Segmentation et Interprétation de Nuages de Points pour la Modélisation d'Environnements Urbains

06/13/2013
by   Jorge Hernandez, et al.
0

Dans cet article, nous présentons une méthode pour la détection et la classification d'artefacts au niveau du sol, comme phase de filtrage préalable à la modélisation d'environnements urbains. La méthode de détection est réalisée sur l'image profondeur, une projection de nuage de points sur un plan image où la valeur du pixel correspond à la distance du point au plan. En faisant l'hypothèse que les artefacts sont situés au sol, ils sont détectés par une transformation de chapeau haut de forme par remplissage de trous sur l'image de profondeur. Les composantes connexes ainsi obtenues, sont ensuite caractérisées et une analyse des variables est utilisée pour la sélection des caractéristiques les plus discriminantes. Les composantes connexes sont donc classifiées en quatre catégories (lampadaires, piétons, voitures et "Reste") à l'aide d'un algorithme d'apprentissage supervisé. La méthode a été testée sur des nuages de points de la ville de Paris, en montrant de bons résultats de détection et de classification dans l'ensemble de données.---In this article, we present a method for detection and classification of artifacts at the street level, in order to filter cloud point, facilitating the urban modeling process. Our approach exploits 3D information by using range image, a projection of 3D points onto an image plane where the pixel intensity is a function of the measured distance between 3D points and the plane. By assuming that the artifacts are on the ground, they are detected using a Top-Hat of the hole filling algorithm of range images. Then, several features are extracted from the detected connected components and a stepwise forward variable/model selection by using the Wilk's Lambda criterion is performed. Afterward, CCs are classified in four categories (lampposts, pedestrians, cars and others) by using a supervised machine learning method. The proposed method was tested on cloud points of Paris, and have shown satisfactory results on the whole dataset.

READ FULL TEXT
POST COMMENT

Comments

There are no comments yet.

Authors

page 2

page 3

page 4

page 5

page 7

02/28/2020

Automated classification of stems and leaves of potted plants based on point cloud data

The accurate classification of plant organs is a key step in monitoring ...
04/14/2020

Apprentissage profond et génération musicale

Si les algorithmes de création musicale ont été imaginés bien avant l’ar...
08/02/2021

Wood-leaf classification of tree point cloud based on intensity and geometrical information

Terrestrial laser scanning (TLS) can obtain tree point cloud with high p...
07/05/2019

A new method for determining the filled point of the tooth by Bit-Plane Algorithm

Up to now, researchers have applied segmentation techniques in their stu...
12/03/2014

Colorisation et texturation temps réel d'environnements urbains par système mobile avec scanner laser et caméra fish-eye

We present here a real time mobile mapping system mounted on a vehicle. ...
07/12/2016

A Machine learning approach for Shape From Shading

The aim of Shape From Shading (SFS) problem is to reconstruct the relief...
11/22/2016

Quad-networks: unsupervised learning to rank for interest point detection

Several machine learning tasks require to represent the data using only ...
This week in AI

Get the week's most popular data science and artificial intelligence research sent straight to your inbox every Saturday.