Mobilní laserové skenování v dopravě

Abstract

Vývoj technologie laserového skenování v průběhu posledních dvou dekád umožnil tvorbu skenovacích systémů adaptovatelných na množství nejrůznějších nosičů (automobilů, lodí, bezpilotních leteckých prostředků a dalších). Rozmanitost těchto nosičů společně s možností propojit laserový skener s dalšími sensory přispívá k širokému uplatnění skenovacích systémů - od mapování říčních koryt až po dokumentaci měst. Mobilní skenovací systémy využívající jako nosič automobil se osvědčují v dokumentaci pozemních komunikací a uličních sítí. Současné možnosti a aplikace mobilního laserového skenování, s důrazem na aplikace v dopravní infrastruktuře, shrnuje rešeršní část práce. Dokumentace pozemních komunikací a jejich nejbližšího okolí je aktuálně řešeným problémem a tématem mnoha odborných článků. Stávající systémy umožňují pořizování enormního množství prostorových dat. Vysoké nároky jsou poté kladeny na jejich rychlé a efektivní zpracování, tzn. na vysokou míru automatizace tohoto procesu. Většina vědeckých publikací na téma klasifikace mračen bodů z MLS se zabývá pouze extrakcí jednoho konkrétního prvku zájmu pro potřeby specifické analýzy (vodorovného, nebo svislého dopravního značení, lamp pouličního osvětlení a pod). Přitom efektivní a ekonomické by bylo širší využití získaného datového souboru - pro porovnávání stavu v různých časových epochách, analýzy bezpečnosti, viditelnosti, stavu vozovky, stavu vegetace apod. Toto širší využití vyžaduje komplexní nástroj, který umožní rozdělit mračno do několika obecných tříd. Takový nástroj provede první hrubou klasifikaci mračna a připraví tak základ pro provádění dalších analýz dle konkrétní okamžité potřeby. Specifičtější a sofistikovanější nástroje pak již mohou pracovat pouze s body vybrané třídy, čímž se sníží množství testovaných dat a náročnost analýz. Předkládaná práce si dala za cíl takový efektivní nástroj pro využití na dálnicích a rychlostních komunikacích navrhnout. Byl vytvořen a otestován algoritmus provádějící klasifikaci mračna bodů prostřednictvím rozdělení mračna do pravidelných voxelů a vytvořením čtyřrozměrné matice, jejíž první tři rozměry odkazují na polohu voxelu a čtvrtý rozměr na parametry reprezentující body spadající do daného voxelu. Z vybraných hodnot této matice jsou vytvářeny rastrové obrazy, na které jsou aplikovány postupy ke zpracování obrazových dat s cílem vybrat pixely obsahující body hledané třídy. Výsledky klasifikace jsou pak přeneseny z rastrových dat zpět na mračno bodů. Základní princip metody ? tedy převod klasifikace do rastrových dat a řešení úloh na úrovni pixel-pixel místo bod-bod přináší výrazné snížení náročnosti úlohy a vysokou efektivitu, kterou je možno vyvážit míru chybovosti algoritmu danou principem metody. Funkčnost metody byla ověřena na vybraném vzorku dat (úseku dálnice D11 o délce 1,8km obsahujícím všechny typy objektů, jejichž klasifikace byla v metodě řešena) s celkovou správností klasifikace 94,5% (správně klasifikovaných bodů z celkového počtu bodů).

Last two decades of technology development brought to reality laser scanning systems adaptable to various platforms (cars, boats, unmanned aerial vehicles and others). The platform variability together with possibility of linking to other sensors lead to wide system application ? from fluvial mapping to city modelling. Laser scanning systems mounted on car are used for road documentation and city street mapping. The technique and mobile laser scanning applications state of art, with special regard to road documentation, are summarized in retrieval section of presented work. Many studies dealing with road corridors mapping have been presented. Mobile laser scanning systems can perform detailed road documentation. Hand in hand with enormous datasets acquired by these systems, demands on fast and effective dataset processing increases, especially on the point cloud processing automation. Most of presented work still focuses on sole object type detection for specific analysis (road markings, vertical traffic signs, trees etc.). However, the acquired datasets can be used for change detection, safety analysis, and analysis of visibility, roadway condition, vegetation and many other purposes. An extraction tool for all objects in the scene is needed for efficient and wide use of datasets; a tool for rough classification into several basic classes, which serves as a background for further sophisticated analysis. The aim of presented work was to develop a method of highway scene classification. Proposed method transforms the point cloud classification problem into image classification problem, which enables application of image processing techniques for the classification and reduces the computational demands of spatial queries. The point cloud data are divided into voxels and a matrix summarizing information about individual voxels is created to serve as an intermediate between point cloud and raster image. The voxel matrix is a four dimensional matrix ? the first three dimensions refer to the position of individual voxels and the last dimension refers to parameters describing points which belong to corresponding voxel. This voxel matrix serves as a source for raster image creation. Selection of pixels representing points of each class is done by applying image processing techniques on raster images. In the last step, the results of image classification are applied to the point cloud. Presented method was tested on 1.8 km long part of a D11 highway located in central and eastern Bohemia, Czech Republic. The automatic classification achieved the overall accuracy of 94.5%.