Paper4：モバイルLIDAR PointCloからの3D極のようなオブジェクトのボクセルベースの抽出と分類

モバイルLIDARポイントクラウドデータからの3D極のようなオブジェクトのボクセルベースの抽出と分類

記事のダウンロードリンク：https：//download.csdn.net/download/m0_37957160/12805395

車載ポイントクラウドにおける3Dロッド型ターゲットのボクセルベースの抽出と分類

概要：

道路環境のデジタルマッピングは、道路インフラの検査と都市計画の重要なタスクです。ポール状のターゲットの自動抽出と分類は、作業効率を大幅に低下させ、改善する可能性があります。したがって、本論文では、物体の空間特性を分析することにより、三次元（３Ｄ）棒状物体を自動的に抽出および分類するボクセルベースの方法を提案する。まず、線形ボクセルのセットが、ボクセルベースの形状認識によって棒状のオブジェクト候補として生成され、後続のモジュールの入力として使用されます。棒状の特徴の局所的な分離によると、主な方向はZ軸に沿っており、適応半径と垂直方向の成長を伴う円筒形モデルを使用して、棒状の特徴に属するボクセルを識別します。最後に、形状の特徴と空間的なトポロジー関係に基づいていくつかのセマンティックルールが導出され、抽出された極のようなオブジェクトはさらに4つのカテゴリ（電柱、電柱、樹木柱など）に分類されます。提案された方法は、モバイルリダーポイントクラウドデータの3つのデータセットを使用して評価されます。実験結果は、この方法が3つのサンプルから極端なターゲットを効果的に抽出できることを示しており、抽出率はそれぞれ85.3％、94.1％、92.3％です。さらに、この記事で提案する方法は、効果的に分類、特にトランク分類を行うことができます。

提案手法のフローチャートは以下のとおりです。

提案された方法のステップ：

1）生成：ボクセルベースの形状認識を通じて、棒状のターゲットの候補として一連の線形ボクセルを生成します。

2）識別：棒状のオブジェクトに属するボクセルを識別するために、適応半径を持つ円形モデルを使用します。

3）抽出：垂直領域成長アルゴリズムに基づいて、個々の棒状のオブジェクトを抽出します。

4）分類：抽出された棒状のオブジェクトを、いくつかのセマンティックルールに従ってさらに分類します。

以下は、上記の1）2）3）4）ステップに対応するABCDステップの詳細な内訳です。

A、ボクセルベースの形状認識

棒状の本体の一部は線形パターンを示し、他の部分（建物や樹冠など）は通常、平らまたは球形の特徴を示します。したがって、このセクションでは、ボクセル化、ボクセルベースの寸法分析、MRFベースの形状認識の最適化など、ボクセルベースの形状認識の連続スキームを採用します。したがって、線形ボクセルのセットが後続のモジュールへの入力として生成されます。

1）ボクセル化：車両レーダーには多くのポイントが含まれており、これらのポイントの分布は非常に複雑です。したがって、データ量を削減するために、プリミティブとしてXYZ座標（軸）に基づいて3Dボクセルのみを作成します。空間は通常の3次元グリッドに分割され、各ボクセルは長方形の平行パイプの形状であり、その幾何学的形状は長さ（l）、幅（w）、高さ（h）によって定義されます。ボクセルの位置は、列（i）、行（j）、およびレイヤー（k）によってインデックス付けされます。三次元ボクセルの最小座標（Xmin、Ymin、Zmin）と長さ（l）、幅（w）、高さ（h）に従って、ポイントクラウド内の各ポイントのインデックス（i、j）は式（1）で計算できます。、k）。したがって、多数のポイントがグループ化されて3Dボクセルが形成されます。下の図に示すように、複数のポイントが組み合わされて3次元のボクセルが形成されます。

2）ボクセルベースの寸法分析:(ボクセルベースの寸法分析---線、表面、球）

ボクセル化後、PCAを使用してボクセルの次元を分析します。PCAは広く受け入れられている次元分析の方法であり、ポイントクラウドデータ内のオブジェクトを3つの形状に推測するために広く使用されています。平面および球形。

ボクセル寸法分析は、ボクセル内の点の局所的な形状を分析するプログラムです。ボクセルのサイズによって、含まれるポイントの数が直接決定されることはよく知られています。これは、寸法分析の正確さに影響を与える可能性があります。または、クエリボクセルの幾何学的中心と事前定義された半径Rの近傍に基づいて寸法分析を実行できます。p（幾何学的中心）の周りの幾何学的構造を記述するために、次の式を使用して幾何学的中心pとその近傍を照会し、共分散行列を取得します。 $C_ {p}$

$C_ {p} = \ frac {1} {| N |} \ sum_ {p_ {i} \ subseteq n} ^ {}（p_ {i}-\ bar {p}）（p_ {i}-\ bar { p}）^ {T}$

上記式| Nは|ポイント近傍の数を表し、 $\ bar {p} = \ frac {1} {| N |} \ sum_ {p_ {i} \ subseteq n} ^ {} p_ {i}$ およびlet $\ lambda _ {1}> \ lambda _ {2}> \ lambda _ {3}> 0$ こと $C_ {p}$ の標準固有値共分散行列。文学[24]の考え方によれば、以下に示すように $a_ {1d}$ 、線形（）、平面（ $a_ {2d}$ ）、球形（ $a_ {3d}$ ）の特性を使用して、点の幾何学的構造を識別します：

ただし、次元分析のパフォーマンスは、事前定義された半径Rの影響を受けやすくなります。たとえば、事前定義された半径Rが小さすぎると、ポイントの幾何学的構造が正しく推定されず、事前定義された半径Rが大きい場合、ノイズの影響を受ける可能性があります。したがって、このペーパーでは、エントロピー関数[26]を使用して、事前定義された半径Rを適応的に決定し、次のようにポイントの幾何学的構造を推測します。

ましょう $R_ {分}$ と $R_ {max}$ 、それぞれ最小と最大半径です。 $R_ {追加}$ エントロピー関数は、事前定義された半径Rを繰り返し増加させることによって $E_ {f}（V_ {p} ^ {R}）$ 最小化されます。幾何学的なクエリP、事前定義された半径R、固有値の中心 $\ lambda _ {1}、\ lambda _ {2}、\ lambda _ {3}$ と対応する固有ベクトル $v_ {1}$ 、 $v_ {2}$ 及び $v_ {3}$ 記憶されています。次に計算し $a_ {1d}$ 、 $a_ {2d}$ 、 $a_ {3d}$ および（表Iを参照してください）。

$a_ {1d}$ 最大値がある場合、ボクセル内に設定された点は線形であり、その主な方向は、線形オブジェクトの方向と位置合わせされた特徴ベクトルv1の方向です。 $a_ {2d}$ 値が最大の場合、ボクセル内の点雲は平面形状を示し、その主な方向は特徴ベクトルv3の方向、つまり平面の法線方向です。最後に、 $a_ {3d}$ の値が最大の場合、ボクセル内のポイントクラウドは球形であり、支配的な方向はありません。図3は、ボクセルベースの形状認識の結果を示しています。（を参照して、文献[24]理由を説明する $a_ {1d}$ 、 $a_ {2d}$ 、 $a_ {3d}$ 線形平面球状理由を表すことができます）

ポールのような部分が他の地面オブジェクト、特に建物や木の枝に属している可能性があるため、PCAの結果を最適化するためにMRFモデルを使用しました）

3）MRFベースの形状認識の最適化:(最適化は線形です）

図4に示すように、セクションII-A2（前のステップ）で識別された線形ボクセルは、複雑さと不完全さ、オクルージョン、および不完全性のために、棒状のオブジェクトではなく、枝または建物の線形部分である可能性があります。ノイズ。さらに、棒状のオブジェクトとは異なり、他のほとんどの地面のオブジェクト（建物や樹冠など）は平らで球形であることがわかりました。

図4のこの問題を解決するために、通常、MRFモデルを使用してコンテキスト情報をモデル化し、ローカルで連続的かつグローバルな最適な結果を取得します。したがって、このセクションでは、後続の検出および分類モジュールのコンテキスト情報を導入して形状認識結果を最適化し、最適化問題をバイナリラベリング問題（つまり、線形および非線形ボクセル）として表すことを目標としています。

（直線状であるが棒状ではないものを見つけ、MRFモデルを使用して最適化します）

マルコフモデル（[27]で導入）は、重み付けされた無向グラフです $G = <V、E>$ 。ここで、Vはボクセルに対応するノードのセットを表し、Eは隣接するノード間の無向エッジのセットを表します。本明細書では、重み付けは、線形および非線形タイプに対応する、図２ $V_ {s}$ および図２への追加の端子をさらに含まない $V_ {t}$ 。ポイントクラウドDの場合、を使用して $\ zeta$ ボクセルのセットを示し、 $\ zeta = \ left \ {\ zeta _ {1}、\ zeta _ {2}、...、\ zeta _ {N} \ right \}$ Ωを使用してタグのセットを示し、 $\ Omega = \ left \ {linear、nonlinear \ right \}$ Lをボクセルタグ構造のすべての可能性を示します（構成と形状（構成）は不明です） $L = \ left \ {l =（l _ {\ zeta 1}、l _ {\ zeta 2}、... ,, l _ {\ zeta N}）| l _ {\ zeta i} \ in \ Omega、i = 1 、2、...、N \ right \}$ 。したがって、ノードセット $V = \ left \ {V _ {\ zeta i} | i = 1,2、...、N \ right \} \ cup \ left \ {V_ {s}、V_ {t} \ right \}$ とエッジセット $\ left \ {\ left \ {V _ {u}、V_ {v} \ right \}、\ left \ {V _ {u}、V_ {s} \ right \}、\ left \ {V _ {u }、V_ {t} \ right \} \ right \}、u、v \ in \ left \ {\ zeta _ {i} | i = 1 ... N \ right \}$ 。コンピュータビジョンの分野では、最適なラベル構成を見つけることは、以下に示すように $L ^ {*}$ 、エネルギー関数の最小化として自然に表現できます。

データ項目Endata（L）は、Lと観測データ間の不整合を測定し、平滑化項目Esmooth（L）は、Lの非セグメント平滑化の程度を測定し $\ラムダ$ 、重みパラメーターを表します。

データ項目の形式は通常、次のように定義されます。

その中で、 $D_ {u}（l_ {u}）$ 定量的測定ラベル $l_ {u}$ と観測データとの適合度は、式（7）を使用して計算されます。 $a_ {1d}$ 値が大きい $D_ {u}（l_ {u}）$ ほど、データ項目は小さくなります。

ローカルで連続的でグローバルに最適なラベル構造を生成するために（構成と形状（構成）を変換する方法は不明です）、滑らかな用語Esmooth（L）は通常次のように定義されます。

ここで、Rは26の近傍システムを表します。

$\ rho$ 隣接距離の期待値として表されます（参考文献[28]）。式（8）で定義されているように、同じラベルを持つ隣接するボクセルのペナルティ項はゼロです。ラベルが異なる隣接するボクセルの場合、それらの間の距離が小さいほど、滑らかさのペナルティが大きくなります。したがって、滑らかな用語Ensmooth（L）は、隣接するボクセルが同じラベルに属する範囲をエンコードします（滑らかな用語Ensmooth（L）は、隣接するボクセルが同じラベルに属する範囲をエンコードします）。表IIに、重み付き無向グラフのエッジの重みの定義を示します。最後に、 $\アルファ-\ベータ$ エネルギー関数（5）は、交換アルゴリズムによって最小化されます（参照[29]）。有限のラベルセットのエネルギー関数をほぼ最小化するため、計算効率の向上を証明するだけでなく、グローバルな最適解も得られます。

B.適応半径のある円形モデルを使用した極のようなオブジェクトのボクセルの識別（识E杆状）

（パーツAにはすでに線形、表面、球のラベルが付いているため、このステップは識別です）

セクションII-Aで説明されている手順に従って、各ボクセルは線形、フラット、または球形としてラベル付けされます。棒状のオブジェクトは通常、独立して分離されており、それらの主な方向はz軸にほぼ平行であることに注意してください。独立した棒状のボクセルは垂直方向に直線的に配置され、水平方向に平坦または球形のボクセルはありません。対照的に、樹冠、低植生、建物のファサードなどの他の地面のオブジェクトは、水平方向に複数の連続したボクセルを持っている可能性があり、これらのボクセルのほとんどは平らまたは球形です。したがって、スライス戦略（参照[7]）に従い、適応半径を持つ円形モデル（参照[13]）を使用して、棒状のオブジェクトに属するボクセルを識別します。

図6（a）に示すように、最初に、選択した間隔（この記事のボクセルのサイズなど）に従って非接地点をスライスします。スライス後、セクションIIで生成された線形ボクセルを同じスライス内の隣接する線形ボクセルとクラスター化する（参照[30]）とは、接続された線形ボクセルを同じスライス内にクラスター化することです。。）次に、図6（b）に示すように、クラスターポイントが関連するスライス平面に投影されます。

実際、リダーポイントクラウドデータでは、これらの個々の棒状のオブジェクトは、周囲に空きスペースがある細いポイントクラスターである必要があります。したがって、2つの同心円で構成される適応半径を持つ円形モデルを確立しました。図6（b）に示すように、クエリクラスターの幾何学的中心pが2つの同心円の中心であり、幾何学的中心pとクエリクラスター内の任意の点との間の最大水平距離が $d_ {max}$ 内側の円の検索半径であるとします。 $d_ {max} + r$ は外側の円の検索半径であり、rは検索半径を制御するためのしきい値です。理論的には、クエリクラスターが棒状のオブジェクトの一部である場合、外側の円の点の数（Nmax）と内側の円の点の数（Nmin）は等しくなります。棒状でないオブジェクト（道路標識など）がいくつかあるシーンがある可能性があることを考慮して、それらが満たされる場合 $N_ {max} -N_ {min} <N_ {threshold}$ 、クエリクラスターを棒状としてマークします（ここで、Nthresholdは棒状でないオブジェクトポイントの数を制御するためのしきい値です）。。

図7は、さまざまな地面オブジェクトを検出するための円形モデルの例です。電信ポールは主に線形ボクセルで構成されており、垂直方向の非線形ボクセルはありません（つまり、この方向のボクセルは線形です）。水平方向では、周囲にほとんど空きスペースがあり、街路樹の天蓋があります。それは建物の構造と比較的複雑で、主に垂直方向と水平方向に平らまたは球形のボクセルです。

したがって、円形モデルを使用して棒状オブジェクトに属する線形ボクセルを識別し、垂直領域成長アルゴリズムを使用して棒状オブジェクトを個別化し、同じ棒状オブジェクトを照合してマージしました（したがって、円モデルを使用して極状オブジェクトに属する線形ボクセルを認識し、垂直領域成長アルゴリズムを実行して、同じ極状オブジェクトを照合およびマージするために極状オブジェクトを個別化しました）

C.垂直領域の成長に基づく極のようなオブジェクトの抽出（垂直領域の成長に基づく極のようなオブジェクトの抽出）

スライスごとに、棒状のオブジェクトに属するボクセルが識別され、単一の棒状のオブジェクトを検出するためのシードボクセルとして使用されます。

図8に示すように、棒状のオブジェクトの一部のコンポーネントは棒状ではない場合があります。単一の棒状オブジェクトの場合、このセクションでは、柱状構造（参照[10]）で垂直領域成長アルゴリズムを実行して、棒状ボクセル、つまり同じ棒状オブジェクトを一致させてマージします。したがって、すべての独立した極のようなオブジェクトが抽出されます。図9に示すように、垂直領域成長アルゴリズムの具体的なプロセスは次のとおりです。

1）垂直方向の成長は、棒状のオブジェクトに属するボクセルの1つから始まり、最初の単一の棒状のオブジェクトが作成されます。

2）柱状構造のシードボクセルから垂直方向に成長し、極状オブジェクトに属する最も近いボクセルがクエリセグメンテーションオブジェクトに追加されます。

3）この成長は、クエリセグメントオブジェクトと、極状オブジェクトに属する次に近いボクセルとの間の距離がしきい値0.5mを超えるまで続きます。しきい値は、実験シーン内の任意の2つの棒状オブジェクト間の最小距離によって決定されます。

4）ポール状のオブジェクトに属するすべてのボクセルがトラバースされるまで、前の手順を繰り返します。したがって、ポイントの各セットは、独立した極のようなオブジェクトを表します。

壊れた極のようなオブジェクトは、RANSACベースの方法で再構築され、ランサックベースの方法を使用して壊れた極のようなオブジェクトを再構築し、個々の極のようなオブジェクト全体を取得しました。

棒状の物体の内部には棒状でない部品が存在するため、垂直領域成長アルゴリズムによってのみ抽出された個々の棒状の物体は、垂直方向の連続性を持たない場合があります[図9（b）]。これらの壊れた棒状のオブジェクト（つまり、垂直方向に連続していない）の場合、ランダムサンプリングアグリーメント（RANSAC）アルゴリズム（参照[31]）を使用して、クエリの単一の棒状のオブジェクトを3Dラインに適合させます。初期データを使用してフィッティング条件を満たすことができるだけ少なく、一貫した方法を使用してデータセットを拡張するため、ノイズに対する強力な堅牢性があります。次に、破砕部分のこれらの点と、最大半径未満の3Dフィッティングラインからの距離をクエリに依存しない棒状のオブジェクトに追加して、完全な棒状のオブジェクトを取得します[図9（c）を参照]。

D.セマンティックルールに基づくポールライクオブジェクト分類（セマンティックルールに基づくポールライクオブジェクト分類）

道路環境は、ランプポスト、道路標識、交通灯、電柱、木の幹など、さまざまな柱のようなオブジェクトで構成されている場合があります。これらの異なるタイプの棒状のオブジェクトは、通常、異なる形態的特徴と空間的トポロジー的関係を示します。したがって、セクションII-Cですべての独立した極オブジェクトを識別した後、オブジェクトの形態的特徴と他のオブジェクトとの空間的関係からいくつかの意味規則を取得できます。これらの規則は、これらを分類するために使用されます。抽出された棒状のオブジェクトは、木の幹、電柱、街灯などの4つのカテゴリに分類されます（たとえば、街路標識）。

高さ（参考文献[32]）は棒状の物体の重要な特徴であり、通常は種類によって異なります。これは、さまざまな棒状の物体を分類するための標準として使用できます。たとえば、ランプポスト、道路標識、交通灯、電柱などの柱のような物体の高さは、通常、明確な仕様がありますが、木の幹の高さは、樹齢や樹種によって異なります。電信柱は、電力線の安全性と信頼性の高い配電を確保するための最大の目標です。

図10に示すように、異なる棒状オブジェクトは異なる2次元（2-D）投影点分布を示し、赤い2Dグリッドは、パートII-Cで抽出された単一の棒状オブジェクトの位置です。

たとえば、トランクはキャノピーに接続する必要があり、キャノピーを使用してトランクを識別できます。具体的には、赤いグリッドの隣接する24の領域にポイントを含む2次元グリッドの数を累積的に照会します。ポイントを含む2次元グリッドの数がしきい値を超えると、クエリの棒状のオブジェクトが木の幹としてマークされます。したがって、木の幹は他の種類の棒状のオブジェクトとは異なります。以下の分類手順では、ポール、ランプポストなどを高さ情報に従って分類します。特定の地域の電柱とランプポストの高さは、通常、市の部門に相談することができます。私たちの実験では $N_ {h}$ 、各棒状のオブジェクトの標準の高さ（）を計算できます。の場合 $N_ {h}> h_ {utility}$ 、クエリポールのようなオブジェクトは電話ポールとしてマークされます。の場合 $N_ {h}> h_ {lamp}$ 、クエリポールのようなオブジェクトは街灯としてマークされます。これらの2つの条件が満たされない場合、照会された棒状のオブジェクトは他のオブジェクトとしてマークされます。

III。実験と分析（実験と分析）

Paper4：モバイルLIDAR PointCloからの3D極のようなオブジェクトのボクセルベースの抽出と分類

おすすめ