Detection of Edge Points of Building Roofs from ALS Point Clouds

Abstract

Å anskaffe tilgang til sanne takkonstruksjonener av bygninger i form av digitale 3D-modeller er et sårt tiltrengt og naturlig neste skritt fra dagens tilstand av digitale byer, siden det muliggjør flere nye applikasjoner innen felt som visualisering, simulering og smarte byer. Konvensjonelt kan prosessen med å lage slike modeller gjøres ved å rekonstruere 3D-takmodeller fra flybårne laserskan- ningspunktskyer i fem hovedtrinn: bygningstakdeteksjon, takplansegmentering, kantomriss utvin- ning fra taksegmentene, regularisering og topologisk justering av polygoner fra taksegmentene, og modellering i CityGML. Denne masteroppgaven foreslår et nytt datadrevet rammeverk som direkte trekker ut kantpunktene til bygningstakkonstruksjoner fra flybårne laserskanningspunkt- skyer og dermed fjerner trinnet med takplansegmentering. Ved å fjerne dette trinnet reduserer vi de beregningsmessige kostnadene og den nødvendige størrelsen på treningsdatasettet kraftig. Ram- meverket vårt er også mye mer generaliserbart, siden det ikke er begrenset av et forhåndsbestemt sett med segmenteringsprimitiver.

Tjue metoder for å utvinne attributter fra punktskyer ble studert og utforsket, og den første de- len av rammeverket vårt er basert på en undergruppe av disse metodene. Attributtverdier for hvert punkt i bygningers takpunktskyer beregnes på en skalert måte, med en ekstra gjennomsnittsverdi for hver attributt. Sammen danner alle attributtverdiene det vi kaller en attributtmatrise som representerer hvert punkt som en enhet av høyere orden. Den siste delen av det foreslåtte rammev- erket utnytter denne attributtmatrisen å detektere kantpunkter ved å bruke CatBoost, en populær maskinlæringsalgoritme som bruker gradientforsterkning på beslutningstrær for å klassifisere data.

For å teste og validere rammeverket vårt ble det utført et eksperiment på flybårne laser- skanningspunktskydata levert av Trondheim kommune. Et lite sett med takkonstruksjonener av bygninger ble manuelt segmentert som grunnlag for dette eksperimentet. Resultatene viste at for formålet med kantpunktdeteksjon av bygningstak fra flybårne laserskanningspunktskyer, kunne de foreslåtte punktattributtene i sammenheng med det foreslåtte rammeverket lykkes med å skille mellom kantpunkter og andre punkter. Det oppnådde gode resultater på det manuelt segmenterte takkonstruksjonsdatasettet, der 83% IoU og 90% OA ble rapportert. Hele kodebasen som ble laget og brukt under denne masteroppgaven finnes tilgjengelig på https://github.com/appfr3d/TBA4925- Masters-thesis.

Acquiring access to the true roof structures of buildings as digital 3D models is a much-needed and natural next step from the current state of digital cities, as it enables several new applications within fields like visualization, simulation, and smart cities. Conventionally, the process of creating such models can be done by reconstructing 3D roof models from airborne laser scanning point clouds in five main steps: building roof detection, roof plane segmentation, outline extraction for roof segments, regularization and topological adjustment of polygons of roof segments, and modeling in CityGML. This thesis proposes a new data-driven framework that directly extracts the edge points of building roof structures from airborne laser scanning point clouds and thus mitigates the step of plane segmentation. In mitigating this step, we heavily reduce the computational cost and the required training dataset size. Our framework is also much more generalizable, as it is not limited by any predetermined set of segmentation primitives.

Twenty methods for feature extraction from point clouds were studied and explored, and the first part of our framework is based upon a subset of these features. Feature values for each point in building roof point clouds are calculated in a multi-scale manner, with an additional mean value for each feature. Together, all the feature values form what we call a feature matrix that represents each point as a higher-order entity. The last part of the proposed framework leverages this feature matrix as input to detect edge points by using CatBoost, a popular machine learning algorithm that uses gradient boosting on decision trees to classify data.

To test and validate our framework, an experiment was conducted on dense airborne laser scan- ning point cloud data provided by Trondheim Municipality. A small set of building roof structures was manually segmented for the basis of this experiment. The results showed that for the purpose of edge point detection of building roofs from airborne laser scanning point clouds, the proposed point features in concatenation with the proposed framework could successfully discriminate be- tween edge points and other points. It achieved good scores on the manually segmented building roof dataset, with 83% Intersection over Union and 90% Overall Accuracy being reported. All the code used in this thesis can be found at https://github.com/appfr3d/TBA4925-Masters-thesis.