[論文レビュー] LiDAR Ground Filtering Algorithm for Urban Areas Using Scan Line Based Segmentation

Lei Wang, Yongun Zhang|arXiv (Cornell University)|Mar 2, 2016

Remote Sensing and LiDAR Applications参考文献 15被引用数 4

ひとこと要約

本稿では、スキャンラインに基づくセグメンテーションを用いて複雑な屋根構造体を1つのセグメントにグループ化することで、都市部における計算効率の高いLiDARグランドフィルタリング手法SLSGFを提案する。この手法により、トポロジカルな関係が単純化される。スキャンラインの類似性と粗いから細かいラベル付けのスキームを活用することで、事前のノイズ除去を必要とせずノイズに強いフィルタリングを実現し、ISPRS 2011データ上で高い精度と頑健性が検証された。

ABSTRACT

This paper addresses the task of separating ground points from airborne LiDAR point cloud data in urban areas. A novel ground filtering method using scan line segmentation is proposed here, which we call SLSGF. It utilizes the scan line information in LiDAR data to segment the LiDAR data. The similarity measurements are designed to make it possible to segment complex roof structures into a single segment as much as possible so the topological relationships between the roof and the ground are simpler, which will benefit the labeling process. In the labeling process, the initial ground segments are detected and a coarse to fine labeling scheme is applied. Data from ISPRS 2011 are used to test the accuracy of SLSGF; and our analytical and experimental results show that this method is computationally-efficient and noise-insensitive, thereby making a denoising process unnecessary before filtering.

研究の動機と目的

• 複雑な都市環境における航空LiDAR点群からグランドポイントを正確に分離する課題に対処すること。
• スキャンライン情報を利用し、複雑な屋根構造体を1つのセグメントにグループ化することで、屋根とグランドの間のトポロジカルな関係を単純化すること。
• 前処理によるノイズ除去を不要とする計算効率が高く、ノイズに強いフィルタリング手法を開発すること。
• スキャンラインデータにおける類似性測定を活用することで、グランドフィルタリングのラベリング精度を向上させること。

提案手法

• 本手法はスキャンライン情報を用いてLiDARデータをセグメンテーションし、各スキャンラインを点の列として扱い、空間的・幾何的整合性を分析する。
• 類似性測定を設計し、同等の高さと空間的連続性を持つ点をグループ化することで、複雑な屋根構造体を1つのセグメントに分離する。
• 粗いから細かいラベル付けのスキームを適用：初期段階で幾何的整合性と勾配のしきい値に基づきグランドセグメントを検出する。
• アルゴリズムは隣接セグメントを分析し、スキャンライン構造から導かれるトポロジカル制約を適用することで、グランドラベルを段階的に精緻化する。
• 明示的なノイズ除去を避けるために、幾何的整合性とセグメンテーションの安定性に依存することで、本質的にノイズに強い。

実験結果

リサーチクエスチョン

• RQ1 スキャンラインに基づくセグメンテーションは、LiDARデータにおける複雑な都市部の屋根構造体のセグメンテーションをどのように改善するか？
• RQ2 スキャンラインデータにおける類似性に基づくアプローチは、グランドフィルタリングにおける事前処理によるノイズ除去の必要性をどれほど低減できるか？
• RQ3 粗いから細かいラベル付け戦略は、都市部のシーンにおけるグランドポイント検出精度をどの程度向上させるか？
• RQ4 既存のグランドフィルタリング手法と比較して、本手法は計算効率およびノイズへの不感度においてどのように性能を発揮するか？

主な発見

• SLSGF手法はISPRS 2011ベンチマークデータ上で高い精度を達成し、複雑な都市環境でも頑健な性能を示した。
• アルゴリズムは計算効率に優れており、大規模なLiDAR処理に適しており、顕著な計算リソースを要しない。
• 本手法は本質的にノイズに不感であるため、フィルタリングの前処理としての別個のノイズ除去ステップを不要とした。
• スキャンライン類似性に基づくセグメンテーションにより、複雑な屋根構造体が1つのセグメントにグループ化され、トポロジカル関係が単純化され、ラベリング精度が向上した。