Resumo: Avanços na tecnologia LIDAR proporcionaram o desenvolvimento de sistemas que digitalizam completamente o sinal de retorno do pulso LASER emitido. Quando o pulso atinge parcialmente diferentes alvos, múltiplos retornos podem ser determinados dependendo da metodologia utilizada para a detecção dos picos contidos no sinal de retorno. Neste estudo apresentamos os resultados obtidos através da decomposição Gaussiana da waveform do sinal LASER em metodologia que emprega algoritmos genéticos para a determinação dos retornos. Inicialmente a quantidade de picos contidos na waveform é determinada com o método de simples detecção de picos através de algoritmo com ponto de máximo local. Quando mais de um pico é detectado, o processamento é realizado com algoritmos genéticos e são estimados os valores dos parâmetros de amplitude, tempo e desvio padrão. Com esta metodologia foi possível aumentar a quantidade de pontos em aproximadamente 17 % em comparação com a nuvem de pontos gerada em um software comercial. Os melhores resultados foram obtidos em áreas com vegetação alta, comprovando que a metodologia pode ser aplicada para a geração de nuvens de pontos mais densas em áreas de florestas.

Abstract: Recent developments in LIDAR technology lead to the availability of the waveform systems, which capture and digitize the whole return of the emitted LASER pulse. As many objects may cause multiple returns in the same echo, one task is to detect and separate different echoes within the same digitized measurement. In this paper the results of a study aimed at LASER signal waveform decomposition using genetic algorithms are introduced. The proposed method is based on the Gaussian decomposition approach and analyzes each digitized return to compute one or more points. Initially, the number of peaks contained in the waveform is determined by a simple peak detection method, with a local maximum point algorithm. When more than one peak is detected, genetic algorithms are applied to estimate the amplitude, time and standard deviation of each peak within the digitized signal. With this methodology it was possible to increase the number of points by approximately 17 % compared to the point cloud obtained using commercial software. The best results were obtained in areas with high vegetation, and thus the methodology can be applied to the generation of denser points cloud in forest areas.

Neste artigo é apresentado um estudo para a modelagem tridimensional de superfícies utilizando imagens obtidas com uma câmara TOF. O sistema utilizado é a câmara PMD CamCube 2.0, que calcula a distância de objetos utilizando o princípio TOF (Time-Of-Flight). Inicialmente, a câmara foi calibrada, o que possibilitou a correção geométrica da imagem a partir de Parâmetros de Orientação Interior (POI). Outro fator que afeta a qualidade dos dados é a presença de ruído em função da iluminação exterior ao sistema, que pode ser controlada variando o tempo de integração na captação da imagem. Posteriormente realizou-se a segmentação da imagem TOF para identificar as superfícies planas do objeto estudado. A solução encontrada utiliza o cálculo dos autovalores locais em superfícies, em pequenas janelas móveis. Com isto, gera-se uma nova imagem com bordas evidenciadas. A nova imagem é segmentada através do algoritmo de deslocamento pela média, com o objetivo de obter superfícies planas do objeto de interesse. Os píxeis da imagem segmentada são então projetados ortogonalmente, gerando uma nuvem de pontos com coordenadas tridimensionais das superfícies. Finalmente, as dimensões do objeto são comparadas com medidas de referência, sendo verificado que a diferença na medida tridimensional obtida é de aproximadamente 2 centímetros.

In this paper we present a work that aims at studying the quality of 3D data obtained with a range camera and assessing its potential to model planes. The device, the PMD CamCube 2.0, computes the distance to the objects using the Time-Of-Flight (TOF) principle. At first, the equipment was calibrated. The Interior Orientation Parameters (IOP) allows reducing geometric distortion in the images. Another factor that influences the quality of data is the presence of noise introduced by illumination conditions, which can be controlled by varying the integration time of the light source. After determining the best integration time and interior orientation parameters, the device was used to capture data of an object with flat surfaces. The dataset was used to compute the 3D coordinates of each point and then the dataset was segmented, in order to identify the flat surfaces of the object. The segmentation solution is based on the computation of the local eigenvalues, using a small moving window, to generate a new image where borders are highlighted. This new image is segmented using the mean-shift approach to delineate the planes of interest. Finally, the dimensions of the object are compared to reference values. The comparison showed errors around 2cm, within the expected range. The object can then be modeled with the 3D points cloud.