Automatic extraction of planar objects from lidar point cloud data

Abstract

Nokta bulutu verilerinden tam veya yarı-otomatik olarak nesnelerin çıkarılması problemi, çok büyük miktardaki veri ve problemin karmaşıklığı nedeniyle oldukça zor bir iştir. Bu tezde, düzlemsel nesnelerin LiDAR nokta bulutu verilerinden çıkarılması amacıyla model-tabanlı yöntemler, RANSAC ve en küçük kareler yöntemiyle düzlem uydurma optimizasyon tekniği ile yorumlanmıştır. RANSAC (Random Sample Consensus) algoritması, rasgele seçilen örneklerin iteratif hesaplar sonucunda model ile uzlaştırılması yaklaşımı olarak tanımlanabilir. Bu yaklaşım iyi bilinen ve yorumlanması kolay bir yaklaşım olmasına rağmen, problemin karmaşık yapısı ve büyük verinin analiz edilmesi zorunluluğu nedeniyle doğru sonuçların elde edilmesi ve elde edilen düzlem parçalarının anlamlı nesneler oluşturacak şekilde gruplandırılması işi, çözümü oldukça zor olan bir problemdir. Bölümleme (segmentation) modelleri 2- boyutlu bir görüntüdeki nesnelerin dış sınırlarını tam olarak bulabilmektedir. Bunun için sınıflandırma (classification) modellerinin tersine, bir nesnenin piksel piksel tanımını yapmaktadır. 3- boyutlu nokta bulutu verilerinde ise, sınıflandırma yapılabilmekte ve ancak nesne adaylarının sınırlandırıcı kübü (bounding box) elde edilebilmektedir. Bu küp içerisindeki aday nesnenin analitik tanımı, optimizasyon sonucunda elde edilen düzlem parametreleriyle yapılmıştır.

Full or highly automated object extraction from point cloud data is a challenging task due to the huge amount of data and the complexity of the problem. In this thesis, we obtained the Model-based methods for planar objects extraction from LiDAR point cloud data by using the Random Sample Consensus (RANSAC) algorithm together with automatic least-squares plane fitting optimization. Although the RANSAC model is known well and easy to implement, obtaining correct results is too difficult because of the complexity of the huge data and obtaining correct partitioning of the fitted planes into meaningful objects. A new paradigm, Random Sample Consensus (RANSAC), for fitting a model to experimental data is introduced. RANSAC is capable of interpreting/ smoothing data containing a significant percentage of gross errors and is thus ideally suited for applications in automated image analysis where interpretation is based on the data provided by error-prone feature detectors. Segmentation models provide the exact outline of the object within an image. That is, pixel by pixel details are provided for a given object, as opposed to Classification models, where the model identifies what is in an image, and detection models, which place a bounding box around specific objects. The objective of segmentation on point clouds is to spatially group points with similar properties into homogeneous regions. Segmentation is a fundamental issue in processing point clouds data acquired by LiDAR and the quality of segmentation largely determines the success of information retrieval. The proposed method demonstrates that the RANSAC algorithm and the segmentation approach are robust even in the presence of many outliers and a high degree of noise.