Semi-Automatic Road/Pavement Modeling using Mobile Laser Scanning

Hervieu, Alexandre; Soheilian, Bahman

doi:10.5194/isprsannals-ii-3-w3-31-2013

Cited by 34 publications

(16 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…• Precise mapping of road marks (Hervieu et al, 2015), road limits (McElhinney et al, 2010) or curbs (El-Halawany et al, 2011) (Zhao and Yuan, 2012) (Hervieu and Soheilian, 2013b),...…”

Section: Contextmentioning

confidence: 99%

Road Orthophoto/DTM Generation From Mobile Laser Scanning

Vallet¹,

Papelard²

2015

ISPRS Ann. Photogramm. Remote Sens. Spatial Inf. Sci.

View full text Add to dashboard Cite

ABSTRACT:This paper proposes a pipeline to produce road orthophoto and DTM from Mobile Laser Scanning (MLS). For the ortho, modern laser scanners provide a reflectance information allowing for high quality grayscale images, at a much finer resolution than aerial photography can offer. For DTM, MLS offers a much higher accuracy and density than aerial products. This increased precision and resolution leverages new applications for both ortho and DEM. The first task is to filter ground vs non ground, then an interpolation is conducted to build image tiles from the filtered points. Finally, multiple layers are registered and blended to allow for seamless fusion. Our proposed approach achieves high quality products and scaling up is demonstrated.

show abstract

“…• Precise mapping of road marks (Hervieu et al, 2015), road limits (McElhinney et al, 2010) or curbs (El-Halawany et al, 2011) (Zhao and Yuan, 2012) (Hervieu and Soheilian, 2013b),...…”

Section: Contextmentioning

confidence: 99%

Road Orthophoto/DTM Generation From Mobile Laser Scanning

Vallet¹,

Papelard²

2015

ISPRS Ann. Photogramm. Remote Sens. Spatial Inf. Sci.

View full text Add to dashboard Cite

show abstract

“…voiture, camion), afin de répondre aux besoins croissants de données tridimensionelles (3D) de grands territoires à très haute résolution. Une telle information tridimensionnelle peut être utilisée, par exemple, pour l'élaboration de maquette 3D urbaine (Toth 2009), la planification et maintenance des routes et des rues (Hervieu et Soheilian 2013), la fourniture de services basés sur la localisation (Kaartinen et al 2012), les applications de réalité virtuelle (Hyyppä et al 2013) pour n'en citer que quelques-uns. Dans le domaine du transport, la collecte de ces données 3D précises et conformes à la réalité va bénéficier aux futurs systèmes de navigation autonome et d'assistance aux conducteurs dans le cadre des véhicules sans chauffeur (Williams et al 2013).…”

Section: Introductionunclassified

Revue des descripteurs tridimensionnels (3D) pour la catégorisation des nuages de points acquis avec un système LiDAR de télémétrie mobile

Daniel

2018

Geomatica

View full text Add to dashboard Cite

La compréhension de nuage de points LiDAR consiste à reconnaitre les objets qui sont présents dans la scène et à associer des interprétations aux nuages d’objets qui le composent. Les données LiDAR acquises en milieu urbain dans des environnements à grande échelle avec des systèmes terrestres de télémétrie mobile présentent plusieurs difficultés propres à ce contexte : chevauchement entre les nuages de points, occlusions entre les objets qui ne sont vus que partiellement, variations de la densité des points. Compte tenu de ces difficultés, beaucoup de descripteurs tridimensionnels (3D) proposés dans la littérature pour la classification et la reconnaissance d’objets voient leurs performances se dégrader dans ce contexte applicatif, car ils ont souvent été introduits et évalués avec des jeux de données portant sur de petits objets. De plus, il y a un manque de comparaison approfondie entre les descripteurs 3D mis en œuvre dans des environnements à grande échelle ce qui a pour conséquence un manque de connaissance au moment de sélectionner le descripteur 3D le plus adapté à un nuage de points LiDAR acquis dans de tels environnements. Le présent article propose une revue approfondie des travaux portant sur l’application des descripteurs 3D à des données LiDAR acquises en milieu urbain dans des environnements à grande échelle avec des systèmes terrestres de télémétrie mobile. Les principaux descripteurs 3D appliqués dans de tels contextes sont ainsi recensés. Une synthèse de leurs performances et limites est ensuite effectuée de manière comparative sur la base des travaux disponibles dans la littérature. Enfin, une discussion abordant les éléments impactant le plus les performances des descripteurs et des pistes d’amélioration vient compléter cette revue.

show abstract

“…A recent work by Hervieu and Soheilian [26] describes a method to extract curbs and ramps, as well as reconstruct lost data in areas hidden by obstacles in the street. A system for the reconstruction of road and sidewalk surfaces is also proposed.…”

Section: Related Workmentioning

confidence: 99%

Morphological Operations to Extract Urban Curbs in 3D MLS Point Clouds

Rodríguez-Cuenca

García-Cortés

Ordóñez

et al. 2016

IJGI

View full text Add to dashboard Cite

Automatic curb detection is an important issue in road maintenance, three-dimensional (3D) urban modeling, and autonomous navigation fields. This paper is focused on the segmentation of curbs and street boundaries using a 3D point cloud captured by a mobile laser scanner (MLS) system. Our method provides a solution based on the projection of the measured point cloud on the XY plane. Over that plane, a segmentation algorithm is carried out based on morphological operations to determine the location of street boundaries. In addition, a solution to extract curb edges based on the roughness of the point cloud is proposed. The proposed method is valid in both straight and curved road sections and applicable both to laser scanner and stereo vision 3D data due to the independence of its scanning geometry. The proposed method has been successfully tested with two datasets measured by different sensors. The first dataset corresponds to a point cloud measured by a TOPCON sensor in the Spanish town of Cudillero. The second dataset corresponds to a point cloud measured by a RIEGL sensor in the Austrian town of Horn. The extraction method provides completeness and correctness rates above 90% and quality values higher than 85% in both studied datasets.

show abstract

Semi-Automatic Road/Pavement Modeling using Mobile Laser Scanning

Cited by 34 publications

References 11 publications

Road Orthophoto/DTM Generation From Mobile Laser Scanning

Road Orthophoto/DTM Generation From Mobile Laser Scanning

Revue des descripteurs tridimensionnels (3D) pour la catégorisation des nuages de points acquis avec un système LiDAR de télémétrie mobile

Morphological Operations to Extract Urban Curbs in 3D MLS Point Clouds

Contact Info

Product

Resources

About