|
DOI: 10.14489/vkit.2024.11.pp.019-026
Гребенюк Е. А., Ротков С. И., Талипова Л. В., Морозова Е. В.
МЕТОДИКА ОЦЕНКИ КАЧЕСТВА ОБЛАКОВ ТОЧЕК ПО УСЛОВИЮ ПЛОТНОСТИ
(с. 19-26)
Аннотация. Цель данной работы – составление методики оценки материалов мобильного лазерного сканирования линейно протяженных объектов (автодорог) по условию плотности точек для сканируемой поверхности автодороги. Разработана оригинальная методика с применением средств автоматизации на языке Python и инструментов QGIS, PostgreSQL + PostGIS. В основу методики положена идея проверки средней плотности точек для целевой поверхности автодороги, разбитой на анализируемые участки (полигоны Вороного). Материалами для анализа выступают исходные облака точек, сшитые и отфильтрованные на несколько городских дорог Санкт-Петербурга общей протяженностью 3,1 км, и набор полигонов в виде диаграмм Вороного. Определено, что на диапазон плотностей точек 0…1000 шт./м2 приходится наибольшая по площади полигонов группа. Она составляет 30 % от объема сканирования. По результатам исследования выявлено, что при создании цифровой модели организации дорожного движения для точной идентификации технических средств организации дорожного движения необходима плотность 277 точек на один квадратный метр (это примерно одна точка на 6 квадратных сантиметров). Указанная точность при соблюдении прочих правил съемки достигается при движении сканирующего автомобиля со скоростью до 35 км/ч. Меньшая плотность возможна для задач, не относящихся к проверке дороги на колееобразование или установлению точного рисунка горизонтальной дорожной разметки.
Ключевые слова: мобильное лазерное сканирование; дороги; цифровые двойники; облака точек; транспортная система; PostGIS; QGIS; диаграммы Вороного.
Grebenyuk E. А., Rotkov S. I., Talipova L. V., Morozova E. V.
METHODOLOGY FOR ASSESSING THE QUALITY OF POINT CLOUDS BASED ON DENSITY CONDITIONS
(pp. 19-26)
Abstract. This article discusses a numerical method for estimating the dependence of the final quality, such as the density of a point cloud per square metre of pavement, on the speed of movement of a mobile laser scan. In practice, long roads are most often scanned using mobile laser scanning technologies (or hybrid with photogrammetric data), whose outputs are dense point clouds with the need for classification, panoramic images and other ancillary data. As part of the analysis, Voronoi diagrams are used to divide the target road contour into separate sections for subsequent calculation of how many points fall within each of the polygons. For the analysis we developed an original methodology using Python automation tools and QGIS, PostgreSQL + PostGIS tools, based on the idea of checking the average point density for the target road surface divided into analysed sections (polygons Voronoi). The materials for the analysis are initial point clouds, stitched and filtered for several urban roads of St. Petersburg with a total length of 3.1 km, and a set of polygons in the form of Voronoi diagrams. When analysing the data, it was found that the range of point densities 0...1000 pcs/sq.m. contains the largest group of polygons in terms of area. Numerically, it represents 30 % of the scan volume. According to the results of the study, when creating a digital model of traffic organisation, the density of 277 points per square metre (which corresponds to approximately 1 point per 6 square cm.) is necessary for the precise identification of technical means of traffic organisation. This accuracy can be achieved when the scanning vehicle is travelling at a speed of up to 35 km/h, provided that other surveying rules are observed. However, a lower density is possible for tasks other than checki the road for rutting or determining the exact pattern of horizontal road markings.
Keywords: Mobile laser scanning; Roads; Digital twins; Point clouds; Transport system; PostGIS; QGIS; Voronoi diagrams.
Е. А. Гребенюк, С. И. Ротков (Нижегородский государственный архитектурно-строительный университет, Нижний Новгород, Россия) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
Л. В. Талипова, Е. В. Морозова (Санкт-Петербургский политехнический университет Петра Великого, Санкт-Петербург, Россия)
E. А. Grebenyuk, S. I. Rotkov (Nizhny Novgorod State University of Architecture and Civil Engineering, Nizhny Novgorod, Russia) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
L. V. Talipova, E. V. Morozova (Peter the Great St. Petersburg Polytechnic University, St. Petersburg, Russia)
1. Брынь М. Я., Баширова Д. Р. Сравнительная оценка эффективности мобильного лазерного сканирования и аэрофотосъемки с беспилотных летательных аппаратов при съемке автомобильных дорог // Вестник Сибирского государственного университета геосистем и технологий. 2021. № 3. C 20–27. DOI 10.33764/2411-1759-2021-26-3-20-27
2. Алтынцев М. А. Привязка данных мобильного лазерного сканирования к результатам аэрофотосъемки на основе определения взаимного положения массивов точек // Вестник Сибирского государственного университета геосистем и технологий. 2022. № 4. С. 5–15. DOI: 10.33764/2411-1759-2022-27-4-5-15
3. Urban 3D modeling using mobile laser scanning: A review / W. Cheng, W. Chenglu, D. Yudi et al. // Virtual Reality and Intelligent Hardware. 2020. 2(3): P. 175–212. DOI: 10.1016/j.vrih.2020.05.003
4. Mobile laser scanned point-clouds for road object detection and extraction: A review / L. Ma, Y. Li, J. Li et al. // Remote Sensing. 2018. 10(10):1531. https://doi.org/10.3390/rs10101531
5. De Blasiis, Di Benedetto A, Fiani M. Mobile Laser Scanning Data for the Evaluation of Pavement Surface Distress // Remote Sensing. 2020. 12(6):942. https://doi.org/10.3390/rs12060942
6. Bełej M, Figurska M. 3D Modeling of Discontinuity in the Spatial Distribution of Apartment Prices Using Voronoi Diagrams // Remote Sensing. 2020. 12(2):229. https://doi.org/10.3390/rs12020229
7. Takenova K., Guleva V. Y. Determination of Optimal Locations for ATM Network Service Points // Procedia Computer Science. 2023. V. 229, P. 198–207. https://doi.org/10.1016/j.procs.2023.12.021
8. A robust segmentation framework for closely packed buildings from airborne LiDAR point clouds. / X. Wang, T. Chan, K. Liu et al. // International Journal of Remote Sensing. 2020. V. 41. P. 5147–5165. DOI: 10.1080/01431161.2020.1727053
9. Kölle M., Walter V., Sörgel U. Building a Fully-Automatized Active Learning Framework for the Semantic Segmentation of Geospatial 3D Point Clouds // PFG – Journal of Photogrammetry, Remote Sensing and Geoinformation Science. 2024. V. 92, P. 131–161. https://doi.org/10.1007/s41064-024-00281-3
10. Offboard 3d object detection from point cloud sequences / R. Qi Charles, Zhou Yin, Najibi Mahyar et al. // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Nashville, TN, USA 20.06.2021. P. 6134-6144. https://doi.org/10.48550/arXiv.2103.05073
11. Zhou Y., Tuzel O. Voxelnet: End-to-end learning for point cloud based 3d object detection // Proceedings of the IEEE conference on computer vision and pattern recognition. Salt Lake City, UT, USA – 18.06.2018. С. 4490–4499. https://doi.org/10.48550/arXiv.1711.06396
12. Zimányi E., Sakr M., Lesuisse A. MobilityDB: A Mobility Database Based on PostgreSQL and PostGIS // ACM Transactions on Database Systems (TODS), V. 45, Is. 4, P. 1–42. https://doi.org/10.1145/3406534
13. Germinian J. F., Tricya Esterina Widagdo S.T. Utilizing PostGIS extension to process spatial data stored in Neo4j database // IEEE International Conference on Data and Software Engineering (ICoDSE), Toba, Indonesia, 07.09.2023, P. 250–255. DOI: 10.1109/ICoDSE59534.2023.10291400
14. QGIS Training Manual [Электронный ресурс]: URL:https://docs.qgis.org/3.34/en/docs/training_manual/index.html (дата обращения 05.04.2024).
1. Bryn' M. Ya., Bashirova D. R. (2021). Comparative assessment of the effectiveness of mobile laser scanning and aerial photography from unmanned aerial vehicles when surveying highways. Vestnik Sibirskogo gosudarstvennogo universiteta geosistem i tekhnologiy, (3), 20 – 27. [in Russian language] DOI: 10.33764/2411-1759-2021-26-3-20-27
2. Altyntsev M. A. (2022). Linking mobile laser scanning data to aerial photography results based on determining the relative position of point arrays. Vestnik Sibirskogo gosudarstvennogo universiteta geosistem i tekhnologiy, (4), 5 – 15. [in Russian language] DOI: 10.33764/2411-1759-2022-27-4-5-15
3. Cheng W., Chenglu W., Yudi D. et al. (2020). Urban 3D modeling using mobile laser scanning: A review. Virtual Reality and Intelligent Hardware, 2(3), 175 – 212. DOI: 10.1016/j.vrih.2020.05.003
4. Ma L., Li Y., Li J. et al. (2018). Mobile laser scanned point-clouds for road object detection and extraction: A review. Remote Sensing, 10(10). Retrieved from https://doi.org/10.3390/rs10101531
5. De Blasiis, Di Benedetto A, Fiani M. (2020). Mobile Laser Scanning Data for the Evaluation of Pavement Surface Distress. Remote Sensing, 12(6). Retrieved from https://doi.org/10.3390/rs12060942
6. Bełej M, Figurska M. (2020). 3D Modeling of Discontinuity in the Spatial Distribution of Apartment Prices Using Voronoi Diagrams. Remote Sensing, 12(2). Retrieved from https://doi.org/10.3390/rs12020229
7. Takenova K., Guleva V. Y. (2023). Determination of Optimal Locations for ATM Network Service Points. Procedia Computer Science, 229, 198 – 207. Retrieved from https://doi.org/10.1016/j.procs.2023.12.021
8. Wang X., Chan T., Liu K. et al. (2020). A robust segmentation framework for closely packed buildings from airborne LiDAR point clouds. International Journal of Remote Sensing, 41, 5147 – 5165. DOI: 10.1080/01431161.2020.1727053
9. Kölle M., Walter V., Sörgel U. (2024). Building a Fully-Automatized Active Learning Framework for the Semantic Segmentation of Geospatial 3D Point Clouds. PFG – Journal of Photogrammetry, Remote Sensing and Geoinformation Science, 92, 131 – 161. Retrieved from https://doi.org/10.1007/s41064-024-00281-3
10. Charles R. Qi, Yin Zhou, Mahyar Najibi, Pei Sun, Khoa Vo, Boyang Deng, Dragomir Anguelov (2021). Offboard 3d object detection from point cloud sequences. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 6134 – 3144. Nashville. Retrieved from https://doi.org/10.48550/arXiv.2103.05073
11. Zhou Y., Tuzel O. (2018). Voxelnet: End-to-end learning for point cloud based 3d object detection. Proceedings of the IEEE conference on computer vision and pattern recognition, 4490 – 4499. Salt Lake City. Retrieved from https://doi.org/10.48550/arXiv.1711.06396
12. Zimányi E., Sakr M., Lesuisse A. MobilityDB: A Mobility Database Based on PostgreSQL and PostGIS. ACM Transactions on Database Systems (TODS), 45(4), 1 – 42. Retrieved from https://doi.org/10.1145/3406534
13. Germinian J. F., Tricya Esterina Widagdo S.T. (2023). Utilizing PostGIS extension to process spatial data stored in Neo4j database. IEEE International Conference on Data and Software Engineering (ICoDSE), 250 – 255. Toba. DOI: 10.1109/ICoDSE59534.2023.10291400
14. QGIS Training Manual. Retrieved from https://docs.qgis.org/3.34/en/docs/training_manual/index.html (Accessed: 05.04.2024.)
Статью можно приобрести в электронном виде (PDF формат).
Стоимость статьи 500 руб. (в том числе НДС 20%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.
После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.
Для заказа скопируйте doi статьи:
10.14489/vkit.2024.11.pp.019-026
и заполните форму
Отправляя форму вы даете согласие на обработку персональных данных.
.
This article is available in electronic format (PDF).
The cost of a single article is 500 rubles. (including VAT 20%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.
After depositing your payment on our bank account we send you file of the article by e-mail.
To order articles please copy the article doi:
10.14489/vkit.2024.11.pp.019-026
and fill out the form
.
|
Архив номеров
Разработка концепции и создание сайта - ООО «Издательский дом «СПЕКТР»