An adaptive approach for the segmentation and extraction of planar and linear/cylindrical features from laser scanning data

سیستم های اسکن لیزر به عنوان ابزار پیشرو برای جمع آوری داده های سه بعدی سه بعدی بر روی سطوح فیزیکی ساخته شده اند. ابر نقطه جمع آوری اطلاعات مربوط به ویژگی های سطوح اسکن ارائه نمی دهد. بنابراین، تکنیک های پردازش متفاوتی برای استخراج اطلاعات مفید از این داده ها وجود دارد که می تواند برای کاربردهای مدنی، صنعتی و نظامی متنوع باشد. ویژگی های پلاناری و خطی / استوانه ای از مهمترین اطلاعات اولیه است که از داده های اسکن لیزر، به ویژه آنهایی که در مناطق شهری جمع آوری شده، استخراج می شوند. این مقاله یک رویکرد جدید برای شناسایی، پارامتر کردن و تقسیم کردن این ویژگی ها از داده های اسکن لیزر را در نظر می گیرد، در حالی که با توجه به ویژگی های داخلی ابر نقاط بهره برداری شده - یعنی تغییرات تراکم نقطه ای محلی و سطح نویز در مجموعه داده ها. در مرحله اول این رویکرد، یک تحلیل مولفه اصلی محله محلی نقاط مختلف برای شناسایی نقاطی که به ویژگی های مسطح و خطی / استوانه ای تعلق دارند، اجرا می شود و مدل نمایندگی مناسب آنها را انتخاب می کند. برای ویژگی های مشخص شده فضایی، ویژگی های تقسیم بندی را از طریق یک تعریف محدوده سیلندر انطباق محاسبه می کنیم. سپس دو رویکرد خوشه بندی برای جداسازی و استخراج ویژگی های فردی در دامنه پارامتر بازسازی معرفی می شود. برای ویژگی های خطی / استوانه ای، پارامترهای جهت و موقعیت آنها به عنوان ویژگی های تقسیم بندی مورد استفاده قرار می گیرند. یک روش خوشه بندی متوالی برای جداسازی نقاط که متعلق به ویژگی های خطی / استوانه ای فردی است، از طریق زیرموضع ویژگی های موقعیت یابی است. نتایج تجربی از مجموعه داده های شبیه سازی شده و واقعی، امکان پذیری روش پیشنهادی برای استخراج ویژگی های مسطح و خطی / استوانه ای از داده های اسکن لیزر را نشان می دهد.