Opracowanie i ocena skuteczności działania algorytmu segmentacji słupów trakcyjnych pomierzonych techniką mobilnego skaningu laserowego

• Autorzy: Pastucha E. , Słota M.

Warianty tytułu

EN

Automatic extraction of tracion poles using mobile laser scanning data

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono metodę detekcji kolejowych słupów trakcyjnych w oparciu o dane pochodzące ze skaningu laserowego. Głównymi założeniami podczas opracowywania algorytmu były uniwersalność metody, niezależność od parametrów definiowanych przez użytkownika oraz wysoki stopień automatyzacji. Z uwagi na objętość zbiorów danych ze skaningu laserowego i związanych z tym problemów z efektywnym przetwarzaniem chmur punktów, w proponowanym algorytmie obliczenia podzielono na dwa etapy. W etapie pierwszym wyznaczane są regiony, w których potencjalnie mogą występować słupy trakcyjne. Natomiast w etapie drugim weryfikowane jest położenie słupów w obszarach potencjalnych oraz wyszukiwane są punkty zarejestrowane na powierzchniach słupów. W celu uproszczenia obliczeń w pierwszym etapie analizowana jest różnica w gęstości punktów, znajdujących się bezpośrednio nad torami kolejowymi. W etapie drugim każdy z potencjalnych regionów analizowany jest indywidualnie. Po pierwsze wyznaczane są podzbiory punktów z wykorzystaniem kryterium wysokości. W podzbiorach w sposób iteracyjny odrzucane są punkty, których odległość do średniego położenia punktów w podzbiorze jest większa od przyjętej wielkości granicznej. W ten sposób usuwane są odbicia od obiektów znajdujących sie w sąsiedztwie słupów takich jak drzewa czy lampy, natomiast zachowywane są punkty należące do poszukiwanych słupów trakcyjnych. Przeprowadzone badania potwierdziły skuteczność opracowanego algorytmu. Proponowana metoda pozwoliła na detekcję wszystkich rodzajów słupów, znajdujących się w obszarze zainteresowania.

EN

In the last few years in Poland the railway infrastructure modernization program was lounged. It requires fast and precise technique to acquire data sets. Mobile laser scanning could be implemented, however automatic modeling methods from point cloud data sets are not suitable for geometrically complex railway infrastructure equipment such as traction poles. The main object of this study is the development of automatic traction poles extraction algorithm from laser scanning data. The flexibility of the method and independence from user-defined parameters were the main algorithm objectives. Because of the laser scanning data volume, simple calculations on point cloud subsets should be used to assure processing efficiency. In this study the combination of density and distance analysis was used. Proposed algorithm has been divided into two stages. In the first step regions of interest are selected by analysis of density difference for points located directly above the railway tracks. The influence of point density bin size on the number of correctly classified region was tested. In the second stage, each of the potential regions is analyzed individually. Iterative method of rejecting points based on distance criteria was used to extract traction poles points. In the study the point cloud from mobile laser scanner with density of 700 points/m2 was used. The test area covers 1.5 km railroad section between Miechow and Slomniki in Poland and contains 26 traction poles. All traction poles within study area were detected. It was proved that by appropriate combination of density and distance analysis, accurate traction poles extraction is possible even in complex regions with many surrounding objects.

Słowa kluczowe

PL

mobilny skaning laserowy; chmura punktów; detekcja obiektów; klasyfikacja; infrastruktura kolejowa

EN

mobile laser scanning; point cloud; object detection; segmentation; railway infrastructure

• Wydawca: Zarząd Główny Stowarzyszenia Geodetów Polskich
• Czasopismo: Archiwum Fotogrametrii, Kartografii i Teledetekcji
• Rocznik: 2012
• Tom: Vol. 24
• Strony: 267--278
• Opis fizyczny: Bibliogr. 16 poz.

Twórcy

autor

Pastucha E.

• AGH w Krakowie, Wydział Geodezji Górniczej i Inżynierii Środowiska, Katedra Geoinformacji, Fotogrametrii i Teledetekcji Środowiska, telefon/fax: [phone]

autor

Słota M.

• AGH w Krakowie, Wydział Geodezji Górniczej i Inżynierii Środowiska, Katedra Geoinformacji, Fotogrametrii i Teledetekcji Środowiska, telefon/fax: [phone]

Bibliografia

• 1. Brenner C., 2009. Extraction of Features from Mobile Laser Scanning Data for Future Driver Assistance Systems. Advances in GIScience. Lecture Notes in Geoinformation and Cartography. Springer, pp. 25-42.
• 2. Briese C., Pfeifer N., 2008. Towards automatic feature Line model ling from terrestrial laser Scanner data. XXIst ISPRS Congress: Commission V, WG 3 , Beijing, pp.463-468.
• 3. Golovinskiy A., Kim V.G., Funkhouser T., 2009. Shape-based recognition of 3D point clouds in urban environments. Proceedings of the 12th International Conference on Computer Vision (ICCV09).
• 4. Gumhold S., Wang X., MacLeod R., 2001 Feature extraction from point Cloud. In Proc. 10th International Meshing Roundtable.
• 5. Huang J., Menq C-H., 2001. Automatic data segmentation for geometric feature extraction from unorganized 3-d coordinate points. IEEE Transactions on Robotics and Automation.
• 6. Lai K., Fox D., 2010. Object Recognition in 3D Point Clouds Using Web Data and Domain Adaptation. The International Journal of Robotics Research, 29, pp.1019-1037.
• 7. Lehtomäki M., Jaakkola A., Hyyppa J., Kukko A., Kaartinen H., 2010. Detection of vertical pole-like objects in a road environment using vehicle-based laser scanning data. Remote Sensing 2 (3), pp.641-664.
• 8. Mehdi-Souzani C., Digne J., Audfray N., Lartigue C., Morel J.-M., 2010. Feature extraction from high- density point clouds: toward automation of an intelligent 3D contactless digitizing strategy. Computer-Aided Design and Applications ,Vol. 7:6, pp. 863-874.
• 9. Pauly M., Keiser R., Gross M., 2003. Multi-scale feature extraction on point-sampled surfaces. Computer Graphics Forum 22.
• 10. Pu S., Rutzinger M., Vosselman G., Oude Elberink S., 2011. Recognizing basic structures from mobile laser scanning data for road inventory studies ISPRS Journal of Photogrammetry and Remote Sensing, 66 (6 SUPPL.), pp. S28-S39.
• 11. Shi, Y., Shibasaki, R., Shi, Z., 2008. Towards automatic road mapping by fusing vehicle-borne multi-sensor data. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences37 (Part B5), pp. 867- 872.
• 12. Sithole G., Vosselman G., 2003. Automatic Structure Detection In a Point-Cloud of an Urban Landscape. 2nd GRSS/ISPRS Joint Workshop on Remote Sensing and Data Fusion over Urban Areas.
• 13. Vosselman, G., 2009. Advanced point cloud processing. Photogrammetric week pp. 137-146.
• 14. Weber C., Hahmann S., Hagen H., 2010a. Methods for Feature Detection In Point Clouds. Shape Modeling International Conference(SMI).
• 15. Weber C., Hahmann S., Hagen H., 2010b Sharp feature detection in point clouds. Shape Modeling International Conference(SMI).
• 16. Yogeswaran A., Payeur P., 2009. Features extraction from point clouds for automated detection of deformations on automotive body parts. Proc. of the IEEE Intl. Workshop on Robotic and Sensor Environments, Lecco, Italy.