook beperkingen waardoor ze modellen zullen leveren van mindere kwaliteit. Laserscanning heeft minder beperkingen en zal enkel problemen ondervinden wanneer er sprake is van zeer reflecterende of donkere objecten. Dit kan leiden tot meer ruis in het model. Daarnaast vormt occlusie ook een reëel probleem voor laserscanning. In sommige gevallen is het niet mogelijk om bepaalde delen in te scannen doordat de laserscanner niet correct gepositioneerd kan worden of omdat een extra opstelling en de extra tijd die daarmee gepaard gaat de meerwaarde voor het model te niet doen. Fotomodellering is in dat opzicht gevoeliger. In de meeste modellen waren er delen die niet zoals gewenst gemodelleerd werden. Een ruimte met veel objecten, weinig contrast, scherpe hoeken en complexe vormen kunnen er voor zorgen dat (een deel van) het model mislukt. Het is
73
belangrijk dat er voldoende feature points ontdekt kunnen worden, anders zal er geen goed model afgeleverd kunnen worden. Eén van de belangrijkste stappen bij fotomodellering is het nemen van correcte foto’s. Aandacht voor de positie, belichting van foto’s en het globale looppatroon waarlangs de foto’s genomen worden, spelen een belangrijke rol. Hierbij is ervaring een niet te onderschatten factor, terwijl dit bij laserscanning een kleiner probleem vormt. Opmerkelijk was dat model 4, dat ’s nachts werd opgenomen, voor fotomodellering een beter resultaat gaf dan het model dat op dezelfde locatie, maar overdag (model 3) werd opgenomen. Het enige verschil was het lange gras dat aanwezig was bij het dagmodel waardoor sommige objecten moeilijker te zien waren. Dit wijst er dus op dat het verschil tussen dag en nacht een geringere impact heeft op de kwaliteit van het model dan de aard van het terrein en de objecten die aanwezig zijn. Voor laserscanning speelt de belichting geen rol, wat deze techniek toegankelijker maakt. Bij de dataverzameling dient men bij fotomodellering veel foto’s te nemen vanuit verschillende posities, dit heeft als nadeel dat men de misdaadscène constant moet betreden. Bij laserscanning dient men enkele statieven en targets op te stellen, maar kan men voor de rest wegblijven van de scène. Het opstellen van de statieven is echter van meer destructieve aard dan het meermaals betreden van de scène doordat deze stevig op/in de grond geplaatst moeten worden. De tijd om de data te verzamelen duurt ongeveer een half uur tot een uur voor beide technieken los van het voorbereidende werk. Hoe complexer de scène hoe meer foto’s genomen moeten worden, waardoor voor complexe modellen de dataverzameling voor fotomodellering langer duurt als voor laserscanning. Hierbij dient rekening gehouden te worden dat bij het onderzoek een fasescanner gebruikt werd. Bij pulse-based scanners neemt de dataverzameling meer tijd in beslag, maar kan op basis van dit onderzoek niet vergeleken worden met fotomodellering.
Qua verwerkingstijd zijn er ook verschillen. Hierbij is laserscanning duidelijk sneller en gebruiksvriendelijker. De scans kunnen eventueel ook reeds op het terrein gevisualiseerd worden zodat men kan kijken of er nog scans moeten genomen worden. Verder dient men enkel de scans te registreren en de resulterende puntenwolk op te kuisen. Dit is het geval indien een puntenwolk voldoende is. Bij fotomodellering hangt de verwerking af van het soort model dat gemaakt wordt. Hoe complexer en hoe meer foto’s des te langer het zal duren. De verwerking kan variëren van de simpele stappen doorlopen tot een moeizaam proces van trial-
74
and-error. Daarbij komt nog eens dat de gebruiker op terrein moeilijk kan zien of hij voldoende foto’s heeft om een goed model af te leveren.
Het is noodzakelijk om de kostprijs van beide technieken te bespreken. De vereisten voor beide technieken liggen hierbij ver uit elkaar. Voor fotomodellering is het nodig om een goede camera, krachtige computer en softwarelicentie voor Agisoft Photoscan te kopen. Daarbij kan zowel de computer als de camera voor andere toepassingen gehanteerd worden. De kostprijs zal enkele duizenden euro bedragen. Tevens bestaan er alternatieven (bijv. Microsoft Photosynth of Bundler) voor de software, maar de bruikbaarheid daarvan werd in deze masterproef niet onderzocht. Een laserscanner zit in een hogere prijsklasse en de kosten kunnen oplopen tot meer dan tachtigduizend euro. Volgens Eric Clabeau van de FGP Gent is dit een kost die niet door de politie gedragen kan worden in vergelijking met de meerwaarde ervan.
Als eindproduct zal de laserscanner een puntenwolk afleveren met intensiteitswaarden. Zoals reeds vermeld, veroorzaken die intensiteitswaarden een moeilijkere interpretatie van de misdaadscène. Bij fotomodellering kan een volledig 3D-model afgeleverd worden, maar er kan ook gekozen worden voor een hybridemodel dat een puntenwolk combineert met succesvol gemodelleerde delen van de misdaadscène.
Of de resulterende modellen bruikbaar zijn als (aanvullend) bewijsmateriaal, is moeilijk om een uitspraak over te doen. Beide technieken leveren door de extra dimensie interessante informatie, maar of deze ook een meerwaarde hebben bij misdaadonderzoeken zal de praktijk moeten uitwijzen. Op basis van de resultaten van dit thesisonderzoek is Patrick Willocx, waarnemend gerechtelijk directeur, bereid om fotomodellering grondiger te testen binnen het forensisch team van de FGP Gent. Hij wil echter eerst eerst de mening van Justitie Gent over deze innovatie. Rik Bauters van het labo van de FGP is van de mening dat fotomodellering inderdaad meer haalbaar is dan de implementatie van laserscanning aangezien men nu ook al foto’s neemt bij het opnemen van een misdaadscène. Door het nemen van meer foto’s op een systematische wijze zou het gebruik van fotomodellering mogelijk zijn. Ook Eric Clabeau verkiest fotomodellering boven laserscanning op basis van enerzijds de kostprijs en anderzijds de kleureninformatie. Hierbij dient vermeld te worden dat er echter ook laserscanners met ingebouwde camera bestaan die modellen met kleureninformatie kunnen afleveren.
75
7. CONCLUSIE Het vastleggen van misdaadscènes op een zo goed mogelijke wijze is een belangrijke taak van de politie. Aangezien het vaak om vergankelijke informatie gaat, dient deze registratie zo volledig mogelijk te gebeuren, zonder dat men achteraf nog dient terug te komen. De informatie zal immers nier meer hetzelfde zijn als bij de eerste opname van de scène. Het gebruiken van 3D-modelleringstechnieken kan bij het registreren een hulp bieden doordat de extra dimensie ook zorgt voor extra informatie ten opzichte van de huidige technieken. Daarenboven laten deze technieken ook toe de plaats delict later virtueel te bezoeken. Zoals gebleken uit verschillende case studies kunnen deze technieken de scène vastzetten in de tijd, wat een grote meerwaarde betekent voor sommige onderzoeken. In deze masterproef werd onderzocht of laserscanning en fotomodellering in praktijk effectief bruikbaar zijn om misdaadscènes in 3D vast te leggen. Daarbij dient antwoord gegeven te worden op enkele concrete vragen.
Een eerste vraag waarop antwoord gegeven kan worden is of de nauwkeurigheid van de technieken voldoende is om gebruikt te kunnen worden in politieonderzoeken. De absolute nauwkeurigheid bleef kleiner dan 2-3cm voor beide technieken, maar bij de vergelijking van de twee bleek laserscanning toch nauwkeuriger doordat fotomodellering een grotere foutenspreiding had. De relatieve nauwkeurigheid werd getest door de (via software) berekende afstanden te vergelijken met de werkelijke afstanden. Hieruit bleek opnieuw dat beide technieken een vergelijkbare nauwkeurigheid hebben waarbij de fouten niet groter dan 1-2cm zijn. Dit zijn aanvaardbare resultaten voor het gebruik dat de politie beoogt.
Men kan zich ook afvragen welke plaats delicten het best gemodelleerd worden met fotomodellering, dan wel laserscanning. Voor veel plaatsen zullen beide technieken goede resultaten leveren. Elke techniek heeft echter zijn sterktes en zwaktes. Zo vormen occlusie, reflecterende en donkere objecten obstakels voor het afleveren van een aanvaardbaar model. Fotomodellering is in dit opzicht gevoeliger. Complexe objecten, scherpe hoeken en weinig contrast zorgen ervoor dat (een deel van) het model niet correct gemodelleerd wordt. Voor fotomodellering is het belangrijk dat er voldoende feature points gedetecteerd worden. Qua dataverzameling en –verwerking treden er nog enkele verschillen op tussen beide technieken, maar dit zijn geen doorslaggevende verschillen. Een belangrijk verschil is dat laserscanning een puntenwolk met intensiteitswaarden levert. Dit is het geval voor de HDS6100 die in dit
76
onderzoek werd gebruikt, maar er bestaan ook laserscanners die puntenwolken met kleureninformatie afleveren. Bij fotomodellering is het eindproduct een 3D-model of hybride model (puntenwolk + 3D-model) met RGB-kleuren. Op basis van dit onderzoek blijkt dat de kleuren zorgen dat fotomodellering een visueel sterker model is, doordat ze de herkenning/perceptie van het model sterk verbeteren. Tevens zorgt de lagere kost van fotomodellering ervoor dat de techniek voor de toepassing in misdaadonderzoek de voorkeur verdient boven laserscanning.
Beide technieken hebben een voldoende nauwkeurigheid voor het registreren van misdaadscènes. Of de resulterende modellen ook effectief gebruikt kunnen worden als (aanvulling bij) bewijsmateriaal is een andere vraag. In theorie kunnen ze interessante extra informatie opleveren, maar de bruikbaarheid van dit soort informatie zal in de praktijk ondervonden moeten worden. De federale gerechtelijke politie is bereid fotomodellering verder te testen voor de reconstructie van misdaadscènes, maar hiervoor wil men eerst overleggen met de Justitie Gent. Indien fotomodellering door hen ook als een potentiële meerwaarde voor misdaadonderzoek wordt gezien, is de kans reëel dat de implementatie van deze techniek er zal komen.
77
8. REFERENTIELIJST
8.1. Artikels Agisoft LLC (2014) “Agisoft photoscan user manual: professional edition, version 1.0”. Agosto, E., Ajmar, A., Boccardo, P., Tonolo, F.G., Lingua, A. (2008) “Crime scene reconstruction using a fully geomatic approach”. Sensors. 8 (10), 6280-6302.
Barazzetti, L., Sala, R., Scaioni, M., Catttaneo, C., Gibelli, D., Giussani, A., Poppa, P., Roncoroni, F., Vandone, A., (2012) “3D scanning and imaging for quick documentation of crime and accident scenes”. In: Carapezza, E.M. (Ed.) Proceedings of SPIE, conference volume 8359, Sensor, and command, control, communications, and intelligence (C3I) technologies for homeland security and homeland defense XI, Baltimore, Maryland, USA. Bolles, R.C., Baker H.H., Marimont, D.H. (1987) “Epipolar-plane image analysis: an approach to determining structure from motion”. International Journal of Computer Vision. 1 (1), 7-55. Buck, U., Naether, S., Räss, B., Jackowski, C., Thali, M.J. (2013) “Accident or homicide virtual crime scene reconstruction using 3D methods”. Forensic Science International. 225 (1-3), 75-84. Furukawa, Y., Ponce, J. (2010) “Accurate, dense, and robust multiview stereopsis”. IEEE Transactions on Pattern Analysis and Machine Intelligence. 32 (8), 1362-1376. Gonzalez-Aguilera, D, Gomez-Lahoz, J. (2009) “Forensic terrestrial photogrammetry from a single image”. Journal of Forensic Sciences. 54 (6), 1376-1387. Komar, D.A., Davy-Jow, S., Decker S.J. (2012) “The use of a 3-D laser scanner to document ephemeral evidence at crime scenes and postmortem examinations”. Journal of Forensic Sciences. 57 (1), 188-191.
78
Martin, Z.H., Ingensand, H. (2008) “Metrological aspects in terrestrial laser-scanning technology”. Seventh International Conference Environmental Engineering. 1-3, 1514-1518. Pfeifer, N., Briese, C. (2007) “Laserscanning – principles and applications”. Third International Exhibition & Scientific Congress on Geodesy. 93-112. Pollefeys, M., Van Gool, L. (2002) “From images to 3D models”. Communications of the ACM. 45 (7), 50-55. Remondino, F., El-Hakim, S.F. (2006) “Image-based 3D modeling: a review”. The Photogrammetric Record. 21 (115), 269-291. Remondino, F., El-Hakim, S.F., Gruen, A., Zhang, L. (2008) “Turning images into 3Dmodels”. IEEE Signal Processing Magazine. 25 (4), 55-64.
Sansoni, G., Cattaneo, C., Trebeschi, M., Gibelli, D., Poppa, P., Porta, D., Maldarella, M., Picozzi, M. (2011) “Scene-of-Crime analysis by a 3-Dimensional optical digitizer: a useful perspective for forensic science”. American Journal of Forensic Medicine and Pathology. 32 (3), 280-286. Verhoeven, G. (2011) “Taking computervision aloft - archaeological three-dimensional reconstructions from aerial photographs with photoscan”. Archaeological Prospection. 18 (1), 67-73.
8.2. Internetbronnen
Girardeau-Montaut D. (2010) CloudCompare 3D point cloud and mesh processing software Open Source Project, http://www.danielgm.net/cc, 21/05/2014
N.N. (2001) HDS laser Scanners & SW http://www.leica-geosystems.com/en/HDS-Laser-Scanners-SW_5570.htm, 17/05/2013
N.N. (2001) Leica Cyclone 3D Point Cloud Processing Software http://hds.leica-geosystems.com/en/Leica-Cyclone_6515.htm, 21/05/2014
79
N.N. (2006) Image-based 3D modeling make it with Agisoft PhotoScan http://www.agisoft.ru/, 29/05/2014
N.N. (2009) Leica HDS6100 latest generation of ultra-high speed laser scanner http://archive.cyark.org/temp/LeicaHDS6100Datasheetus.pdf, 21/05/2014
N.N. (2009) Trimble S6 total station technische gegevens http://www.coudere.be/downloads/producten/TechnSpec_TrimbleS6_1011.pdf, 21/05/2014
Sniderman D. (2010) 3D Scanning 101 How to choose digitizing technologies http://www.deskeng.com/articles/aaazje.htm, 17/05/2013
Soper D. (2006) Critical F-value Calculator http://www.danielsoper.com/statcalc3/calc.aspx?id=4, 21/05/2014
8.3. Software
Agisoft Photoscan Professional Edition 1.0.2. CloudCompare V2 Leica Cyclone 8.0.2. Microsoft Office Excel 2013
80
9. BIJLAGE Bijlage 1
Figuur 37: Slechte texturing (boven) op basis van een goede dense pointcloud (onder) bij chunks van model 3
81
Figuur 38: Slechte modellering van het politielint in model 3
82
Bijlage 2
Figuur 39: Vervormingen buiten de verlichte zones in model 4
Figuur 40: Modellering van politielint bij model 4
83
Bijlage 3
Figuur 41: Onderlinge afstand tussen beide vlakken voor model 1
Figuur 42: Onderlinge afstand tussen beide vlakken voor model 2
84
