Object classification in 3D point cloud data is an emerging topic attracting increasing research interest. Object detection is one of the most important challenges in computer vision. This paper proposes a novel method for the efficient detection of the real objects with respect to 3D point cloud data. The real object detection is performed using a technique based on mean shift clustering algorithm. The efficiency of the method is verified comparative official 3D data and real 3D point cloud data. We embed presented approach in a framework that combination of extracts shape and point cloud data metric information to improve the outcome of the classification stage. For this aim, classification of 3D point cloud data allows robust segmentation and feature descriptions into different objects by significantly reducing the error. Performed mean shift classification algorithm on the raw data and metric data classification with mean shift algorithm implementation are automatically compared to for evaluation the accuracy of the classification of metric classification algorithm. The results obtained metric classification algorithm and mean shift algorithm on automatic classification of simple planimetric object shapes with the surface of the point cloud show that proposed method is an efficient process.
Classification Point Cloud Mean-Shift Object Detection Kinect
3B nokta bulutu verileri ile nesne sınıflandırma araştırma alanında gelişmekte çalışmalarında en önemli sorunlardan biridir. Bu yazıda 3B nokta bulutu verilerine göre gerçek nesnelerin etkin şekilde tespiti için yeni bir metriksel yöntem önermekteyiz. Gerçek nesnelerin algılanması ortalama kayma (mean-shift) sınıflandırma algoritmasına dayalı bir yöntemle yapılmaktadır. Yöntemin verimliliği karşılaştırmalı resmi 3B verileri ve gerçek 3B nokta bulutu verileri ile doğrulanmaktadır. Nokta bulutu verileri ve metrik bilgilerin kombinasyonu bir yazılım çerçevesinde uygulanarak sınıflandırma aşamasının sonuçlarını iyileştirilmektedir. Bu amaçla, 3B nokta bulutu verilerinin sınıflandırılması önemli ölçüde hata azaltılarak farklı nesneler içine sağlam segmentasyon ve özellik çıkarımları değerlendirilmiştir. Ham veri üzerine uygulanan ortalama kayma algoritması ile metrik sınıflandırma gerçekleştirilmiş veri üzerine ortalama kayma algoritması uygulaması otomatik olarak karşılaştırılarak metrik sınıflandırma algoritmasının doğruluğu değerlendirilmektedir. Sonuçlar metrik sınıflandırma algoritmasının basit düzlemsel şekle sahip farklı nesnelerin otomatik olarak sınıflandırılmasına verimli bir sürece sahip olduğu göstermektedir
Bölüm | Makaleler |
---|---|
Yazarlar | |
Yayımlanma Tarihi | 13 Ekim 2016 |
Yayımlandığı Sayı | Yıl 2016 Cilt: 11 Sayı: 4 |