Automatic Detection and Classi cation of Objects in Point Clouds using multi-stage Semantics

Abstract

Due to the increasing availability of large unstructured point clouds from lasers canning and photogrammetry, there is a growing demand for automatic evaluation methods. Given the complexity of the underlying problems, several new methods resort to using semantic knowledge in particular for object detection and qualification support. In this paper, we present a novel approach which makes use of advanced algorithms, and benefits from intelligent knowledge management strategies for the processing of 3D point clouds and object qualification in a scanned scene. In particular, our method extends the use of semantic knowledge to all stages of the processing, including the guidance of the 3D processing algorithms. The complete solution consists of a multistage, iterative, concept based on three factors: the modeled knowledge, the package of algorithms, and the qualification engine. Zusammenfassung: Automatische Detektion und Qualifizierung von Objekten in Punktwolken unter Nutzung mehrschichtiger Semantik. Infolge der zunehmenden Verfügbarkeit großer unstrukturierter Punktwolken aus Laserscanning und Photogrammetrie entsteht wachsender Bedarf für automatisierte Auswerteverfahren. Angesichts der häufig hohen Komplexität der in den Punktwolken enthaltenen Objekte stoßen rein Daten-getriebene Ansätze an ihre Grenzen. Es entstehen vermehrt Konzepte, die auf verschiedene Weise auch Gebrauch von Semantik machen. Semantik und Algorithmik sind dabei oft eng miteinander verwoben und führen zu Limitationen in Art und Umfang der nutzbaren Semantik. Mit der vorgestellten Lösung werden Algorithmik und Semantik klar getrennt und mit den exakt auf diese Domänen zugeschnittenen Werkzeugen behandelt. Deren prozedurale Verknüpfung führt dann zu einem neuen Verarbeitungskonzept, das eine bislang nicht erreichte Flexibilität und Vielseitigkeit in der Nutzung unterschiedlichster Semantiken besitzt und auch die Steuerung der Algorithmen integriert. Die iterative Gesamtlösung fußt auf drei Säulen, die aus dem modellierten Wissen, dem Pool der Algorithmen und dem Identifikationsprozess bestehen.

Point Cloud Analysis of Railway Infrastructure: A Systematic Literature Review

“…The rules are used to annotate objects of interest from the point clouds [48]. On the other hand, [31] have used a three-stage approach to use semantic information for object detection and classification.…”

A Knowledge Base for Automatic Feature Recognition from Point Clouds in an Urban Scene

“…For instance, ontologies describing railway facilities are used together with 3D modeling algorithms for processing point clouds to guide 3D object detection and labeling [16]. In [19], authors employ an ontology with a set of semantic rules to select algorithms and related parameters for detecting specific types of objects in a point cloud. In other fields, ontologies are used for better representation, sharing and reuse of spatial data.…”