Laserscanning

  • Objekterkennung in ALS-Daten mittels Deep Learning
    In Zusammenarbeit mit dem Niedersächsischen Landesamt für Denkmalpflege entwickeln wir ein Verfahren zur automatischen Erkennung archäologischer Objekte in luftgetragenen Laserscandaten. Die Art der Objekte, die entdeckt werden sollen, ist hauptsächlich für Archäologen von Interesse, wie z. B. Haufen, Schächte, Holzkohlepfähle, Gruben, Schubkarren, Bombenkrater, Hohlwege usw. Es kann sich um spitze, lineare oder flächige Objekte handeln. Zu diesem Zweck verwenden wir tiefe Lerntechniken; nämlich Faltungsneuronale Netze (CNNs) zum Klassifizieren von Höhenbildern aus der Region von Interesse. Eine Kombination mehrerer (in den meisten Fällen 5) CNN-Klassifikatoren wird dann verwendet, um interessierende Objekte in einem aus der interessierenden Region erfassten digitalen Geländemodell zu erkennen und zu lokalisieren.
    Team: Kazimi, Thiemann, Sester
    Jahr: 2018
    Förderung: MWK Pro*Niedersachsen
  • LiDAR Mobile Mapping
    Für die dichte und genaue Erfassung der Umgebung vom Boden aus können heute Mobile Mapping Fahrzeuge eingesetzt werden. Im Vergleich zu früheren Verfahren, bei denen Messsysteme an mehreren Stellen aufgebaut werden mussten, kann so die Erfassung im fließenden Verkehr stattfinden. Bei den LiDAR (Light Detection and Ranging) Systemen wurde die Scangeschwindigkeit in den letzten Jahren zudem um den Faktor 20 verbessert. So werden heute Erfassungsraten von mehr als einer Million 3D Punkte pro Sekunde erreicht. Das ikg verfügt über ein Mobile Mapping System der Firma Riegl, welches in der Regel auf einem VW Bus eingesetzt wird. Im Vergleich zu Systemen, welche ausschließlich auf Kameras beruhen, bietet LiDAR den Vorteil der sehr dichten, detaillierten und genauen Erfassung. Neben der Fahrbahnoberfläche lassen sich auch Objekte des Straßenraums direkt in 3D erfassen, z.B. Schilder, Ampeln, Beleuchtungsmasten, Oberleitungen sowie die Vegetation.
    Team: Brenner, Schachtschneider, Peters
    Jahr: 2017
  • Massiv Kollaborative Erfassung von dynamischen Umgebungen und ihre Abbildung in digitalen Karten
    Selbstfahrende Autos und autonome Roboter benötigen hochgenaue Modelle ihrer Umgebung, um über lange Zeit sicher agieren zu können. Doch natürliche Umgebungen wie Straßenzüge enthalten dynamische Objekte und verändern sich mit der Zeit: Gebäude werden neu gebaut, Bäume gepflanzt und Autos unterschiedlich geparkt Da solche Umgebungen nicht permanent erfasst werden können und es immer eine erste Fahrt in einer veränderten Umgebung geben wird, wird ein Umgebungsmodell benötigt, welches mögliche Veränderungen berücksichtigt.
    Team: Schachtschneider, Brenner
    Jahr: 2017
    Förderung: DFG-Graduiertenkolleg i.c.sens
  • 3D-Objektextraktion aus hochaufgelösten 3D-Punktwolken
    In den Landesvermessungsbehörden liegen flächendeckende, kontrollierte Airborne Lascerscanning-Datensätze mit unterschiedlichen Punktdichten vor, welche i.d.R. mindestens in die Klassen Boden- und Nichtbodenpunkte differenziert wurden. In der Arbeitsgemeinschaft der Vermessungsverwaltungen (AdV) wird ein Aktualisierungszyklus von 10 Jahren diskutiert. Weiterhin leiten die Landesvermessungsämter auf Basis von digitalen Bildflügen mit hohen Überlappungen 3D-Punktwolken mit dem sogenannten „Dense-Image-Matching“-Verfahren (DIM) ab, welche eine Auflösung im Pixelbereich besitzen. Radiometrische Information aus den Luftbildern ergänzen die Informationstiefe dieser Punktwolken, welche aufgrund der Bildkorrelation in der Regeln auf ein Oberflächenmodell begrenzt sind. Hierbei ist ein 2-3-jähriger Befliegungszyklus die Basis.
    Team: Politz, Sester
    Jahr: 2017
    Förderung: Forschungs- und Entwicklungsvorhaben zwischen den Landesvermessungsämtern Niedersachsen, Schleswig-Holstein und Mecklenburg-Vorpommern