Reference : POINT CLOUD CLASSIFICATION OF TESSERAE FROM TERRESTRIAL LASER DATA COMBINED WITH DENS...
Scientific congresses and symposiums : Paper published in a journal
Physical, chemical, mathematical & earth Sciences : Earth sciences & physical geography
Engineering, computing & technology : Computer science
Arts & humanities : Archaeology
http://hdl.handle.net/2268/214547
POINT CLOUD CLASSIFICATION OF TESSERAE FROM TERRESTRIAL LASER DATA COMBINED WITH DENSE IMAGE MATCHING FOR ARCHAEOLOGICAL INFORMATION EXTRACTION
English
[fr] CLASSIFICATION DE NUAGE DE POINTS POUR LA DETECTION DE TESSELS A PARTIR DE DONNÉES LASER TERRESTRES ET PHOTOGRAMMETRIQUE POUR L'EXTRACTION D'INFORMATION ARCHÉOLOGIQUE
Poux, Florent mailto [Université de Liège > Département de géographie > Unité de Géomatique - Topographie et géométrologie >]
Neuville, Romain mailto [Université de Liège > Département de géographie > Unité de Géomatique - Topographie et géométrologie >]
Hallot, Pierre mailto [Université de Liège > Département de géographie > Architecture Site Lambert Lombard >]
Billen, Roland mailto [Université de Liège > Département de géographie > Unité de Géomatique - Topographie et géométrologie >]
16-Aug-2017
International Journal on Advances in Life Sciences
IV-2/W2
ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences
203-211
Yes
No
International
1942-2660
CIPA2017 Symposium
du 28 août au 1 septembre 2017
Ottawa
Canada
[en] classification ; cultural heritage ; data fusion ; feature extraction ; laser scanning ; point cloud ; segmentation
[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.
Researchers ; Professionals ; Students ; General public ; Others
http://hdl.handle.net/2268/214547
10.5194/isprs-annals-IV-2-W2-203-2017
https://www.researchgate.net/publication/319280954_POINT_CLOUD_CLASSIFICATION_OF_TESSERAE_FROM_TERRESTRIAL_LASER_DATA_COMBINED_WITH_DENSE_IMAGE_MATCHING_FOR_ARCHAEOLOGICAL_INFORMATION_EXTRACTION
https://www.mendeley.com/research-papers/point-cloud-classification-tesserae-terrestrial-laser-data-combined-dense-image-matching-archaeologi/
http://pointcloudproject.com/focus-on-my-research/
https://www.academia.edu/34546997/POINT_CLOUD_CLASSIFICATION_OF_TESSERAE_FROM_TERRESTRIAL_LASER_DATA_COMBINED_WITH_DENSE_IMAGE_MATCHING_FOR_ARCHAEOLOGICAL_INFORMATION_EXTRACTION
https://www.isprs-ann-photogramm-remote-sens-spatial-inf-sci.net/IV-2-W2/203/2017/isprs-annals-IV-2-W2-203-2017.pdf

File(s) associated to this reference

Fulltext file(s):

FileCommentaryVersionSizeAccess
Open access
2017 - Poux, Neuville, Billen - POINT CLOUD CLASSIFICATION.pdfPublisher postprint2.64 MBView/Open

Bookmark and Share SFX Query

All documents in ORBi are protected by a user license.