Original paper

Geometry and Colour Based Classification of Urban Point Cloud Scenes Using a Supervised Self-Organizing Map

[Geometrie- und farbbasierte Punktwolkenklassifizierung von urbanen Laserscanningszenen mittels überwachter SOM-Klassifikation]

Matti, Eric Kenneth; Nebiker, Stephan

Abstract

This paper presents a robust approach for directly labelling textured 3D points within complex urban scenes. The approach is primarily based on the specific exploitation of various colour and geometry based point features, namely by calculating the HSV colour values, a fast point feature histogram (FPFH), and the zenith angle to the surface normal per point. The geometrical point features are thereby calculated over two different levels of neighbourhood regions in order to accommodate point density variation. This results in a 71-dimensional feature vector per point, which is used as input for a supervised point classification using a previously trained self-organizing map (SOM). Investigations of the proposed method show, that a 3D point cloud of a real complex urban laser scanning scene can be classified with good to very good accuracy for the object classes “road”, “building façade” and “vegetation” but with an inferior performance for the class “tree trunk / branch”.

Kurzfassung

In diesem Beitrag wird eine robuste Methode zur direkten Klassifizierung texturierter 3D-Punkte innerhalb komplexer urbaner Laserscanningszenen vorgestellt. Die Methode basiert auf farblichen und geometrischen Charakteristiken der Punkte. So wird für jeden Punkt sein jeweiliger HSV-Farbwert, sein Fast Point Feature Histogramm und sein Zenitwinkel zur Flächennormalen berechnet. Um dabei variable Punktdichten zu berücksichtigen, werden die geometrischen Punktcharakteristika für zwei unterschiedlich große Nachbarschaftsregionen berechnet. Daraus resultiert ein 71-dimensionaler Featurevektor pro Punkt als Input für die überwachte Punktklassifikation mittels einer trainierten Self-Organizing Map (SOM). Untersuchungen des vorgeschlagenen Verfahrens an einer realen komplexen urbanen Laserscanningszene zeigen auf, dass die Methode in der Lage ist, Punkte nach den Objektklassen Straße, Vegetation und Gebäudefassade mit einer guten bis sehr guten Klassifikationsgenauigkeit zu klassifizieren, jedoch eine geringere Qualität bei der Baumstamm/ast-Klassifikation erreicht wird.

Keywords

fast point feature histogramhsv colour spaceself-organizing mapsterrestrial laser scanning