Porównanie algorytmów RANSAC oraz rosnących płaszczyzn w procesie segmentacji danych lotniczego skaningu laserowego

• Autorzy: Jarząbek-Rychard M. , Borkowski A.

Warianty tytułu

EN

Comparison of RANSAC and plane growing algorithms for airborne laser scanning data segmentation

• Języki publikacji: PL

Abstrakty

PL

W ostatnich latach, wraz z osiągnięciem zdolności operacyjnej i wzrostem dostępności lotniczego skanowania laserowego (LIDAR) nastąpiło również zwiększenie zainteresowania opracowaniami 3D tworzonymi na podstawie danych pozyskanych z wykorzystaniem tej techniki. Jednym z centralnych zagadnień modelowania geoinformacji na podstawie danych LIDAR jest modelowanie zabudowy. W modelowaniu tym główny nacisk kładzie się na automatyzację procesów. Dostępne oprogramowanie komercyjne charakteryzuje się bowiem znacznym poziomem interaktywności – tworzenie modelu wymaga dużego udziału operatora. W procesie trójwymiarowego modelowania zabudowy wyróżnia się na ogół cztery podstawowe etapy, przy czym kluczowym wydaje się etap polegający na segmentacji punktów należących do budynku. W procesie tym ze zbioru zawierającego zarówno punkty obarczone błędami przypadkowymi jak i grubymi wyodrębniane zostają podzbiory punktów reprezentujących (modelujących) poszczególne płaszczyzny. Wynika to z faktu, iż budynki formowane są najczęściej jako kombinacja płaszczyzn w przestrzeni 3D. W pracy przedstawiono analizę dwóch, najczęściej wykorzystywanych w celu segmentacji algorytmów: RANSAC i rosnących płaszczyzn, przy czym w tym ostatnim, wprowadzono modyfikacje, uwzględniające topologię w zbiorze danych. Podano podstawowe informacje dotyczące omawianych metod. Testy numeryczne wykonano z wykorzystaniem zarówno syntetycznych jak i rzeczywistych danych skaningu laserowego. W wyniku przeprowadzonych eksperymentów można stwierdzić, że algorytm RANSAC charakteryzuje się krótkim czasem wykonania segmentacji dla nieskomplikowanych modeli. Potrafi jednak łączyć ze sobą odrębne w rzeczywistości obiekty leżące w tej samej płaszczyźnie; dobrze nadaje się do segmentacji standardowych dachów, złożonych z małej liczby elementów. Algorytm rosnących płaszczyzn jest bardziej odpowiedni dla modeli o większym stopniu skomplikowania. Poprawnie rozdziela odrębne obiekty leżące w tej samej płaszczyźnie. Czas wykonania zależy głównie od liczby punktów w zbiorze – nie zależy od liczby wyodrębnianych płaszczyzn.

EN

In recent years, the LIDAR technique has undergone fast development. The increasing access and operating ability caused a growing interest in 3D processing of data acquired by LIDAR. One of the main tasks of geo-information modeling is to create virtual city models. As the available commercial softwares require a high level of user interactivity, the crucial issue of modeling is its automation. There are four main steps that comprise virtual building extraction. One of them, building point cloud segmentation, appears to be the core part of the whole modeling process. Segmentation allows partitioning of a data set, that contains points biased by random and gross errors, into smaller sets which represent different planes. This arises from the fact, that buildings are formed by a combination of planes in 3D space. The paper presents an analysis of two algorithms that are most commonly applied to segmentation: RANSAC and plane growing. The latter is modified, taking into consideration topology between points. The essential information about both algorithms is presented. Numerical tests based on synthetic and real laser scanning data are executed. It is inferred from the experiments that the RANSAC algorithm features short time performance for simple models. However, at times it merges different objects lying in the same plane. The algorithm is suited well for segmentation of standard roofs that contain small number of elements. The plane growing algorithm is more suitable for more complicated models. It separates different objects situated in the same plane. Time performance depends mostly on the number of points within a data set; it is not affected by the number of identified planes.

Słowa kluczowe

PL

segmentacja; skaning laserowy; chmura punktów; RANSAC; rosnące płaszczyzny; modelowanie 3D

EN

segmentation; laser scanning; point cloud; 3D modelling

• Wydawca: Zarząd Główny Stowarzyszenia Geodetów Polskich
• Czasopismo: Archiwum Fotogrametrii, Kartografii i Teledetekcji
• Rocznik: 2010
• Tom: Vol. 21
• Strony: 119--129
• Opis fizyczny: Bibliogr. 7 poz.

Twórcy

autor

Jarząbek-Rychard M.

• Instytut Geodezji i Geoinformatyki, Uniwersytet Przyrodniczy we Wrocławiu

autor

Borkowski A.

• Instytut Geodezji i Geoinformatyki, Uniwersytet Przyrodniczy we Wrocławiu

Bibliografia

• 1. Awrangjeb M., Ravanbakhsh, M., Fraser, C. S., 2010. Automatic detection of residential buildings using LIDAR data and multispectral imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 65 (2010), 457–467.
• 2. Berg M. de, Kreveld M. van, Overmars M., Schwarzkopf O., 2007. Geometria obliczeniowa. Wydawnictwo Naukowo-Techniczne, Warszawa, s. 119–139.
• 3. Dorniger P., Pfeifer N., 2008. A comprehensive automated 3D approach for building extraction, re construction and regularization from air borne laser scanning point cloud. Sensors, vol. 8, 7323–7343.
• 4. Fischler, A., Bolles, C., 1981. Random sample concensus: a paradigm for model fitting with applications to image analysis and automated cartography. Communications of the ACM, 24(6), s. 381–395.
• 5. Moore A.W., 1991. An introductory tutorial on k-D trees. Extract from PhD Thesis:
• 6. Efficient Memory-based Learning for Robot Control. University of Cambridge, s. 6.5–6.9. Vosselman G., Maas, H-G., 2010. Airborne and terrestrial laser scanning. Whittles Publishing, Dunbeath, s. 58–75, 317.
• 7. Zuliani M., 2009, RANSAC. http://vision.ece.ucsb.edu/~zuliani/Research/RANSAC/docs/