'

Автоматическое выделение объектов в данных лазерного сканирования

Понравилась презентация – покажи это...





Слайд 0

Автоматическое выделение объектов в данных лазерного сканирования Роман ШАПОВАЛОВ Научный руководитель: к.ф.-м.н., н.с. Антон Конушин 24 мая 2010


Слайд 1

Применение лазерного сканирования Навигация мобильных роботов Создание моделей зданий Картография и паспортизация Контроль качества продукции Сохранение культурного наследия 2


Слайд 2

Цели работы Провести обзор методов классификации лазерных сканов Разработать алгоритм классификации лазерных сканов на основе машинного обучения Реализовать этот алгоритм в системе классификации лазерных сканов 3


Слайд 3

Постановка задачи Вход – набор точек трёхмерного пространства Выход – метки классов, сопоставленные каждой точке 4


Слайд 4

Формальная постановка задачи Стадия обучения: Вход: множество четвёрок (x, y, z, c) (x, y, z) ? R3 – точки облака c ? {1, …, K} – метки классов Выход: параметры алгоритма классификации Стадия классификации: Вход: вектор троек ((x1, y1, z1), (x2, y2, z2), …, (x1, y1, z1)) Выход: вектор (c1, c2, …, cn) 5


Слайд 5

Данные для сегментации Данные – сцены, снятые вне помещений Аэросъёмка Съёмка с транспорта Стационарная съёмка Классы: Поверхность земли Здания Растительность Транспорт и т.д. 6


Слайд 6

Критерий качества F-мера для каждого класса Корректна для несбалансированной выборки 7


Слайд 7

Ассоциативные Марковские сети [Anguelov, 2005] [Munoz, 2008] Минимизируется функция энергии Потенциалы – линейная комбинация признаков: Ассоциативные парные потенциалы: log ?(k, l) = 0 при k ? l Существующие методы 8


Слайд 8

Схема метода Предобработка Построение индекса; пересегментация Назначение потенциалов Унарные потенциалы: рандомизированные деревья Неассоциативные парные потенциалы Классификация Вывод в Марковской сети: TRW-S [Kolmogorov, 2006] 9


Слайд 9

Унарные потенциалы Дескриптор «Спин-изображения» Признаки матрицы ковариаций Спектральные признаки Признаки направления Цилиндрические признаки 10 Выход мультиклассового классификатора «Рандомизированные деревья»


Слайд 10

Парные потенциалы Линейная комбинация признаков: Угол между нормалями в точках Угол наклона к горизонту отрезка, соединяющего точки, и его абсолютное значение Расстояние между точками Рассматриваются также неассоциативные парные потенциалы вида ?(k, l) при k ? l 11


Слайд 11

Научная новизна Пересегментация Ускоряет классификацию на порядки Признаки рёбер (направление, длина) становятся статистически значимыми Неассоциативные парные потенциалы Позволяют выразить отношения между объектами разных классов, такие как «дерево находится выше земли» 12


Слайд 12

Пример результата классификации Красный – земля, чёрный – крыша, зелёный – дерево, синий – автомобиль, голубой – кусты 13 Верная разметка Ассоциативная Марковская сеть Предлагаемый метод


Слайд 13

Экспериментальное сравнение Лазерный скан, полученный аэросъёмкой Миллион точек, 30 тысяч сегментов 14 лучше предло- женный метод


Слайд 14

Программная реализация C++ В рамках системы реализована функция детектирования поверхности земли на данных, снятых с транспортного средства Применяется в НПО «Регион» для картографирования дорожного покрытия 15


Слайд 15

Результаты Проведён обзор методов классификации лазерных сканов Разработан алгоритм классификации лазерных сканов на основе неассоциативных Марковских сетей Реализована система классификации лазерных сканов с произвольными классами Результаты опубликованы 16


Слайд 16

Публикации по теме дипломной работы А. Велижев, Р. Шаповалов, Д. Потапов, Е. Третьяк, А. Конушин, «Автоматическая сегментация облаков точек на основе элементов поверхности», GraphiCon, Moscow: 2009. Р. Шаповалов, «Классификация трёхмерных облаков точек с помощью неассоциативных Марковских сетей», Ломоносов-2010, Москва R. Shapovalov, A. Velizhev, O. Barinova, A. Konushin, «Using Non-Associative Markov Networks for Point Cloud Classification», Photogrammetric Computer Vision and Image Analysis, Paris: 2010. 17


Слайд 17

18 Спасибо за внимание!


Слайд 18

Результат классификации 19


Слайд 19

Лазерные сканы и изображения Преимущества: Присутствует информация о трёхмерной структуре сцены Инвариантность относительно освещения и погодных условий Недостатки: Объект может быть загорожен другими объектами или сам собой Сканы зашумлены и разрежены Часто отсутствует цветовая информация Затруднена обработка с помощью стандартных средств ввода-вывода 20


×

HTML:





Ссылка: