Verwendung von Kontext zur Klassifikation luftgestützter Laserdaten urbaner Gebiete

摘要

Auf Flugzeugen montierte Laserscanner können innerhalb kürzester Zeit große Gebiete der Erdoberfläche dreidimensional erfassen. Eine wichtige Aufgabe besteht in der Klassifikation der anfallenden Daten, welche als Punktwolken bezeichnet werden. Jeder Laserpunkt wird dabei einer Objektklasse zugeordnet. Die semantisch angereicherten Daten sind für weiterführende Applikationen erforderlich, wie etwa für die Erstellung dreidimensionaler Stadtmodelle. Diese Arbeit befasst sich mit der automatischen Zuordnung dieser Punktwolken zu Objektklassen unter Ausnutzung von räumlicher Kontextinformation. Die Zielsetzung besteht in der Entwicklung eines neuen Klassifikationsansatzes, welcher Kontext anhand von zwei Ebenen in den Prozess integriert. Probabilistische graphische Modelle in Form von bedingten Zufallsfeldern (Conditional Random Fields, CRF) stellen dafür ein geeignetes Werkzeug bereit. Es wird ein hierarchisches Modell erstellt, das einerseits die Laserpunkte und andererseits Segmente bestehend aus Punktgruppen klassifiziert. Jede dieser Teilaufgaben wird mit einem individuellen CRF gelöst. In einem iterativen Prozess werden die beiden Ebenen nacheinander optimiert und reichen ihre Ergebnisse an die jeweils andere Ebene weiter. Für das segmentbasierte CRF ist vor jeder Durchführung eine Aggregation ähnlicher Punkte zu Segmenten erforderlich. Es wird eine neue Methodik vorgeschlagen, die im Zuge der Iterationen eine adaptive, zunehmend besser werdende Anpassung der Segmente an die tatsächlichen Objektgrenzen erlaubt, wodurch sich die Anzahl der Segmentierungsfehler reduziert. Dies verbessert die Klassifikationsqualität von feineren Strukturen wie etwa Autos in der Szene. Weiterhin lassen sich die durch das alternierende Vorgehen entstehenden Zwischenlösungen für die Extraktion von Kontextmerkmalen verwenden. Zwei Gruppen kontextbasierter Segmentmerkmale für luftgestützte Laserdaten werden im Rahmen dieser Arbeit vorgestellt. Der Fokus der experimentellen Untersuchungen liegt darauf, das vorgestellte Verfahren zu evaluieren und insbesondere den Beitrag der Kontextinformation in Bezug auf die erzielten Genauigkeiten zu ermitteln. Dafür werden reale Datensätze mit bekannten Referenzklassen für jeden individuellen Laserpunkt verwendet. Eine Auswertung ergibt gute Genauigkeitswerte. Anhand von öffentlich verfügbaren Standarddatensätzen zeigt sich eine Überlegenheit hinsichtlich der Gesamtgenauigkeiten gegenüber anderen aktuellen Verfahren. In den Experimenten führt die Berücksichtigung von Kontextinformation im Vergleich zu einem Random Forest Klassifikator zu Genauigkeitssteigerungen um bis zu 5 Prozentpunkte. Besonders in den Daten unterrepräsentierte Objektklassen wie Autos profitieren von Kontext. Ihre Qualität kann um mehr als 20 Prozentpunkte verbessert werden.%Airborne laser Scanners are able to acquire large scale, three dimensional topographic Information rapidly. An important task is the Classification of the gathered data, which are referred to as point clouds. For that purpose, each point is assigned to one object class. The result is used for several applications such as the generation of three dimensional city models. This thesis deals with the automatic Classification of point clouds by exploiting spatial contextual information. The goal is to develop a new approach which enables the Integration of context into two layers corresponding to different scales. Probabilistic graphical models such as Conditional Random Fields (CRF) provide an appropriate tool for that purpose. A two-layer hierarchical framework is set up in order to classify points as well as segments. For each layer an independent CRF is applied. Both layers are optimized in an iterative and alternating manner. After each optimization the results are propagated to the other layer in several ways. The segment-based Classification requires a clustering step, which aggregates similar points. The new methodology allows for the iterative adaption of the segments to the actual object boundaries in order to reduce the number of segmentation errors. The aim of this procedure is to classify small details such as cars more reliably. Moreover, two groups of contextual segment features are introduced for airborne laser Scanner data. Experiments are performed on real world data sets with reference labels in order to evaluate the proposed method. One aim is to assess the impact of exploiting contextual information on the Classification accuracy. The analysis reveals good results. As shown on several benchmark data sets, the proposed framework is able to outperform state-of-the-art approaches in terms of the overall accuracies. Moreover, it becomes apparent that the consideration of context increases the overall accuracies by up to 5 percentages compared to a Standard Random Forest Classification. Most importantly, under-represented classes such as cars benefit significantly from incorporating context. The class specific quality values are improved by more than 20 percentages.