Classification of Mobile Laser Scanning Point Cloud in an Urban Environment Using kNN and Random Forest

Seyfeli, Semanur; Ok, Ali Özgün

doi:10.1007/978-3-030-94191-8_78

Cited by 2 publications

(3 citation statements)

References 23 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The features are usually computed from points and neighbours that represent the local object structures. For determining the spatial structure for each point under consideration, various neighbourhood types, such as spherical (Brodu and Lague, 2012), cylindrical (Filin and Pfeifer, 2005), and k-nearest neighbourhoods (kNN) (Weinmann et al, 2015;Seyfeli and Ok, 2022), are favoured. In this context, establishing a neighbourhood relationship with kNN is one of the main issues.…”

Section: Point Cloud Classificationmentioning

confidence: 99%

“…The height difference between the lowest and highest points (ΔH = hmax -hmin) and the standard deviation of the height (σH) of all points in the local relations are additional features obtained from height. Verticality (V) is the final geometric property (Seyfeli and Ok, 2022). Moreover, the eigenvalues λ1,2,3 have great potential to calculate local shape properties, including dimensionality (linearity, planarity, and sphericity) in the local neighbourhood (Demantké et al, 2012), and other measures such as omnivariance, anisotropy, eigenentropy, sum of eigenvalues, and change of curvature.…”

Section: Point Cloud Classificationmentioning

confidence: 99%

See 1 more Smart Citation

Extraction of Point Cloud-Based Information for Powerline Corridors

Askit

Ates²,

Bakir³

et al. 2023

Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci.

View full text Add to dashboard Cite

Abstract. It has been a challenge for electric power management to automatically extract power lines from LiDAR point clouds. However, environmental and technical issues have made management more challenging in complicated areas where power lines are in close proximity to buildings and/or trees. In this study, the structure and types of the data captured by a LiDAR sensor in regions containing line corridors were analysed. The crucial stage is appropriately identifying from the data the essential parts of a power line corridor route. The point cloud dataset used in the study belongs to the Borssele region in Zeeland, the Netherlands. By manually labelling the dataset, three classes were identified: wire, pylon, and others. For the classification of point clouds, the Random Forest method was utilised. To assess the obstacles posed by the class wire, 5 m, 10 m, and 15 m 3D buffer zones are created. The visual presentation of obstacles within the buffer zone is achieved by assigning them a separate class code and indicating that they are inside and partially within. Based on the results, the correctness values of the classes of wire and others are considered to be satisfactory. However, the class pylon contains points with incorrect labels after the classification. As a result, the accuracy of the pylon class is much lower than the accuracy of the other two classes.

show abstract

Section: Point Cloud Classificationmentioning

confidence: 99%

Section: Point Cloud Classificationmentioning

confidence: 99%

Extraction of Point Cloud-Based Information for Powerline Corridors

Askit

Ates²,

Bakir³

et al. 2023

Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci.

View full text Add to dashboard Cite

show abstract

“…Yokoyama vd., 2012;Xiao vd., 2016;Soilán vd, 2017), nokta tabanlı (örn. Demantké vd., 2012;Weinmann vd., 2015;Zheng vd., 2017;Wang vd., 2018;Atik vd., 2021;Seyfeli ve Ok, 2022a;Seyfeli ve Ok, 2022b) ya da derin öğrenme tabanlı (örn. Balado vd., 2019;Guo ve Feng, 2020) gibi yöntemlerle olacak şekilde birçok çalışma için ilgi odağı olmuştur.…”

Section: Introductionunclassified

Farkli MLS Nokta Bulutu Yoğunluklarinin Ve Komşuluk Yöntemleri̇ni̇n Kontrollü Siniflandirmaya Etki̇si̇

SEYFELİ¹,

OK²

2022

UZALCBS 2022 Sempozyumu

View full text Add to dashboard Cite

Mobil Lazer Tarama (MLS) sistemleri, genellikle kentsel alanların ve yol ağlarının 3-boyutlu haritalanmasında tercih edilen, hızlı, yüksek doğrulukta ve yüksek yoğunlukta bir veri toplama yöntemidir. Bu araştırmada, MLS nokta bulutu sınıflandırmasında geleneksel olarak kullanılan yöntemlerden olan 2-boyutlu ve 3-boyutlu k-en yakın komşuluk (kNN), küresel ve silindirik komşuluk yöntemleri değerlendirilmiştir. İşlem süresini azaltmak ve beraberinde farklı komşuluk hesabı yöntemlerinin düşük yoğunluktaki nokta bulutlarındaki sonuca etkisini değerlendirmek amacıyla veri alt örnekleme uygulanmıştır. Bu hususta; 3 ana aşamada nokta tabanlı kontrollü sınıflandırma işlemi gerçekleştirilmiştir: (i) yerel komşuluk ilişkisinin kurulması, (ii) öznitelik bilgisinin çıkarılması ve (iii) nokta tabanlı sınıflandırma. Yöntemler, araç tabanlı MLS sistemleriyle toplanmış ve her biri 8 semantik sınıfı içeren TUM-MLS1 ve Toronto-3D nokta bulutları üzerinde test edilmiştir. Asıl ve farklı yoğunluklardaki alt örneklemlere ayrılan nokta bulutlarından, belirlenen sabit parametreli yerel komşuluk türlerine göre geometrik ve şekil tabanlı öznitelikler çıkarılmış ve Rastgele Orman sınıflandırma yöntemi her bir noktayı etiketlemede tercih edilmiştir. Sonuç olarak, her iki nokta bulutu verisinde de %95,1 genel doğrulukta silindirik komşuluk yöntemi kullanılarak en iyi sonuç elde edilmiştir. Nokta bulutu yoğunluğunun azaltılmasıyla işlem süresi bakımından bütün yöntemlerde beklendiği üzere azalmalar gözlenmiş olup genel doğruluklarda da kayıplar olduğu gözlemlenmiştir. Ancak bu bağlamda küresel ve silindirik komşuluklara kıyasla kNN yöntemlerinin (2-ve 3-boyutlu) nokta boyutu yoğunluğundan diğer yöntemlere nazaran çok daha az etkilendiği ve düşük nokta bulutu yoğunluğunda en iyi performansın belirtilen iki farklı veri seti için 2-boyutlu kNN ile sağlandığı sonucuna varılmıştır.

show abstract

Classification of Mobile Laser Scanning Point Cloud in an Urban Environment Using kNN and Random Forest

Cited by 2 publications

References 23 publications

Extraction of Point Cloud-Based Information for Powerline Corridors

Extraction of Point Cloud-Based Information for Powerline Corridors

Farkli MLS Nokta Bulutu Yoğunluklarinin Ve Komşuluk Yöntemleri̇ni̇n Kontrollü Siniflandirmaya Etki̇si̇

Contact Info

Product

Resources

About