Ce travail de thèse porte sur la reconstruction 3D d’environnements structurés à partir d’acquisitions LiDAR. L’étude a pour but d’automatiser et d’améliorer la chaîne de traitements allant de l’acquisition de nuages de points à la modélisation 3D d’intérieurs de bâtiments. Actuellement, ces traitements sont majoritairement manuels, l’acquisition LiDAR dresse de nombreux obstacles à la reconstruction automatique (anisotropie, bruit, occultations, etc.) et les méthodes actuelles manquent de précision et ne résolvent pas tous les cas de figure. Dans un premier temps, l’étude est orientée sur la modélisation de nuages de points scan par scan. Les méthodes automatiques existantes reposent sur de nombreuses hypothèses de construction qui mènent à des résultats relativement éloignés des données initiales. Le choix a été fait de proposer une nouvelle méthode de modélisation au plus proche des données, en ne reconstruisant que les zones mesurées de chaque scène et en excluant les zones occultées. Pour cela, nous nous intéressons ici au processus de modélisation locale de nuages de points et nous proposons un nouvel estimateur de normales adapté aux environnements structurés. L’utilisation de ce nouvel outil permet de réaliser une modélisation globale d’une scène scannée par un dispositif LiDAR à partir de polygones. Cette modélisation repose sur un traitement conjoint de l’image de profondeur et du nuage de points.

Dans un second temps, nous abordons le sujet du recalage afin de replacer les scans dans un repère global. L’objectif principal est de rendre ce procédé automatique quels que soient la géométrie des scènes, leur pose initiale et d’obtenir de bonnes performances pour de faibles chevauchements. Les approches existantes fondées sur le traitement de nuages de points sont majoritairement locales et ne semblent pas adaptées à des environnements structurés dans lesquels les voisinages locaux apportent peu d’information d’identification. Une nouvelle approche adaptée aux scènes d’intérieur est proposée afin de pallier ces problèmes. L’erreur commise lors d’un recalage est difficilement mesurable, pourtant, cette information est nécessaire en vue de corriger une suite de recalages ou pour fusionner la pose issue du recalage avec d’autres données de localisation provenant de capteurs extérieurs. De nombreuses pistes de recherches ont été explorées pour estimer cette erreur et une méthode récente, utilisant un apprentissage automatique, est particulièrement développée dans ce travail. Une adaptation de cette méthode est également proposée et une évaluation sur une base de données synthétique permet de mettre en évidence les points forts de la méthode et certaines de ses limitations cruciales.