Abstract :
[en] Reasoning from information extraction given by point cloud data mining allows contextual adaptation and fast decision making. However, to achieve this perceptive level, a point cloud must be semantically rich, retaining relevant information for the end user. This paper presents an automatic knowledge-based method for pre-processing multi-sensory data and classifying a hybrid point cloud from both terrestrial laser scanning and dense image matching. Using 18 features including sensor’s biased data, each tessera in the high-density point cloud from the 3D captured complex mosaics of Germigny-des-prés (France) is segmented via a colour multi-scale abstraction-based featuring extracting connectivity. A 2D surface and outline polygon of each tessera is generated by a RANSAC plane extraction and convex hull fitting. Knowledge is then used to classify every tesserae based on their size, surface, shape, material properties and their neighbour’s class. The detection and semantic enrichment method shows promising results of 94% correct semantization, a first step toward the creation of an archaeological smart point cloud.
[fr] Le raisonnement à partir de l'extraction d'informations fournies par l'analyse de nuages de points permet une adaptation contextuelle et une prise de décision rapide. Cependant, pour atteindre ce niveau de perception, un nuage de points doit être sémantiquement riche et conserver des informations pertinentes pour l'utilisateur final. Cet article présente une méthode automatique basée sur les connaissances pour le prétraitement des données multi-sensorielles et la classification d'un nuage de points hybride à partir de scanner laser terrestre et de l'appariement d'images denses. À l'aide de 18 caractéristiques, dont les données biaisées du capteur, chaque tessel dans le nuage de points à haute densité des mosaïques complexes capturées en 3D de Germigny-des-prés (France) est segmenté via une abstraction multi-échelles basée sur l'extraction de connectivité et l'étude colorimétrique. Un polygone de surface et contour 2D de chaque tesselle est généré par une extraction de plan RANSAC et une enveloppe convexe. Les connaissances sont ensuite utilisées pour classer chaque tesselles en fonction de leur taille, de leur surface, de leur forme, de leurs propriétés matérielles et de la classe de leur voisins. La méthode de détection et d'enrichissement sémantique montre des résultats prometteurs avec 94 % de sémantisation correcte, première étape vers la création d'un nuage de point archéologique intelligent.
Publisher :
International Academy, Research, and Industry Association (IARIA), Wilmington, United States - Delaware
Scopus citations®
without self-citations
17
