Detección de Automóviles en Escenarios Urbanos Escaneados por un Lidar

Alfonso Ramírez Pedraza; José Joel González Barbosa; Francisco Javier Ornelas Rodríguez; Ángel Iván García Moreno; Adan Salazar Garibay; Erick Alejandro González Barbosa

doi:10.1016/j.riai.2015.03.003

Autores/as

Alfonso Ramírez Pedraza Instituto Politécnico Nacional
José Joel González Barbosa Instituto Politécnico Nacional
Francisco Javier Ornelas Rodríguez Instituto Politécnico Nacional
Ángel Iván García Moreno Instituto Politécnico Nacional
Adan Salazar Garibay Quantificare S.A.
Erick Alejandro González Barbosa Instituto Tecnológico Superior de Irapuato

DOI:

https://doi.org/10.1016/j.riai.2015.03.003

Palabras clave:

Nube de Puntos 3D, LIDAR, Segmentación 3D

Resumen

En este trabajo se desarrollaron algoritmos computacionales los cuales permiten segmentar y detectar los automóviles que se encuentran dentro de una nube de puntos 3D pertenecientes a un entorno urbano. Las nubes son adquiridas con el sistema LIDAR velodyne HDL-64E, el cual es capaz de reconstruir objetos que se encuentran a una distancia de 3 a 120 metros. El desarrollo del trabajo está dividido en dos etapas: la segmentación de objetos 3D y la indexación. Se considera que el ambiente es semi estructurado debido a que objetos como las fachadas de los edificios y el suelo pueden ser modelados por planos. La segmentación está compuesta por tres módulos: el primero consiste en la extracción del plano principal o suelo; en el segundo módulo se extraen los planos perpendiculares al suelo, los cuales son segmentados por una adaptación al método de Hough; y en el último módulo se aplica una segmentación a los objetos restantes usando el método MeanShift. La indexación está dividida en dos módulos: en el primero, los objetos segmentados son modelados por histogramas usando las direcciones de las normales de los puntos 3D de los objetos; en el segundo módulo, los histogramas son usados para comparar con una biblioteca de datos previamente construida. En este trabajo hemos usado el análisis ROC para optimizar los umbrales empleados. Se utilizan dos bases de datos: la primera es de entrenamiento y está compuesta por 4500 objetos; mientras que la segunda corresponde a la de prueba, la cual está compuesta por 3000 objetos y fue usada para verificar los resultados de entrenamiento. La aportación de este trabajo es presentar un nuevo sistema para detectar automóviles utilizando puntos 3D.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Atanacio-Jimenez, G., González-Barbosa, J.-J., Hurtado-Ramos, J. B., OrnelasRodríguez, F. J., Jimenez-Hernández, H., García-Ramírez, T., González- Barbosa, R., 2011. Lidar velodyne hdl-64e calibration using pattern planes. International Journal of Advanced Robotic Systems Vol. 8. (Num. 5), pp. 70–82.

Barnea, S., Filin, S., 2008. Keypoint based autonomous registration of terrestrial laser point-clouds. ISPRS Journal of Photogrammetry and Remote Sensing Vol. 63. (Num. 1), pp. 19–35.

BIPM, 2008. Evaluation of measurement dataguide to the expression of uncertainty in measurement. JCGM 100.

Brostow, G. J., Shotton, J., Fauqueur, J., Cipolla, R., 2008. Segmentation and recognition using structure from motion point clouds. En: European Conference on Computer Vision (ECCV).

Douillard, B., Underwood, J. P., Kuntz, N., Vlaskine, V., Quadros, A. J., Morton, P., Frenkel, A., 2011. On the segmentation of 3d lidar point clouds. En: International Conference on Robotics and Automation (ICRA). IEEE, pp. 2798–2805.

García-Moreno, A., Gonzalez-Barbosa, J., Ornelas-Rodríguez, F., Hurtado Ramos, J., Ramírez-Pedraza, A., González-Barbosa, E., 2013. Automatic 3d city reconstruction platform using a lidar and dgps. Vol. 7629. LNAI of Lecture Notes in Computer Science. pp. 285–297.

Golovinskiy, A., Kim, V. G., Funkhouser, T., 2009. Shape-based recognition of 3D point clouds in urban environments. En: International Conference on Computer Vision (ICCV).

González-Barbosa, J.-J., Lacroix, S., 2002. Rover localization in natural environments by indexing panoramic images. En: International Conference on Robotics and Automation (ICRA). IEEE, Vol. 2. (pp. 1365 - 1370).

Goron, L., Tamas, L., Reti, I., Lazea, G., 2010. 3d laser scanning system and 3d segmentation of urban scenes. En: International Conference on Automation, Quality and Testing, Robotics (AQTR), IEEE. Vol. 1. pp. 1–5.

Hernández-García, D.-E., Gonzalez-Barbosa, J.-J., Hurtado-Ramos, J.-B., Ornelas-Rodríguez, F.-J., Castillo Castaneda, E., Ramírez, A., García, A., González-Barbosa, R., Aviña-Cervantez, J., 2011. 3d city models: Mapping approach using lidar technology. En: 21st International Conference on Electronics, Communications and Computers (CONIELECOMP). pp. 206–211.

Himmelsbach, M., Luettel, T., Wuensche, H.-J., 2009. Real-Time Object Classification in 3D Point Clouds Using Point Feature Histograms. En: Proceedings of IEEE/RSJ International Conference on Intelligent Robots and Systems, IROS. St. Louis, MO, USA, pp. 994–1000.

Huber, D., 2002. Automatic three-dimensional modeling from reality. Ph.D. thesis, Robotics Institute, Carnegie Mellon University, Pittsburgh, PA.

Lai, K., Fox, D., 2010. Object recognition in 3d point clouds using web data and domain adaptation. International Journal of Robotics Research Vol. 29. (Num. 8), pp. 1019–1037.

Liang-Chia Chen, Hoang Hong Hai, X.-L. N., Wu, H.-W., 2013. Novel 3-d object recognition methodology employing a curvature-based histogram. International Journal of Advanced Robotic Systems Vol. 10. (Num. 294).

Luber, M., 2013. People tracking under social constraints. Ph.D. thesis, Universitatsbibliothek Freiburg.

Park, S. H., Goo, J. M., Jo, C.-H., 2004. Receiver operating characteristic (roc) curve: practical review for radiologists. Korean Journal of Radiology Vol. 5 (Num. 1), pp. 11–18.

Pulido Fentanes Jaime, Zalama Eduardo, G. G.-B. J., 2012. Plataforma robotica ´ para tareas de reconstruccion tridimensional de entornos exteriores. RIAI ´ Vol. 46. (Num. 01), pp. 81–92.

Schnabel, R., Wahl, R., Klein, R., 2007. Efficient ransac for point-cloud shape detection. En: Computer graphics forum. Vol. 26. Wiley Online Library, pp. 214–226.

Sohn, G., Jwa, Y., Kim, H. B., 2012. Automatic powerline scene classification and reconstruction using airborne lidar data. ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences Vol. I-3, pp. 167– 172.

Steder, B., Grisetti, G., Burgard, W., 2010. Robust place recognition for 3d range data based on point features. En: International Conference on Robotics and Automation (ICRA), IEEE. pp. 1400–1405.

Sun, S., Salvaggio, C., 2013. Aerial 3d building detection and modeling from airborne lidar point clouds. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing Vol. 6. (Num. 3), pp. 1440–1449.

Truong, H. Q., Hmida, H. B., Marbs, A., Boochs, F., 2010. Integration of knowledge into the detection of objects in point clouds. En: Paparoditis, N., Pierrot-Deseilligny, M., Mallet, C., Tournaire, O. (Eds.), Proceedings of the ISPRS Commission III symposium - PCV. Vol. 38. of International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences. pp. 143–148.

Wang, C.-C., Thorpe, C., Suppe, A., 2003. LADAR-based detection and tracking of moving objects from a ground vehicle at high speeds. En: Intelligent Vehicle Symposium IEEE.

Xu, F., Fujimura, K., 2003. Human detection using depth and gray images. En: Proceedings of the IEEE Conference on Advanced Video and Signal Based Surveillance (AVSS). pp. 115–121.

Zhou, Q.-Y., Neumann, U., 2008. Fast and extensible building modeling from airborne lidar data. En: Proceedings of the 16th ACM SIGSPATIAL international conference on Advances in geographic information systems (GIS). pp. 7:1–7:8.