Klassifizierung von 3D-Objekten in Gebäudeinnenräumen

Bachelorarbeit am ifp - Philipp Hirt

Philipp Hirt

Klassifizierung von 3D-Objekten in Gebäudeinnenräumen

Dauer der Arbeit: 4 Monate
Abschluss: September 2017
Betreuer: Lavinia Runceanu
Prüfer: Prof. Dr.-Ing. Norbert Haala


 

Motivation

Die Darstellung der alltäglichen Umwelt des Menschen in digitaler Form ist mit 3D-Messverfahren möglich und gewinnt mehr und mehr an Relevanz. Dabei ist eine Hauptaufgabe, die zunächst leblosen Daten wie z. B. Punktwolken zu klassifizieren und dem Betrachter bekannte Objekte zu identifizieren.

Während dies in der Vermessung vor allem im Flugzeuglaserscanning betrieben wird, um Vegetation und Gebäude von der Geländeoberfläche zu unterscheiden, ist auch die Anwendung in Innenräumen von Interesse. Über dreidimensionale Modelle von ganzen Gebäuden mit den entsprechenden Räumen können Simulationen zum Notfallmanagement, aber auch Analysen und Anwendungen zur Innenraumnavigation realisiert werden. Für alle Anwendungen ist es unerlässlich, bestimmte Objekte in den Räumen klar definiert zu haben wie z. B. Wände und Böden, aber auch feste Möbelstücke im Allgemeinen.

Hier soll ein Ansatz zur Innenraumklassifikation mit der Software CANUPO untersucht und anschließend mit einem eigenen Algorithmus auf Basis einer Random-Forests-Klassifikation verglichen werden.

Vorgehensweise

Zu Beginn wird ein Datensatz eines kompletten Stockwerks mittels terrestrischem Laserscanner erfasst. Auf Basis dieser Daten wird ein Testraum definiert, auf dem die Klassifikationsansätze getestet werden sollen und der zur Qualitätsbeurteilung als Referenz dient.

Da beide Ansätze der überwachten Klassifikation zuzuordnen sind, müssen für jede Klasse Trainingsdaten erstellt werden. Vom Operateur wird hierbei genau die Punktwolke ausgeschnitten, die dem entsprechenden Objekt entspricht. Auf Basis dieser Daten werden für jede Klasse Merkmale berechnet.

Teil der Trainingsdaten für die Klasse Stuhl. Die Farbgebung codiert die Z-Koordinate.
Abbildung 1: Teil der Trainingsdaten für die Klasse Stuhl. Die Farbgebung codiert die Z-Koordinate.

Das Programm CANUPO arbeitet mit multiskalen Dimensionalitätskriterien, betrachtet also die Umgebung eines Punktes in verschieden großen Maßstäben und untersucht sie auf ihre Dimensionalität. Es handelt sich bei CANUPO um ein komplettes Programm bzw. Plugin, das ursprünglich für die Klassifikation von Vegetation und natürlicher Umgebung entwickelt wurde und somit nicht speziell für Innenräume optimiert ist.

Da die Ergebnisse nicht überzeugen, wird ein zweiter Ansatz betrachtet, der auf einem Random-Forests-Klassifikator beruht. Dieser kombiniert eine große Anzahl an Entscheidungsbäumen in Verbindung mit einer jeweils zufällig getroffenen Untermenge an Merkmalen zu einem sehr leistungsfähigen Klassifikator. Die verwendeten Merkmale müssen selbst festgelegt und vom Algorithmus berechnet werden.

Für diesen Ansatz werden verschiedene Parameter optimiert und zusätzliche Schritte zur Verbesserung der Genauigkeit unternommen. So können bei einem durch Decke und Boden begrenzten Datensatz diese beiden Klassen zu Anfang über ihre Z-Koordinate eliminiert werden und können in der eigentlichen Klassifikation entfallen.

Ergebnisse und Fazit

Bei beiden Verfahren weisen manche Klassen so große Ähnlichkeiten auf, dass sie kaum unterschieden werden können. So ist die Identifizierung von Türen in Verbindung mit den Klassen Schrank und Wand nur schwer möglich, da alle drei Klassen über ähnliche Eigenschaften verfügen.

Insgesamt liegt vor allem in der Gesamtgenauigkeit, aber auch im Arbeitsaufwand und der Vielfalt der realisierbaren Klassen der Algorithmus mit Random-Forests klar vor CANUPO. Er liefert eine gute allgemeine Zuordnung der Klassen, wobei die einzelnen Genauigkeiten stark variieren, das Gesamtbild jedoch stimmig ist. Im Gegensatz dazu sind mit CANUPO nur sehr wenige Klassen unterscheidbar – zur Eliminierung einer Störklasse wie z. B. Pflanzen ist das Programm jedoch geeignet.

Finales Klassifikationsergebnis des Testraums mit Random-Forests.
Abbildung 2: Finales Klassifikationsergebnis des Testraums mit Random-Forests.

Ansprechpartner

Dieses Bild zeigt Norbert Haala

Norbert Haala

apl. Prof. Dr.-Ing.

Stellvertretender Institutsleiter

Zum Seitenanfang