Geri Dön

An object segmentation approach for mobile lidar pointclouds

Mobil lidar nokta bulutları için bir nesne ayırt etme yaklaşımı

  1. Tez No: 687188
  2. Yazar: MUSA ŞERVAN ŞAHİN
  3. Danışmanlar: PROF. DR. TANKUT ACARMAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: 3 boyutlu nesne ayırt etme, kümeleme, LiDAR, DBSCAN, 3D object segmentation, clustering, LiDAR, DBSCAN
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: Galatasaray Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 42

Özet

LiDAR sensörleri bir sahneyi 3 boyutlu noktalarıyla algılamak için kullanılan araçlardan birisidir. Fakat bu sensörlerden elde edilen nokta bulutları homojen değildir: Noktalar değişken yoğunluklara sahiptir ve gölgelenme problemleri mevcuttur. Bu nedenden dolayı nesne ayırt etme problemi ortaya çıkar çünkü bilinen kümeleme yöntemleri tek başına 3 boyutlu noktalarda kötü sonuçlar vermektedir. Bu çalışmada yerde olanlar ve yerde olmayanlar şeklinde iki sınıf tanımlayan bir yaklaşım geliştirildi. DBSCAN temelli yöntem için öncelikle noktalar yerde olan ve olmayan şeklinde etiketledi. Daha sonra ayırt etme hassaslığı her bir sınıf için farklı ayarlandı. CCL tabanlı yöntem içinse nokta bulutlarından üç tane kuş bakışı matris türetildi. Bunlardan ilki yeri ayırt etmek ve diğer iki matrisin sonuçlarını birleştirmek için kullanıldı. Kalan iki matris üzerinde ER-CCL yöntemi kullanıldı. Bunlardan biri uzun kenarlı hücrelerden oluşup yerde olmayan nesneleri ayırt etmek için kullanıldı. Diğeri ise kısa kenarlı hücreler kullanarak yerdeki nesneleri ayırt etmede kullanıldı. Sunulan yaklaşım DBSCAN temelli ve CCL temelli yöntemlerle değerlendirildi. Oluşturulan yöntemlerin v-measure ve completeness kümeleme metriklerinde temel aldıkları yönteme göre sırasıyla DBSCAN için %4 ve %13, CCL için %13 ve %20 oranında daha iyi sonuç verdiği görüldü. Böylelikle kentsel alanlarda 3 boyutlu alanları ayırt edebilmek için farklı ayırt etme yöntemleriyle kullanılabilen bir yaklaşım sunulmuş oldu.

Özet (Çeviri)

LiDAR sensors are used to percept a scene by its 3D point cloud data. But LiDAR sensor measurement data are not homogeneous, they have uneven density and subject to occlusion problems. And the technical challenge lies along object segmentation because well-known clustering methods can not perform well with stand-alone 3D point cloud data. In this study, an approach is proposed by defining two classes of objects that are ground and nonground objects. The points are labeled ground and nonground points for DBSCAN based method. Then, sensitivity is adjusted for each class to improve the segmentation performance of ground and non-ground objects. For the CCL based method, three bird's eye view matrices are derived from point cloud data. The first matrix is used to separate ground and nonground areas and to merge other two matrix results. The ERCCL algorithm applied with a smaller sided cell for segmentation of ground objects and a bigger sided cell for segmentation of nonground objects. The presented approach is benchmarked with a DBSCAN based method and a CCL based method. The presented method outperforms the DBSCAN method by 4% and 13% and outperforms the CCL based method by 13% and %20 in v-measure and completeness clustering metrics, respectively. Overall, an approach is proposed to segment 3D terrains in an urban area with different segmentation methods.

Benzer Tezler

  1. Investigation of artificial intelligence-based point cloud semantic segmentation

    Yapay zeka tabanlı nokta bulutu semantik bölümlendirmesinin incelenmesi

    MUHAMMED ENES ATİK

    Doktora

    İngilizce

    İngilizce

    2022

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. ZAİDE DURAN

  2. Depth-based scene mapping through spatio-temporal knowledge integration

    Uzamsal-zamansal bilgi yardımıyla derinlik temelli sahne haritalandırılması

    MERİÇ DURUKAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Sistem ve Kontrol Mühendisliği Ana Bilim Dalı

    PROF. DR. HURİYE IŞIL BOZMA AYDIN

  3. Fully automated on-street parking spot detection with different deep learning methods

    Farklı derin öğrenme yöntemleriyle tam otomatik cadde park yeri tespiti

    EMRE ÇİÇEK

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYeditepe Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. SEZER GÖREN UĞURDAĞ

  4. Telekomünikasyon sektöründe kullanılan ek odaların sokak düzeyi görüntülerinden tespit edilmesi

    Detection of manholes from street-level imagery in telecommunication business

    AHMET EĞRİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ CANER GÜNEY

  5. An efficient graph-theoretical approach for interactive mobile image and video segmentation

    Etkileşimli gezgin imge ve video bölütleme için çizge temelli etkin bir yaklaşım

    OZAN ŞENER

    Yüksek Lisans

    İngilizce

    İngilizce

    2013

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDULLAH AYDIN ALATAN