Введение 3
Глава 1. Лазерное сканирование 5
1.1 Получение трехмерных неструктурированных облаков точек лазерных отражений 5
1.2. Алгоритмы распознавания образов в трехмерных облаках точек 9
Глава 2. Методика сравнения подходов выделения отдельных объектов 24
2.1. Требования к работе 24
2.2. Выбор данных 26
2.3. Программные продукты 30
2.4. Порядок проведения экспериментов 34
Глава 3. Обсуждение результатов экспериментов 37
Заключение 43
Список литературы 45
Технология лазерного сканирования для съемки местности эффективно позволяет получить данные о находящихся на ней объектах. За последнее десятилетие применение лазерных сканеров при съемочных работах обрело большую популярность, за счет оптимального соотношения высокого качества получаемых данных и свойств используемой аппаратуры, таких как стоимость или габариты.
Обработка облаков точек лазерных отражений всегда требовала методы для проведения соответствия между точками скана и конкретными объектами местности. Развитие методологии автоматической классификации трехмерных облаков точек тесно соприкасается с решением задач дисциплины компьютерного зрения, рассматривающего способы распознавания образов из данных на электронно-вычислительных устройствах. Разработано множество методов компьютерного зрения для облаков точек, в том числе направленных и на обработку отдельных категорий объектов местности.
Необходимым этапом работы с автоматической классификацией облаков точек является оценка точности работы алгоритмов.
Гипотеза: Из существующих методов компьютерного зрения по выделению отдельных объектов из облаков точек лидарной съемки для каждого класса объектов возможно выделить конкретный метод, использование которого наиболее оптимально для конкретного класса.
Цель работы: произвести сравнение методов компьютерного зрения для выделения отдельных объектов из не структурированного облака точек лидарной съемки.
Для достижения цели были поставлены основные задачи:
• Ознакомиться с программным обеспечением, реализующим методы компьютерного зрения для неструктурированных облаков точек;
• Произвести выбор размеченных наборов данных для проведения экспериментов;
• Подобрать метрики для оценки точности выделения отдельных объектов относительно размеченного облака точек и реализовать их подсчет;
• Провести эксперименты по выделению отдельных объектов из выбранных наборов данных с помощью выбранных программных продуктов и интерпретировать их результаты.
Объект исследования: неструктурированные трехмерные облака точек лазерных отражений.
Предмет исследования: методы автоматического выделения классов в трехмерных облаках точек лазерных отражений.
В рамках данной работы было произведено сравнение трех программных продуктов, предоставляющих возможности классифицировать трехмерных облака точек лазерных отражений с использованием различных подходов: TerraScan, ENVI LiDAR и Global Mapper. Сравнение было произведено на основе экспериментов, для которых были выбраны облака точек из двух наборов данных: DALES и OpenGF.
Рассмотренные программы имеют различные подходы к реализации доступа пользователя к методам классификации. Большую скорость выполнения, разнообразие встроенных методов и гибкость в составлении сценариев классификации предоставляет TerraScan. В отличие от него ENVI LiDAR и Global Mapper имеют более дружественный к пользователю интерфейс с очевидным заданием параметров, но меньшую гибкость в составлении сценариев классификации. Кроме того, результаты проведенных экспериментов показали что время, затраченное TerraScan существенно меньше, чем время, затраченное другими программами.
Предположение об отсутствии подхода, который будет для различных классов работать оптимальнее любого другого подхода подтвердилось. Однако идея о том, что для каждого класса можно найти алгоритм, который будет выделять его наиболее корректно, оказалась несостоятельной, что показало существенную зависимость работы методов от классифицируемой сцены.
Исходя из наличия этой зависимости сделаны предложения, основная идея которых заключается в том, что в дальнейшем имеет смысл развивать разработку методов распознавания объектов в облаках точек путем автоматизации исследования свойств отдельных объектов для поиска оптимальных параметров классификации с минимальным человеческим участием. Именно такая идея используется в методах машинного обучения, что может говорить о широких перспективах их дальнейшего развития. Однако при таком развитии деятельность специалистов заменится с подбора параметров для классификации на разработку методов по поиску таких параметров и контроль результатов их работы.
