|
Abstract:
|
[EN] Light detection and ranging (LiDAR) is a remote-sensing technique used to obtain three-dimensional (3D) information of the Earth quickly and accurately.
In recent years, LiDAR technology systems have been intensively ...[+]
[EN] Light detection and ranging (LiDAR) is a remote-sensing technique used to obtain three-dimensional (3D) information of the Earth quickly and accurately.
In recent years, LiDAR technology systems have been intensively used in different urban applications such as map updating, communication analysis and virtual city modeling. In all applications mentioned is a prerequisite to detect the different objects in the scene. In this regard, one of the most challenging topics is considered to be automatic object classification due to the large variety of natural and man-made objects.
The increasing demand for a fast, efficient and automatic algorithm to extract three-dimensional urban features was the motive behind this thesis. Specifically, the objective of the research is the development and implementation of efficient algorithms in the field of classification of objects in complex urban areas with minimal dependence on preset thresholds, in order to achieve a greater degree of automation and greater consistency in the results.
The developed algorithms cover all phases of processing and pre-processing of LiDAR data, from the organization of the point cloud in spatial data structures to the neighbourhood definition, filtering and outlier detection and the classification of different entities that make up the scene. Furthermore , the whole pipeline proposed herein is fully automatic and is developed in C++.
The proposed classification process detects four entities: bare earth, bridges, buildings and vegetation with small objects. To identify each class different algorithms have been developed and evaluated on two complex urban areas.
To filter outliers different algorithms have been developed based on analysis of the neighborhood in terms of distribution of altitudes. In this regard, the best results are achieved by using a multiprocess approach with adaptive thresholds, achieving an overall classification accuracy of 99.9%.
Bare earth is classified using a new densification method that combines segmentation techniques and features of other methods such as morphological filters and interpolation-based Methods. The inclusion of additional analysis improves the classification, achieving an average of errors less than 0,5 % for both data test.
The classification of bridges is carried out by detecting edges and directional analysis of the structural continuity. Once again, the best results are achieved by using a multiprocess algorithm with adaptive thresholds.
To differentiate the buildings from vegetation and other small objects is introduced the new concept of angular classification. The more precise classification is obtained by combining the angular classifier with texture analysis techniques, achieving an average errors in building class in the range of 0,40 % and 1,52 %, depending on the application zone.
The experimental results confirm the high accuracy achieved to automatically classify urban objects in complex areas. Furthermore, it is noteworthy that the best results are obtained by multiprocess algorithms with adaptive thresholds or combining algorithms with different approaches. This latter aspect is one of the greatest contributions of the research proposed.
[-]
[ES] Light Detection and Ranging (LiDAR) es una técnica fotogramétrica y de teledetección frecuentemente utilizada para obtener con rapidez y precisión densa información 3D de la superficie terrestre.
En los últimos años, ...[+]
[ES] Light Detection and Ranging (LiDAR) es una técnica fotogramétrica y de teledetección frecuentemente utilizada para obtener con rapidez y precisión densa información 3D de la superficie terrestre.
En los últimos años, la tecnología LiDAR ha sido ampliamente utilizada en diferentes aplicaciones dentro de entornos urbanos tales como la actualización cartográfica, el análisis de comunicaciones y el modelado de ciudades virtuales. En todas las aplicaciones mencionadas resulta necesario detectar las distintas entidades que conforman la escena como paso previo. En este sentido, conseguir una clasificación automática es uno de los aspectos que mayor dificultad presenta debido a la gran variedad de objetos naturales y artificiales.
La creciente demanda de un algoritmo rápido, eficiente y automático para extraer características urbanas en tres dimensiones motivó el desarrollo de la presente tesis. Concretamente, el objetivo de la investigación es el desarrollo e implementación de algoritmos eficientes en el ámbito de la clasificación de entidades en áreas urbanas complejas que posean una dependencia mínima con respecto a los parámetros umbrales preestablecidos, con el fin de conseguir así un mayor grado de automatización y una mayor homogeneidad en los resultados.
Los algoritmos desarrollados abarcan la totalidad de fases propias del tratamiento y pre-procesado de datos LiDAR, desde la organización de la nube de puntos en estructuras espaciales de datos hasta la definición del vecindario, la detección y filtrado de errores groseros y la clasificación de las distintas entidades que componen la escena. Asimismo, toda la metodología propuesta es totalmente automática y se ha implementado en C++.
El proceso de clasificación propuesto detecta un total de cuatro entidades: terreno, puentes, edificios y vegetación junto con pequeños objetos. Para identificar cada clase diferentes algoritmos han sido desarrollados y evaluados sobre dos zonas test urbanas de gran complejidad.
Para filtrar errores groseros se han desarrollado distintos algoritmos basados en el análisis del vecindario en cuanto a distribución de altitudes. En este sentido, el que obtiene mejores resultados utiliza un enfoque multiproceso con parámetros umbrales adaptativos, alcanzando una exactitud global de la clasificación del 99,9%.
El terreno es clasificado mediante un nuevo método de densificación que combina técnicas de segmentación y características propias de otros métodos como filtros morfológicos y filtros basados en interpolación de superficies. La inclusión de análisis adicionales mejora la clasificación, consiguiendo una media de errores para ambas zonas test menor al 0,5 %.
La clasificación de puentes se realiza mediante la localización de bordes y el posterior análisis direccional de la continuidad estructural. De nuevo, los mejores resultados se alcanzan al utilizar un algoritmo multiproceso con parámetros adaptativos.
Para diferenciar los edificios de la vegetación y otros pequeños objetos se introduce el nuevo concepto de clasificador angular. La clasificación más precisa se obtiene al combinar el clasificador angular con técnicas de análisis de texturas, consiguiendo una media de errores en la clase edificio que oscila entre 0,40 % y 1,52 % dependiendo de la zona test.
Los resultados experimentales confirman la alta precisión conseguida en la clasificación automática de entidades en zonas urbanas complejas.. Además, cabe destacar que los resultados más precisos se obtienen al utilizar algoritmos multiproceso que ajustan automáticamente los parámetros umbrales, o bien al combinar algoritmos con enfoques distintos. Siendo este aspecto uno de los mayores aportes de la investigación.
[-]
[CA] Light Detection and Ranging (LiDAR) és una tècnica fotogramètrica i de teledetecció freqüentment utilitzada per obtenir amb rapidesa i precisió densa informació 3D de la superfície terrestre.
En els últims anys, la ...[+]
[CA] Light Detection and Ranging (LiDAR) és una tècnica fotogramètrica i de teledetecció freqüentment utilitzada per obtenir amb rapidesa i precisió densa informació 3D de la superfície terrestre.
En els últims anys, la tecnologia LiDAR ha estat àmpliament utilitzada en diferents aplicacions dins d'entorns urbans com ara l'actualització cartogràfica, l'anàlisi de comunicacions i el modelat de ciutats virtuals, En totes les aplicacions esmentades resulta necessari detectar les diferents entitats que conformen l'escena com a pas previ. En aquest sentit, aconseguir una classificació automàtica és un dels aspectes que més dificultat presenta a causa de la gran varietat d'objectes naturals i artificials.
La creixent demanda d'un algoritme ràpid, eficient i automàtic per extraure característiques urbanes en tres dimensions va motivar el desenvolupament d'aquesta tesi. Concretament, l'objectiu de la investigació és el desenvolupament i implementació d'algoritmes eficients en l'àmbit de la classificació d'entitats en àrees urbanes complexes que posseïxen una dependència mínima pel que fa als paràmetres umbrals preestablerts, per tal d'aconseguir així un major grau de automatització i una major homogeneïtat en els resultats.
Els algoritmes desenvolupats comprenen la totalitat de fases pròpies del tractament i pre-processat de dades LiDAR, des de l'organització del núvol de punts en estructures espacials de dades fins a la definició del veïnat, detecció i filtrat d'errors grossers i la classificació de les diferents entitats que componen l'escena. Així mateix, tota la metodologia proposada és totalment automàtica i s'ha desenvolupat en C++.
El procés de classificació proposat detecta un total de quatre entitats: terreny, ponts, edificis i vegetació juntament amb petits objectes. Per identificar cada classe diferents algoritmes han estat desenvolupats i avaluats sobre dues zones test urbanes de gran complexitat.
Per filtrar errors grossers s'han desenvolupat diferents algoritmes basats en l'anàlisi del veïnat quant a distribució d'altituds. En aquest sentit, el que obté millors resultats utilitza un enfocament multiprocés amb paràmetres umbrals adaptatius, aconseguint una exactitud global de la classificació del 99,9%.
El terreny és classificat mitjançant un nou mètode de densificació que combina tècniques de segmentació i característiques pròpies d'altres mètodes com filtres morfològics i filtres basats en interpolació de superfícies. La inclusió d'anàlisis addicionals millora la classificació, aconseguint una mitjana d'errors per a ambdues zones test menor al 0,5 %.
La classificació de ponts es realitza mitjançant la localització de vores i la posterior anàlisi direccional de la continuïtat estructural. De nou, els millors resultats s'aconsegueixen amb la utilització d'un algoritme multiprocés amb paràmetres adaptatius.
Per diferenciar els edificis de la vegetació i altres petits objectes s'introdueix el nou concepte de classificador angular. La classificació més precisa s'obté combinant el classificador angular amb tècniques d'anàlisis de textures, aconseguint una mitjana d'errors a la classe edifici que oscil¿la entre 0,40 % i 1,52 % depenent de la zona test.
Els resultats experimentals confirmen l'alta precisió aconseguida en la classificació automàtica d'entitats en zones urbanes complexes. A més, cal destacar que els resultats més precisos s'obtenen utilitzant algoritmes multiprocés que ajusten automàticament els paràmetres umbrals, o bé combinant algoritmes amb enfocaments diferents. Aquest aspecte es una de les majors aportacions de la investigació.
[-]
|
