Institut für Raumbezogene Informations- und Messtechnik
Hochschule Mainz - University of Applied Sciences

WIDOP II – Wissensbasierte Detektion von Objekten in Punktwolken

Nach erfolgreichem Abschluss des Projektes WIDOP wurde WIDOPII ins Leben gerufen um das Lösungsprinzip auf eine neue Aufgabe zu übertragen.
Motivation und Ziele: 

Die Deutsche Bahn AG hat zwecks Lichtraumprofilmessungen riesige Laserscanning-Datenmengen vorrätig. Auf der anderen Seite ist der tatsächliche Bestand an Lärmschutzwänden nicht synchron mit der Dokumentation. Die Lösung des Problems findet sich in der Auswertung der Laserscans aus der Lichtraumprofilmessung. In den Punktwolken sind neben der direkten Umgebung, Signalanlagen und anderen Objekten auch die Lärmschutzwände erfasst. Ziel dieses Projektes ist es, das bereits in WIDOP I erfolgreich eingesetzte Lösungsprinzip für diesen Anwendungsfall umzusetzen. Das Lösungsprinzip beinhaltet einen Satz Algorithmen und Prozessier-Mechanismen, die von einer Wissensbasis ausgewählt und gesteuert werden.

Aktivitäten: 

Nach umfrangreicher manueller Auswertung und algorithmischen Tests an größeren Tesdatensätzen (120km Rohstrecke) kristallisierte sich euklidisches Clustering als passender Ansatz heraus. Beim Clustering wird eine große Punktmenge in kleinere aufgeteilt, in dem die räumliche Nachbarschaft und die Ähnlichkeit numerisch verglichen werden. Cluster sind Punkthaufen ähnlicher Gestalt und bilden räumlich zusammenhängende Gebilde. Aufgrund von Störeinflüssen (Vegetation, Gebäude und Signalanlagen) reicht dieser Ansatz alleine nicht aus. Neue Algorithmen, die anhand der Ausrichtung einer Wand und Betrachtung des Verlaufs Störeinflüsse erkennen und eliminieren, mussten konzipiert und implementiert werden.

Ergebnisse: 

Die Hauptalgorithmen auf Clusteringbasis wurden erfolgreich implementiert und getestet. Die dabei entstandene Prozesskette beinhaltet viele Schritte mit neuen Teilalgorithmen. Zweck dieser Schritte ist es auf die Datenkomplexität und Störungen im Datenmaterial zu reagieren. So muss Rauschen durch Filterung kompensiert werden und Störungen wie Verdeckung durch andere Objekte durch statistische Analysen beseitigt werden. Konkret hat die finale Prozesskette folgende Gestalt:

  • Beschneidung - Reduktion der Laserscandaten auf relevante Bereiche (seitlich der Schiene)
  • Normalenschätzung - Bestimmung der Oberflächenrichtung für jeden Punkt im Scan
  • Normalenfilterung - Entfernung von horizontalen (nicht wandähnlichen) Bereichen
  • Clustering - Bestimmung zusammenhängender Punktmengen
  • Bestimmung der Vertikalausrichtung - Cluster werden auf Vertikalität untersucht
  • Selektion & Filterung - Vertikale Ausrichtung wird als Kriterium zur Auswahl möglicher Wände benutzt, Störelemente im Cluster werden entfernt
  • Unterteilung - Cluster werden, falls mehrere Strukturen (z.B. Lärmschutzwand und Hauswand) erkannt werden, nochmal unterteilt
  • Berechnung Eigenschaften - Geometrische Merkmale (Höhe, Länge, Lage usw.) werden berechnet und zur finalen Auswahl herangezogen

Eckdaten

Zeitraum:     01.07.2014 - 31.12.2015
Beteiligte Personen:
  • – Deutsche Bahn AG
  • – Metronom AG
, , ,

Verwandte Projekte

Im Zuge der Publikation und Analyse der 3D-Daten eines unberührten Gruftkomplexes zu Qatna ist die Bereitstellung der Daten anhand einer plattformunabhängigen Web-Applikation besch…
Zur Publikation und Unterstützung der archäologischen Interpretation sollte 2016 eine plattformunabhängige Applikation entwickelt werden mit dessen Hilfe die unterschiedlichen 3D-D…