فرزانه عقیقی؛ امیدمهدی عبادتی؛ حسین عقیقی
چکیده
مجموعة دادههای ابر نقاط لیدار و مدلهای سهبعدی (3-D) در استخراج عوارض شهری، مدیریت جنگلداری، شهری و گردشگری، رباتیک، تولید بازیهای رایانهای و موارد دیگر کاربرد گستردهای دارد. از سویی، وجود نقاط پرت در ابر نقاط لیدار اجتنابناپذیر است؛ بنابراین تشخیص نقاط پرت و حذف آن از ابر نقاط لیدار بهمنزلة گامی ضروری در پردازش ابر ...
بیشتر
مجموعة دادههای ابر نقاط لیدار و مدلهای سهبعدی (3-D) در استخراج عوارض شهری، مدیریت جنگلداری، شهری و گردشگری، رباتیک، تولید بازیهای رایانهای و موارد دیگر کاربرد گستردهای دارد. از سویی، وجود نقاط پرت در ابر نقاط لیدار اجتنابناپذیر است؛ بنابراین تشخیص نقاط پرت و حذف آن از ابر نقاط لیدار بهمنزلة گامی ضروری در پردازش ابر نقاط لیدار شناخته شده است. طی دهههای گذشته، چندین تکنیک تشخیص نقاط پرت در منابع این موضوع معرفی شده است اما بیشتر آنها از نظر زمانی هزینهبرند و به نیروی متخصص انسانی نیاز دارند. بهمنظور کاهش این محدودیتها، این مقاله رویکرد خودکار جدیدی برای تشخیص نقاط پرت، با استفاده از تکنیک میدان تصادفی شرطی برپایة ماشین بردار پشتیبان (SVM-CRF) و روش نمودار جعبهای، معرفی کرده است. رویکرد نمودار جعبهای بردار انرژی خروجی SVM-CRF را برای تشخیص نقاط پرت تجزیه و تحلیل میکند. این روش بهکمک مجموعه دادة محک ISPRS که برای مجموعه دادة وهینگن، با هدف طبقهبندی سهبعدی و بازسازی سهبعدی ساختمان ایجاد شده بود، ارزیابی شد. بهمنظور ارزیابی این روش، ابتدا نقاط پرتی بهصورت دستی به مجموعه داده افزوده شد؛ با این تمرکز که این نقاط جزء نقاط پرت چسبیده به اشیا باشند. سپس مراحل تحقیق برای ارزیابی توانایی روش پیشنهادی در تشخیص نقاط پرت انجام شد. نتایج این تحقیق عملکرد مدل پیشنهادی را با دقت کلی 62% نشان داد. اگرچه الگوریتم RANSAC عملکردی بهتر از مدل پیشنهادی دارد، تکنیک زمانبر و پرهزینهتری در مقایسه با تکنیک تشخیص نقاط پرت پیشنهادی است.