Αυτόματη αναγνώριση οχημάτων από πολυφασματικά και υψομετρικά δεδομένα LiDAR με αντικειμενοστραφή ανάλυση

Abstract

Σκοπός της παρούσας διπλωματικής ήταν η αναγνώριση οχημάτων, με προοπτική τη δημιουργία βάσης γνώσης για την αυτόματη αναγνώρισή τους από παρόμοια δεδομένα. Η πραγματοποίηση του στόχου κατέστη δυνατή μέσω ανάπτυξης μιας βάσης γνώσης στο λογισμικό επεξεργασίας εικόνων με αντικειμενοστραφή ανάλυση, eCognition, με δεδομένα πολυφασματικά ληφθέντα από γραμμικό σαρωτή τεσσάρων καναλιών και με δεδομένα έντασης και υψομετρικά από σαρωτή τεχνολογίας LiDAR. Προκειμένου να εξαχθεί το ζητούμενο, τα δεδομένα εισήχθησαν στο λογισμικό, επεξεργάσθηκαν με δύο προσεγγίσεις βάσει αντικειμενοστραφούς ανάλυσης, και οι απορρέουσες κατηγορίες περιγράφηκαν με κανόνες ασαφούς λογικής. Με την «από πάνω προς τα κάτω» προσέγγιση παρήχθησαν μεγάλες επιφάνειες κτηρίων, βλάστησης, εδάφους, ασφάλτου και τμήματα πλείστων ειδών οχημάτων. Από τη δεύτερη, «από κάτω προς τα πάνω» προσέγγιση, με ένωση των παραγόμενων αντικειμένων που περιέγραφαν επακριβώς τα στοιχεία των κατηγοριών, προέκυψαν ως ολοκληρωμένα αντικείμενα διάφορα είδη οχημάτων. Η διαδικασία της αντικειμενοστραφούς ανάλυσης περιελάμβανε τρία επίπεδα κατάτμησης, τα οποία στη συνέχεια ταξινομήθηκαν βάσει περιγραφών που συνετάχθησαν για τις φωτοερμηνευτικές κατηγορίες που αναγνωρίστηκαν στα δύο τμήματα των εικόνων που εξετάζονταν. Κατά την ταξινόμηση του χονδρόκοκκου επιπέδου της εικόνας αστικού περιβάλλοντος (εικόνα 1), απεκαλύφθησαν επιφάνειες κενών εικονοστοιχείων σε διάφορες χωρικές θέσεις, τόσο στο μπλε φασματικό κανάλι, όσο και στο ψηφιακό υψομετρικό μοντέλο εδάφους (DTM), που αρχικά θεωρήθηκαν θόρυβος. Πιθανώς λόγω αδυναμίας καταγραφής των μετρήσεων από το οπτο-ηλεκτρονικό σύστημα LiDAR, στις επιφάνειες αυτές δεν καταχωρήθηκαν τιμές για κάθε εικονοστοιχείο. Συνεπώς, η ταξινόμηση και περαιτέρω ανάλυση της εικόνας 1 κατέστη αδύνατη και οι εργασίες για την αυτόματη αναγνώριση οχημάτων περιορίστηκαν στην εικόνα βιομηχανικού περιβάλλοντος (εικόνα 2). Το χονδρόκοκκης ανάλυσης επίπεδο προέκυψε με την από πάνω προς τα κάτω προσέγγιση. Σε αυτό επιδιώχθηκε η χονδροειδής διάκριση των περισσότερων δυνατών επιφανειών κτηρίων, και δευτερευόντως η διάκριση κυκλοφοριακών αρτηριών και επιφανειών βλάστησης, εδάφους και αραιής και χαμηλής βλάστησης. Τα όρια των επιφανειών των κτηρίων διορθώθηκαν με συνένωση των ταξινομημένων ως ομοίων χρήσης γης, επιφανειών (classification-based segmentation) και εκ νέου ταξινόμησης των ενοποιημένων πλέον αντικειμένων. Η ολοκλήρωση της αναγνώρισης του συνόλου των επιφανειών των κτηρίων επήλθε με την περάτωση των διαδικασιών κατάτμησης και ταξινόμησης του μεσαίου επιπέδου ανάλυσης. Στόχος της δημιουργίας του επιπέδου ήταν η καλύτερη διάκριση επιφανειών οριακά των κτηρίων και χαμηλού ύψους κτηρίων πλακοσκεπής, ώστε να αποκλειστεί το ενδεχόμενο ταξινόμησης φορτηγών οχημάτων σε αυτή την κατηγορία. Το λεπτόκοκκης ανάλυσης επίπεδο προέκυψε με την από πάνω προς τα κάτω προσέγγιση, με κύριο σκοπό την ανάδειξη των οχημάτων. Ωστόσο, λόγω του περιορισμένου μεγέθους των αντικειμένων, καθίσταται δυνατός και ο προσδιορισμός επιφανειών χαμηλής-θαμνώδους και υψηλής-δενδρώδους βλάστησης, αραιής βλάστησης και εδάφους, κυκλοφοριακών αρτηριών, ανοικτού και σκούρου τόνου ασφαλτικών επιφανειών. Με την προβολή των επιφανειών των κτηρίων από το χονδρόκοκκης και το μέσης ανάλυσης στο συγκεκριμένο επίπεδο, δεν κατεβλήθη περαιτέρω προσπάθεια προσδιορισμού αυτών και επιπλέον μειώθηκε το μέγεθος του πεδίου έρευνας για οχήματα. Λόγω της εστίασης στον σαφή προσδιορισμό οχήματων και τμημάτων τους, η ακρίβεια της ταξινόμησης των αντικειμένων που αναπαριστούσαν οχήματα, προέκυψε μεγαλύτερη από αυτή των άλλων κατηγοριών. Το γεγονός οφείλεται εν μέρει στο ότι η περιγραφή της κατηγορίας ορίστηκε χωρίς σημαντικές αλληλεπικαλύψεις στα πεδία τιμών των ιδιοτήτων που χρησιμοποιήθηκαν για την περιγραφή άλλων κατηγοριών και που ενδέχετο να συστήσουν την ειδοποιό διαφορά. Επισημαίνεται ότι παρά τις προσπάθειες παραγωγής κατάλληλων τεμαχίων κατά την κατάτμηση του επιπέδου, λόγω του μεγέθους του ζητούμενου αντικειμένου στη δεδομένη ανάλυση και των σφαλμάτων που προέκυψαν από τη γενικότερη ταξινόμηση, το σχήμα τους δεν κατέστη δυνατό να οριστεί επακριβώς. Η μεθοδολογία που ακολουθήθηκε, προσφέρεται ως οδηγός για την ανίχνευση οχημάτων σε αστικό και βιομηχανικό περιβάλλον με πολυφασματικά και υψομετρικά LiDAR δεδομένα ίδιας ακρίβειας, με μικρές τροποποιήσεις στο πεδίο ορισμού των ιδιοτήτων που χρησιμοποιήθηκαν.

The objective of this diploma thesis was the recognition of vehicles, with perspective to generate a knowledge base for the automatic recognition of vehicles from similar type of data. The goal was achieved by developing a knowledge base in the object-oriented image processing software, eCognition, and with the use of multi-spectral data received from an RGB/NIR line scanner and with intensity and elevation data from a LiDAR scanner. At first, the data have been processed and analyzed with two approaches based on object-oriented analysis, and the resulted classes have been described with fuzzy logic. From the “top-down” approach had been produced large surfaces of buildings, soil, vegetation, asphalt and several types of vehicles. From the second, “bottom-up” approach, after merging the resulted objects that were precisely describing parts of the actual objects of classes, various types of vehicles emerged as compact objects. The process of object-oriented analysis included three levels of segmentation, which afterwards were classified based on descriptions that were drawn up for the photointerpretation classes that were recognized in the two parts of the dataset that were examined. At the classification of coarse level of the first dataset, that of the urban environment, were revealed surfaces of null-value pixels in various positions, probably due to error during the acquisition of measurements by the opto-electronic LIDAR system, both in the Blue spectral channel and in the Digital Terrain Model (DTM). Consequently, the classification and further analysis of first dataset was rendered impossible and the work for the automatic recognition of vehicles was limited to the second dataset. The coarse segmentation level was produced by the top-down approach. In this level it was mainly sought the extraction of the majority of building surfaces, and secondarily traffic routes, surfaces of vegetation, dense or sparse, and soil. The boundaries of surfaces of buildings were corrected by merging and reclassifying similar land cover surfaces (classification-based segmentation). The completion of recognition of all surfaces of the buildings took place with the classification of a medium segmentation level. The objective of creating the medium level was the better distinction of the borders and of the surfaces of buildings and of low-height flat roof buildings, so that to avoid misclassification of lorries in this category. The fine level of analysis resulted from top-down approach, aiming mainly at the recognition of vehicles. Given the limited size of objects, it was also made possible the identification of low-bushy, tall-arborescent, thin-mixed vegetation, soil, traffic routes, light and dark asphalt surfaces. By projecting the building surfaces from the coarse and medium to this particular level, no further attempt had to be made concerning the classification of those, fact that resulted at considerable decrease of the size of field of research for vehicles. Given the focus on clearly identifying vehicles and their parts, the accuracy of the classification of objects that were depicting vehicles, was rendered greater than that of other classes. The reason is also partly due to the fact that the description of the vehicle class was assigned without significant overlap in the range of features used to describe other classes and might recommend the difference. Despite efforts to produce suitable segments during the segmentation of this level, due to the size of the vehicles in the given data resolution and of the errors resulting from the general classification, vehicle shape could not be properly defined. The developed methodology, offered as a guide for recognizing vehicles both in urban and industrial environment from the same resolution of multi-spectral and LiDAR elevation data, by making minor changes in the range of features that has been employed.