Farkli MLS Nokta Bulutu Yoğunluklarinin Ve Komşuluk Yöntemleri̇ni̇n Kontrollü Siniflandirmaya Etki̇si̇

Abstract

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.