عنوان

استخراج عوارض ستونی شکل از ابر نقاط سه‌بعدی

شماره

پ۲۶۸۹۵

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

استخراج عوارض ستونی شکل از ابر نقاط سه‌بعدی

نام نخستين پديدآور

فرزاد عبدالهی

نام ناشر، پخش کننده و غيره

عمران

تاریخ نشرو بخش و غیره

۱۴۰۰

نام خاص و کميت اثر

۳۴ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی نقشه برداری گرایش سنجش‌از‌دور

زمان اعطا مدرک

۱۴۰۰/۱۳/۱۸

متن يادداشت

در سالهای اخیر، اطلاعات مکانی سه‌بعدی مورد توجه بسیاری قرار گرفته‌است. اطلاعات سه‌بعدی ‌می‌تواند در مدلسازی شهرها، نگهداری و برنامهریزی جاده‌‌ها و خیابان‌‌ها، خدمات مکان‌مبنا، واقعیت مجازی و جهتیابی شخصی مورد استفاده قرار گیرد. یکی از روش‌های اخذ داده‌های مورد نیاز برای تولید مدل سه‌بعدی، استفاده از لیزر اسکنرها است. تحقیقات علمی زیادی به منظور پردازش ابر نقاط لیزر اسکنر زمینی، طبقهبندی داده و مدل‎سازی سه‌بعدی آنها انجام ‌شده‌است. تشخیص و دسته¬بندی مبلمان شهری نقش مهمی در مدل‌سازی سه‌بعدی شهری، تهیه نقشه‌ها، تحلیل و برنامه¬ریزی محیط شهری، تولید مدل رقومی زمین و استخراج ویژگی¬ها ایفا می¬کند. تحقیقات زیادی در زمینه استخراج خودکار عوارض شهری بویژه استخراج ساختمان¬ها انجام ‌شده‌است. در محیط‌های جادهای و شهری، استخراج عوارض ستونی شکل مانند علائم راهنمایی و رانندگی، کابل‌‌‌¬های حامل الکتریسیته و چراغ‌های روشنایی می‌تواند به مدل‌سازی سه‌بعدی شهر کمک شایانی کند. هدف پژوهش حاضر استخراج عوارض ستونی‌شکل از ابرنقاط سه‌بعدی است. برای این منظور روشی مبتنی بر استخراج ویژگی‌های هندسی نقاط، به منظور تفکیک عوارض ستونی شکل از ابرنقاط سه‌بعدی، ارائه شده‌است. در روش ارائه شده، ابتدا یک پیش‌پردازش سه مرحله‌ای روی ابرنقاط ورودی انجام شده، سپس داده وارد مرحله پردازش و استخراج عوارض می‌شود. پیش‌پردازش شامل بلوک‌بندی، حذف نقاط نویزی و حذف نقاط سطح زمین می‌باشد. پس از انجام پیش‌پردازش، مجموعه‌ای از ویژگی‌ هندسی برای نقاط موجود در ابرنقطه سه‌بعدی ذکر شده، سپس از بین ویژگی‌های مذکور، با توجه به هدف این تحقیق که جداسازی عوارض از نوع ستونی‌شکل بوده و با در نظر گرفتن نتایج تحقیقات پیشین، پنج ویژگی‌های متناسب با ویژگی‌های متمایز‌کننده عوارض ستونی‌شکل برای طبقه‌بندی داده‌ها انتخاب شدند. چهار روش طبقه‌بندی متداول با ساختار، رویکرد و ویژگی‌های متفاوت شامل SVM، K-NN، MLP و RF جهت استخراج عوارض موردنظر استفاده شد. ارزیابی روش پیشنهادی بر روی دو داده شهری و غیرشهری و با استفاده از معیارهای دقت، Recall و F1 انجام گرفت. نتایج ارزیابی نشان از بهبود بالای عملکرد روش‌های طبقه‌بندی در حالت استفاده از ویژگی‌های انتخابی در مقایسه با حالت استفاده از تمام ویژگی‌ها دارد. همچنین نتایج نشان داد که دو روش طبقه‌بندی SVM و RF عملکرد مناسبی برای هر دو داده شهری و غیرشهری مورد مطالعه داشتند.

متن يادداشت

AbstractIn recent years, three-dimensional spatial information has received much attention. Three-dimensional information can be used in modeling cities, maintaining and planning roads and streets, location-based services, virtual reality, and personal navigation. One of the methods of obtaining the data required to produce a three-dimensional model is the use of laser scanners. Much scientific research has been done to process ground-based laser scanner cloud points, classify data, and model them in 3D. Detection and classification of urban furniture plays an important role in urban 3D modeling, preparation of maps, analysis and planning of urban environment, production of digital land model and extraction of features. Much research has been done in the field of automatic extraction of urban tolls, especially the extraction of buildings. In street and urban environments, the extraction of columnar features such as traffic signs, power cables and lights can help to model the city three-dimensionally. The aim of the present study is to extract columnar features from three-dimensional hypers. For this purpose, a method based on extracting the geometric properties of points has been proposed in order to separate the columnar features from the three-dimensional hyperpoints. In the proposed method, first a three-stage preprocessing is performed on the input hyperpoints, then the data enters the processing and extraction stage. Preprocessing includes blocking, removing noise points, and removing ground points. After pre-processing, a set of geometric features was extracted for the points in the three-dimensional superpoint, then from among the extracted features, according to the purpose of this study, which is the separation of columnar features, and considering the results of previous research, five proportional features Columnar features were selected for data classification with distinguishing features. Four common classification methods with different structure, approach and characteristics including SVM, K-NN, MLP and RF were used to extract the desired effects. The evaluation of the proposed method was performed on both urban and non-urban data using accuracy criteria, Recall and F1. The evaluation results show a high improvement in the performance of classification methods in the case of using selected features compared to the case of using all features. The results also showed that the two classification methods SVM and RF had good performance for both urban and non-urban data studied.

عنوان گونه گون

Pole-shaped object extraction from 3D point clouds

عنصر شناسه اي

‏عبدالهی،

ساير عناصر نام

‏فرزاد

کد نقش

تهيه کننده

عنصر شناسه اي

‏محمدی،

عنصر شناسه اي

‏صداقت،

ساير عناصر نام

‏نازیلا

ساير عناصر نام

‏امین

تاريخ

استاد راهنما

تاريخ

استاد مشاور

عنصر شناسه اي

‏تبریز