طبقه‌بندی داده‌های لیدار موج‌‌پیوسته با ترکیب ویژگی‌های فیزیکی و هندسی در مناطق شهری

نوع مقاله : مروری

نویسندگان

دانشگاه خواجه نصیرالدین طوسی

چکیده

 در دو دهة اخیر استفاده از لیزراسکن‌های هوایی یا لیدار در کاربردهای گوناگون مهندسی ژئوماتیک رشد فزاینده‌ای یافته است. دلیل این امر قابلیت اعتماد بالا و صحت داده‌های خروجی حاصل از این نوع سنجنده‌هاست. خروجی لیدار، ابرنقاط سه‌بعدی طبقه‌بندی‌نشده و غیرساختاریافته است. برای عملیاتی‌کردن داده‌های مذکور می‌بایست این داده‌ها به‌نوعی ساختارمند شوند و در کلاس‌های متمایز طبقه‌بندی گردند. در پژوهش حاضر با تلفیق ویژگی‌های هندسی و فیزیکی داده‌های حاصل از سنجندة جدید لیزراسکن هوایی موج‌پیوسته، بردار ویژگی متناسب با هر نقطه از ابرنقاط تشکیل می‌شود. روند پردازش به‌کارگرفته‌شده در این مقاله شامل استخراج ویژگی‌های هندسی از مختصات سه‌بعدی نقاط موجود در ابرنقاط است. این ویژگی شامل میزان مشارکت نقطة مطلوب در تشکیل یک صفحه در ابرنقاط است. برای رسیدن به این هدف از تبدیل هاف سه‌بعدی استفاده شده است. در کنار این ویژگی هندسی، ویژگی‌های فیزیکی شامل دامنة پالس، پهنای پالس و شمارة پالس بازگشتی نیز به هر نقطه در داده‌های لیزراسکن هوایی موج‌پیوسته اختصاص داده می‌شود. با استفاده از بردار ویژگی تشیکل‌شده برای هر نقطه و طبقه‌بندی‌‌کنندة ماشین‌بردار پشتیبان، ابرنقاط غیرساختاریافته را به مجموعه‌ای ساختاریافته و کلاسه‌بندی‌شده تبدیل می‌کنیم. خروجی حاصل از روش ارائه‌شده در این مقاله شامل ابرنقطه‌ای طبقه‌بندی‌شده به سه کلاس زمین‌لخت، ساختمان و پوشش گیاهی است. این طبقه‌بندی با دقت کلی 04/81 درصد، ضریب کاپا 69/0 و دقت میانگین 21/79 درصد انجام شده است.  کلید‌واژه‌ها: لیدار موج‌‌پیوسته، طبقه‌بندی‌کنندة ماشین‌بردار پشتیبان، پردازش ابرنقاط، تبدیل هاف سه‌بعدی، مناطق شهری

عنوان مقاله [English]

Classification of Full-Waveform LiDAR Data in Urban Areas by Combining Physical and Geometrical Features

چکیده [English]

In the last two decade the use of Aerial Laser Scanner (ALS) or LiDAR (Light Detection and Ranging) sensor in geomatics engineering and surveying application has augmented significantly. The main reason of the mentioned phenomenon is the reliability and accuracy of the data obtained by LiDAR sensors. The output of LiDAR is unclassified 3D point cloud. Classification of the LiDAR point clouds in different and distinguished classes is the first step in applying such data in different geomatics applications. The purpose of this article is to classify Full- Waveform LiDAR data with the compilation of geometric and physical parameters of each point in the point cloud. First of all the geometrical parameter  is extracted from raw 3D coordinate of the points. This geometrical parameter is the calculation of the relational association of the point in the construction of a plane with the help of 3D Hough transform. The feature vector also includes physical features that exclusively belong to full-waveform LiDAR. These features are amplitude of the pulse, width of the pulse and the number of the returned pulse. After the construction of the feature vector for each point, the next step is to classify the point cloud into three classes; bare earth, building and vegetation with the utilization of Support Vector Machines classification method. The final step is accuracy assessment of the classification method. The results are promising; 81.04% Overall Accuracy, 0.69 Kappa Coefficient and 79.21% Average Accuracy. Keywords:Full-waveform LiDAR, Support Vector Machine Classifier, Point Cloud Processing, 3D Hough Transform, Urban Areas.