Op deze pagina is meer informatie te vinden rond bedrijfscases binnen het domein van remote sensing en mobile mapping. Hieronder ziet u alvast enkele mogelijke toepassingen.

(Figuur 1 : onherkenbaar maken van gezichten / carthografie / detectie auto’s)

Subcase 1: Eurosense: Detectie van objecten in luchtfoto’s.

Binnen deze case willen we ons hoofdzakelijk focussen op het detecteren van objecten in luchtfoto’s. Zoals te zien in figuur 2 zijn de mogelijkheden eindeloos, lopende van zonnepanelen tot wegmarkeringen.

  • Voor al deze objecten zal een objectmodel getrained dienen te worden, aangezien hier geen algemene modellen voor bestaan.
  • Beeldmateriaal: 16000×16000 pixels, met 25cm of 8cm resolutie.
  • Gebruik beeldmateriaal stad Oostende

(Figuur 2 : detectie van objecten in luchtfoto’s: zonnepanelen, dakramen, spoorlijnen, wegmarkeringen, …)

Subcase 2: Vansteelandt: Detectie en blurring van personen en nummerplaten in 360° panoramische opnames.

Binnen deze case willen we ons hoofdzakelijk focussen op het detecteren van personen en nummerplaten in 360° panoramische foto’s (zie figuur 3). Deze zaken zouden immers verwijderd moeten worden om de privacyregelgeving niet te schenden.

  • +-4500 beelden van 4800×2400 pixels.
  • Voordeel dat camera een vaste positie heeft ten opzichte van het beeld.

Alle beelden werden opgenomen met een Point Grey Ladybug camera (zie figuur 4). De afzonderlijke beelden van de camera worden gecombineerd in postprocessing software tot een enkele 360° panoramische opname.

(Figuur 3 : detectie van personen en nummerplaten in 360° panoramische opnames.)

Subcase 3: Grontmij NV Monitoring & Testing Services: Detectie van personen in 360° panoramische opnames via originele subfoto’s zonder preprocessing.

Net zoals in bovenstaande case willen we hier een detectie uitvoeren op 360° panoramische opnames, die ook opgenomen zijn met een identieke camera. We nemen echter een andere invalshoek en proberen de detectie uit te voeren op de afzonderlijke beelden waaruit het 360° panoramische beeld werd opgebouwd om te zien of dit een verschil maakt naar performantie toe van de algoritmes. Op deze manier willen we postprocessing verschijnselen zoals schimverschijning vermijden, aangezien deze toch zorgen dat een te detecteren object een ongewenste vervorming heeft. (zie figuur 5)

(Figuur 4 : Point Grey Ladybug 360° spherical camera.)

(Figuur 5 : Enkel voorbeelden van het schimverschijnsel.)