Road marking extraction from laser scanning point clouds
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Insinööritieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2023-10-09
Department
Major/Subject
Geoinformatics
Mcode
Degree programme
Master's Programme in Geoinformatics (GIS)
Language
en
Pages
60+26
Series
Abstract
Digitalization of traffic networks has a vital role in applications like 3D city models, autonomous vehicles, asset management, and sustainable transportation planning. Laser scanning is among the most relevant technologies for acquiring data for such applications. The major challenges with the point cloud data it creates are the massive dataset sizes and the amount of repetitive and tedious work in the data processing phase. This thesis work aims to implement some pipelines to simplify the task by using computer vision techniques for feature extraction from point clouds. The literature review's first subchapters are about data collection methods and 3D spatial data structures. After introducing them, it discusses techniques used for structure recognition from point clouds and in what kind of applications for road marking extraction these have been utilized. The empirical part introduces the Leica Pegasus TRK 500 NEO mobile laser scanner, the Leica Cyclone 3DR and CloudCompare programs, the chosen computer vision techniques, and the test site from where the data was collected. In the analysis of the results, manually picked ground truth was compared to the feature extraction results, and the computational efficiency of the two implemented scripts was discussed. In the last chapters, the conclusions regarding the strengths and weaknesses of the methods, as well as possible application areas for them, were discussed. The use of points' RGB values as an alternative to intensity values was part of the discussion. At best, the mean distance between the extracted points and the ground truth reference was 0.001-0.004m, yet the standard deviations were larger due to false positives. Script execution times were the longest when using methods that iterated over every point of the cloud. Finally, some ideas on how the techniques could be improved were presented.Väyläverkkojen digitalisaatiolla on keskeinen rooli 3D-kaupunkimallien, autonomisten ajoneuvojen, omaisuudenhallinnan ja kestävän liikennesuunnittelussa kaltaisissa sovelluksissa. Laserskannaus on yksi tärkeimmistä teknologioista tietojen hankkimiseksi tällaisia sovelluksia varten. Sen luoman pistepilvidatan suurimmat haasteet ovat valtavat tiedostokoot ja yksitoikkoisen ja toistuvan työn määrä tietojenkäsittelyvaiheessa. Tämän opinnäytetyön tavoitteena on kehittää joitakin työnkulkuja, joissa tehtävää on yksinkertaistettu käyttämällä tietokonenäkötekniikoita piirteiden irroittamiseen pistepilvistä. Kirjallisuuskatsauksen ensimmäiset alaluvut käsittelevät pistepilvidatan keruumenetelmiä ja 3D paikkatietorakenteita. Niiden esittelyn jälkeen käsitellään tekniikoita rakenteiden tunnistamiseen pistepilvistä ja miten niitä on hyödynnetty tiemerkintöjen irroitussovelluksissa. Empiirisessä osassa esitellään Leica Pegasus TRK 500 NEO -mobiililaserskanneri, Leica Cyclone 3DR- ja CloudCompare -ohjelmat, valitut tietokonenäkötekniikat sekä testipaikka, josta tiedot kerättiin. Tulosten analysoinnissa verrattiin manuaalisesti irroitettua referenssiä tietokonenäkömenetelmien tuloksiin ja keskusteltiin kahden toteutetun komentosarjan laskennallisesta tehokkuudesta. Viimeisissä luvuissa käsiteltiin johtopäätöksiä menetelmien vahvuuksista ja heikkouksista sekä niiden mahdollisista sovellusalueista. Pisteiden RGB-arvojen käyttö vaihtoehtona intensiteettiarvoille oli osa pohdintaa. Parhaimmillaan keskimääräinen etäisyys poimittujen pisteiden ja referenssin välillä oli 0,001–0,004 m, mutta keskihajonnat olivat suurempia virheellisten esiintymien vuoksi. Komentosarjan suoritusajat olivat pisimmät käytettäessä menetelmiä, jotka iteroivat pilven jokaisen pisteen yli. Lopuksi esiteltiin ideoita siitä, miten tekniikoita voitaisiin parantaa.Description
Supervisor
Vaaja, MattiThesis advisor
Stenger, YannickKeywords
mobile laser scanning, feature extraction, point cloud, road markings, computer vision, image processing