Reconstrucción de mapas con detección de cambios a partir de Google Street View

Abstract

Este trabajo presenta una herramienta, desarrollada en Matlab, para la anotación de cambios a lo largo del tiempo sobre secciones de imágenes panorámicas de Google Street View. Para ello se aplican técnicas de cálculo de profundidad, síntesis de imágenes cambiando el punto de vista de la escena, extracción de características sobre las imágenes transformadas, alineamiento entre imágenes y etiquetado manual de sus diferencias, con objeto de crear una imagen patrón (groundtruth) de los cambios. La idea es alinear las imágenes correspondientes a un mismo lugar tomadas por el coche de Google en distinta fecha y desde una posición diferente, para poder apreciar mejor los cambios. Utilizando esta herramienta, se ha creado una base de datos de cambios de 909 secciones útiles para entrenar una Red Neuronal Convolucional (CNN) que sea capaz de detectar los cambios de una forma automática. Para ello, se ha utilizado la red DNN (Deconvolutional Neural Network), desarrollada por el Dr. Pablo Fernández Alcantarilla con quien se ha colaborado para la obtención de resultados. El TFG incluye una comparativa del rendimiento de esta red respecto a otras propuestas del estado del arte, demostrando un comportamiento muy superior a los métodos existentes en la actualidad.

This work presents a tool, developed in Matlab, for the annotation of changes over time on sections of panoramic images of Google Street View. In order to do this, techniques of depth calculation, image synthesis (changing the point of view of the scene), extraction of features on the transformed images, alignment among images and manual labeling of their differences are applied, in order to create a pattern image (groundtruth) of the changes. The target is to align the images corresponding to the same place taken by the Google car on different date and from a different position, to better appreciate the changes. Using this tool, a database of 909 useful sections has been created to train a Convolutional Neural Network (CNN) that is capable of detecting changes in an automatic way. For this purpose, a DNN network (Deconvolutional Neural Network), developed by Dr. Pablo Fernández Alcantarilla, has been used with whom I have collaborated to obtain results. This works includes a comparison of the performance of this netowork with other proposals of the stateof-art, showing a really better behavior than existing methods today.