نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد علوم تصمیم و مهندسی دانش، دانشگاه خوارزمی، تهران

2 گروه مدیریت عملیات و فناوری اطلاعات، دانشگاه خوارزمی، تهران

3 مرکز مطالعات از راه دور و GIS،‌ دانشگاه شهیدبهشتی، تهران

10.52547/gisj.2022.224480.1063

چکیده

تشخیص نقاط پرت و حذف آن‌ از ابر نقاط لیدار به عنوان یک گام ضروری در پردازش ابر نقاط لیدار شناخته شده است. در دهه‌های گذشته، چندین تکنیک تشخیص نقاط پرت در ادبیات موضوع معرفی شده است، اما بیشتر آن‌ها از نظر زمانی گران هستند و نیاز به نیروی متخصص انسانی دارند. به منظور کاهش این محدودیت‌ها، این مقاله یک رویکرد اتوماتیک جدید برای تشخیص نقاط پرت با استفاده از تکنیک میدان شرطی تصادفی بر پایه‌ی ماشین بردار پشتیبان (SVM-CRF) و روش نمودار جعبه‌ای معرفی کرده است. در این رویکرد نمودار جعبه‌ای انرژی SVM-CRF را برای تشخیص نقاط پرت تجزیه‌وتحلیل می‌کند. این روش‌ها به کمک مجموعه داده محک ISPRS که برای مجموعه داده‌ی وایهینگن با هدف طبقه‌بندی سه‌بعدی و بازسازی سه‌بعدی ساختمان ایجاد شده بود، ارزیابی شد. ارزیابی این تحقیق عملکرد مدل پیشنهادی را با دقت کلی 62% نشان داد. اگرچه الگوریتم RANSAC عملکرد بهتری از مدل پیشنهادی دارد ولی تکنیک زمان‌بر و پرهزینه‌تری نسبت به تکنیک تشخیص نقاط پرت پیشنهادی است.

کلیدواژه‌ها

عنوان مقاله [English]

SVM-CRF method and box plot technique for outlier detection of lidar point cloud

نویسندگان [English]

  • Farzaneh Aghighi 1
  • Omid Mahdi Ebadati E. 2
  • Hossein Aghighi 3

1 Department of Knowledge Engineering and Decision, Kharazmi University, Tehran

2 Department of Operation Management & Information Technology, Kharazmi University, Tehran

3 Research Centre of Remote Sensing and GIS, Shahid Beheshti University, Tehran

چکیده [English]

Outlier detection and removal those from lidar point cloud data have been known as necessary steps in the lidar point cloud processing (LPC). Over the past decade, several outlier detection techniques have been introduce in the literatures; however, most of them requires time-consuming, expensive and complicated computations. For overcoming these limitations, this article introduces a new automatic approach for the outlier detection using support vector machine based conditional random field (SVM-CRF) technique and box plots methods. In this approach, box plot analyze the SVM-CRF energy to recognize outliers in each class. The methods were evaluated using ISPRS benchmark datasets for Vaihingen dataset on urban classification and 3D building reconstruction. The evaluation of this research shows the overall accuracy of 62% as the performance of the proposed model. Although the RANSAC algorithm over performed our proposed method, it is more costly and time consuming technique than the proposed outlier detection technique.

کلیدواژه‌ها [English]

  • LiDAR Point cloud
  • outlier detection
  • SVM-CRF
  • Box plot