Geri Dön

Automatic extraction of planar objects from lidar point cloud data

Lidar nokta bulutu verilerinden düzlem nesnelerin otomatik olarak çıkarılması

PDF İndir

  1. Tez No: 697498
  2. Yazar: ABU KAMARA
  3. Danışmanlar: DOÇ. DR. SEDAT DOĞAN
  4. Tez Türü: Doktora
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: Ondokuz Mayıs Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 64

Özet

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.

Özet (Çeviri)

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.

Benzer Tezler

  1. Tez No

    365548

    Yersel lazer tarayıcılardan elde edilen veriler kullanılarak otomatik nesne çıkarımı

    Automati̇c object extraction usi̇ng terrestrial laser scanner data

    RESUL ÇÖMERT

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Jeodezi ve FotogrametriAnadolu Üniversitesi

    Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı

    YRD. DOÇ. DR. UĞUR AVDAN

  2. Tez No

    898318

    Video üzerinde derin öğrenme ile nesne sansürlüme

    Sensor processing on video with deep learni̇ng

    YERNIYAZ BAKHYTOV

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. CEMİL ÖZ

  3. Tez No

    83130

    Cisim tanıma problemine yapay sinir ağlarının uygulanması

    Application of artificial neural networks to object recognition

    ATİLLA ÜSTÜN

    Yüksek Lisans

    Türkçe

    Türkçe

    1999

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. A. TALHA DİNİBÜTÜN

  4. Tez No

    768837

    Deep learning-based building segmentation using high-resolution aerial images

    Yüksek çözünürlüklü hava görüntüleri kullanarak derin öğrenme temelli bina bölütlemesi

    BATUHAN SARITÜRK

    Doktora

    İngilizce

    İngilizce

    2022

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. DURSUN ZAFER ŞEKER

  5. Tez No

    82429

    Bilinear space /spatial-frequency representations for particle-location analysis of in-line fresnel holograms

    İkili doğrusal konum frekans gösterimleri yoluyla tek ışınlı fresnel hologramların cisim konumu analizi

    MEHMET TANKUT ÖZGEN

    Doktora

    İngilizce

    İngilizce

    1999

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET KEMAL LEBLEBİCİOĞLU

Geri Dön