Analiza algorytmów detekcji obiektów infrastruktury kolejowej na podstawie chmury punktów mobilnego skaningu laserowego

• Autorzy: Marmol U.

Warianty tytułu

EN

Analysis of detection algorithms of railway infrastructure object based on scanning mobile laser point cloud

• Języki publikacji: PL

Abstrakty

PL

Tematem niniejszego artykułu jest detekcja obiektów infrastruktury kolejowej na podstawie chmury punktów mobilnego skaningu laserowego. Pierwszym istotnym etapem, zanim przystąpi się do właściwej detekcji, jest usunięcie szumu pomiarowego. W przypadku skaningu mobilnego szum jest kluczowym problemem, gdyż wprowadza duże zakłócenia do danych pomiarowych. W pierwszej części artykułu zawarto krótką charakterystykę programów pod kątem prostych filtrów geometrycznych, które zarówno usuwają szumy jak i przeprowadzają proste operacje klasyfikacji (na przykład wydzielenie obiektów oddalonych o określoną wartość głębokości). Dopiero po usunięciu szumu jest możliwe rozpoznawanie obiektów. Jest to stosunkowo nowe zagadnienie, otwierające szerokie pole do analiz i badań naukowych. Do tej pory zostało opisanych kilka metod klasyfikacji danych pochodzących z mobilnych systemów laserowych. Część algorytmów opiera się na metodach wywodzących się z teorii przetwarzania obrazów. Rozproszona chmura punktów jest zapisywana w siatce regularnej jako raster, którego wartości pikseli odpowiadają głębokości lub intensywności danych laserowych. Do metod opartych na obrazach możemy zaliczyć: algorytmy wykorzystujące filtry morfologiczne i algorytmy wyszukiwania. Inne metody detekcji obiektów bazują na danych rozproszonych, czyli oryginalnej chmurze punktów. Przykładem może być metoda oparta na algorytmie RANSAC. Przeprowadzona analiza algorytmów filtracji ujawniła, że mobilny skaning laserowy może stanowić miarodajne źródło do wyodrębniania obiektów.

EN

The subject of this paper is detection of railway infrastructure objects based on mobile laser scanning. The first important step, made before proceeding with correct detection, is to remove the measurement noise. In the case of mobile scanning noise is a key issue, since it introduces a large distortion of the measurement data. In the first part of the article a brief description of the programs in terms of simple geometric filters which both remove noise and carry out simple operations of the classification (for example, the separation of objects spaced by a certain depth). Object recognition is possible only after the removal of the noise This is a relatively new problem, opening a wide field for analysis and research. So far several methods have been described for the classification of the mobile data. Some algorithms based on methods derived from the image processing theory. Scattered cloud of points is stored in a regular grid, the pixel values correspond to the depth or intensity of the laser data. The image-based methods: algorithms using morphological filters and retrieval algorithms. Other methods are based on the detection of objects from the original cloud of points. An example is the method based on RANSAC algorithm. An analysis of filtering algorithms revealed that mobile laser scanning can be a reliable information source to extract objects.

Słowa kluczowe

PL

mobilny skaning laserowy; filtracja; detekcja obiektów

EN

mobile laser scanning; filtering; object detection

• Wydawca: Zarząd Główny Stowarzyszenia Geodetów Polskich
• Czasopismo: Archiwum Fotogrametrii, Kartografii i Teledetekcji
• Rocznik: 2012
• Tom: Vol. 24
• Strony: 211--220
• Opis fizyczny: Bibliogr. 11 poz.

Twórcy

autor

Marmol U.

• Katedra Geoinformacji, Fotogrametrii i Teledetekcji Środowiska, AGH Akademia Górniczo- Hutnicza w Krakowie, tel. [phone] fax: [phone]

Bibliografia

• 1. FARO Scene 4.8 - Manual.
• 2. Fischler M. A., Bolles R. C.1981. Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography. Comm. of the ACM 24 (6): pp. 381-395.
• 3. Hernández J., Marcotegui B., 2009a. Point cloud segmentation towards urban ground modeling. GRSS/ISPRS Joint workshop on remote sensing and data fusion over urban area. Shanghai, China.
• 4. Hernández J., Marcotegui B., 2009b. Filtering of artifacts and pavement segmentation from mobile LIDAR data. LaserScanning'09, Paris, France. September.
• 5. Hernández J. Marcotegui B., 2010. Segmentation et Interprétation des Nuages de Points pour la Modélisation d'Environnements Urbain. Revue française de Photogrammétrie et de Télédétection. n.191, pp. 28-35.
• 6. Jaakkola A., Hyyppä J., Hyyppä H., Kukko A., 2008. Retrieval algorithms for road surface modelling using laser-based mobile mapping. Sensors vol.8, pp. 5238-5249.
• 7. Jarząbek-Rychard M., Borkowski A., 2010. Porównanie algorytmów RANSAC oraz rosnących płaszczyzn w procesie segmentacji danych lotniczego skaningu laserowego. Archiwum Fotogrametrii, Kartografii i Teledetekcji, Vol.21, s. 119-129.
• 8. Kovesi P. 2012. http://www.csse.uwa.edu.au/~pk/research/matlabfns/#robust.
• 9. Lenda G., Marmol U., 2010. Dokładność dalmierzy bezzwierciadlanych dla pomiaru obiektów wykonanych z materiałów syntetycznych. PAK vol.56, nr 11.
• 10. Neubert, M., Hecht, R., Gedrange, C.; Trommler, M.; Herold, H., Krüger, T., Brimmer, F. Extraction of Railroad Objects from Very High Resolution Helicopter-borne LiDAR and Ortho-Image Data. 2008. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences; XXXVIII-4/C1.
• 11. Rzonca A., 2008. Integracja danych pozyskiwanych metodami fotogrametrycznymi i skanowania laserowego przy inwentaryzacji obiektów zabytkowych. Rozprawa doktorska, Akademia Górniczo-Hutnicza w Krakowie.