Paper detail

Segmentation et Interprétation de Nuages de Points pour la Modélisation d'Environnements Urbains

Dans cet article, nous présentons une méthode pour la détection et la classification d'artefacts au niveau du sol, comme phase de filtrage préalable à la modélisation d'environnements urbains. La méthode de détection est réalisée sur l'image profondeur, une projection de nuage de points sur un plan image où la valeur du pixel correspond à la distance du point au plan. En faisant l'hypothèse que les artefacts sont situés au sol, ils sont détectés par une transformation de chapeau haut de forme par remplissage de trous sur l'image de profondeur. Les composantes connexes ainsi obtenues, sont ensuite caractérisées et une analyse des variables est utilisée pour la sélection des caractéristiques les plus discriminantes. Les composantes connexes sont donc classifiées en quatre catégories (lampadaires, piétons, voitures et "Reste") à l'aide d'un algorithme d'apprentissage supervisé. La méthode a été testée sur des nuages de points de la ville de Paris, en montrant de bons résultats de détection et de classification dans l'ensemble de données.---In this article, we present a method for detection and classification of artifacts at the street level, in order to filter cloud point, facilitating the urban modeling process. Our approach exploits 3D information by using range image, a projection of 3D points onto an image plane where the pixel intensity is a function of the measured distance between 3D points and the plane. By assuming that the artifacts are on the ground, they are detected using a Top-Hat of the hole filling algorithm of range images. Then, several features are extracted from the detected connected components and a stepwise forward variable/model selection by using the Wilk's Lambda criterion is performed. Afterward, CCs are classified in four categories (lampposts, pedestrians, cars and others) by using a supervised machine learning method. The proposed method was tested on cloud points of Paris, and have shown satisfactory results on the whole dataset.