JP2015513680A - ４ｄライダ・データ・セットに基づく群葉貫通 - Google Patents

４ｄライダ・データ・セットに基づく群葉貫通 Download PDF

Info

Publication number
JP2015513680A
JP2015513680A JP2014559943A JP2014559943A JP2015513680A JP 2015513680 A JP2015513680 A JP 2015513680A JP 2014559943 A JP2014559943 A JP 2014559943A JP 2014559943 A JP2014559943 A JP 2014559943A JP 2015513680 A JP2015513680 A JP 2015513680A
Authority
JP
Japan
Prior art keywords
signal
data
profile
point cloud
terrain
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
JP2014559943A
Other languages
English (en)
Inventor
メンデス−ロドリゲス ハビエル
メンデス−ロドリゲス ハビエル
ホータ．サンチェス−レジェス ペドロ
ホータ．サンチェス−レジェス ペドロ
エメ．クルス−リベラ ソル
エメ．クルス−リベラ ソル
マルドナド−ディアス ガブリエル
マルドナド−ディアス ガブリエル
Original Assignee
エクセリス インコーポレイテッド
エクセリス インコーポレイテッド
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by エクセリス インコーポレイテッド, エクセリス インコーポレイテッド filed Critical エクセリス インコーポレイテッド
Publication of JP2015513680A publication Critical patent/JP2015513680A/ja
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30212—Military

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Astronomy & Astrophysics (AREA)
  • Electromagnetism (AREA)
  • Image Processing (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

【課題】光検出・測距（ＬＩＤＡＲ：ライダ）システムから導出した点群データの視覚化。【解決手段】群葉を通して地形を検出するための方法であって、空中プラットホームから３次元（３Ｄ）空間における点群データを受信するステップであって、この点群データは、物体を隠す群葉を含む、ステップと、前記３Ｄ空間からの前記点群データを、１Ｄ信号を形成するために、一次元空間（１Ｄ空間）に、再フォーマット化するステップと、分解ＷＴ信号を形成するために、ウェーブレット変換（ＷＴ）を使用して、前記１Ｄ信号を分解するステップと、のステップを含む方法。分解ＷＴ信号は、ローパス・フィルター・プロフィールを形成するために、再構築される。この方法は、ローパス・フィルター・プロフィールを地形として分類する。この地形は、自然地形またはグラウンド・プロフィールを含む。【選択図】図１

Description

本願発明は、一般に、光検出・測距（ＬＩＤＡＲ：ライダ）システムから導出した点群データの視覚化に関する。より詳しくは、本願発明は、ＬＩＤＡＲシステムからの４次元（４Ｄ）データを用いた群葉貫通に関するものである。本願発明は、ターゲットを混乱させる木の群葉と他の植物とを取り除くことによって、隠されたターゲットを検出する。
三次元（３Ｄ）タイプ感知システムは、種々のアプリケーションで使用するために、ある位置の３Ｄ画像を生成するのに一般的に用いられる。例えば、そのような３Ｄ画像は、軍事作戦や一般人の活動の安全なトレーニング環境をつくるため、地形図を生成するため、あるいは、ある位置での監視のために使われる。そのような感知システムは、典型的には、ターゲットの位置と結びついた立面図データをキャプチャすることによって、動作する。３Ｄタイプ感知システムの１つの例は、光検出・測距（ＬＩＤＡＲ）システムである。ＬＩＤＡＲタイプ３Ｄ感知システムは、光の単一パルスからの複数の距離エコーを記録し、画像フレームと呼ばれることがあるフレームを生成することによって、データを生成する。したがって、ＬＩＤＡＲデータの各々の画像フレームは、３次元（３Ｄ点群）におけるポイントの集合を含む。これらは、センサの開口における複数の距離エコーに対応する。これらの点は、三次元空間でレギュラー・グリッドの上で値を表す「ボクセル」に組織化することができる。３Ｄイメージングで使用されるボクセルは、２Ｄ撮像デバイスの文脈で使用されるピクセルに類似している。これらのフレームは、ターゲットの位置の３Ｄ画像を再構築するために処理することができる。これに関して、３Ｄ点群の各々のポイントは、３Ｄでの場面において実際の表面を表す個々のｘ、ｙおよびｚ値を有する。
三次元（３Ｄ）点群は、３Ｄ空間（ｘ、ｙ、ｚ）における位置の空間測定から成るデータ・セットである。ここで、ｘとｙとは、交差範囲空間位置であり、ｚは標高である。この３Ｄデータは、表面をスキャニングすることができるシステムによって生成される。例えば、ステレオ・ペア・カメラ、レーダー、レーザ検出・測距（ＬＡＤＡＲ）センサなどである。点群ビジュアライゼーションは、一般に、国防や地球空間コミュニティ内で大きな関心がある。
ＬＡＤＡＲシステムの進歩は、４Ｄデータ（ｘ、ｙ、ｚ、および、時間ｔ）の方にプッシュしてきた。これらのシステムは、毎秒３０フレームで、ビデオカメラが動作するのと同様に動作することができる。４Ｄ領域での場面のサンプリングは、軍事および民間のアプリケーションにおいて、非常に魅力的である。ここで、説明するように、本願発明は、三次元映像を生成するために、ＬＡＤＡＲシステムによって記録される４Ｄ測定を使用する。
このニーズおよび他ニーズを満たすために、および、その目的において、本願発明は、点群データを用いて、地形プロフィールを検出するための方法を提供する。この方法は、
（ａ）空中プラットホームから３次元（３Ｄ）空間における点群データを受信するステップと、
（ｂ）前記３Ｄ空間からの前記点群データを、１Ｄ信号を形成するために、一次元空間（１Ｄ空間）に、再フォーマット化するステップと、
（ｃ）分解ＷＴ信号を形成するために、ウェーブレット変換（ＷＴ）を使用して、前記１Ｄ信号を分解するステップと、
（ｄ）ローパス・フィルター・プロフィールを形成するために、前記分解ＷＴ信号を再構築するステップと、
（ｅ）前記ローパス・フィルター・プロフィールを前記地形プロフィールとして分類するステップと、のステップを含む。この方法は、
（ｆ）前記１Ｄ信号を使用して標高信号を形成するステップと、
（ｇ）前記標高信号の標高ポイントが、ローパス・フィルター・プロフィールの対応するポイントを越える場合に、該標高ポイントを物体のポイントとして分類するステップと、
のステップを含むことができる。前記物体は、人工物体、または、前記地形プロフィールの上に、配置された植物を含む。この地形プロフィールは、自然地形またはグラウンド・プロフィールを含む。
前記点群データを受信するステップは、レーザ検出・測距（ＬＡＤＡＲ）システムからｘ、ｙ、ｚデータを受信するステップを含む。ｘおよびｙデータは、それぞれ、撮像アレイのｘおよびｙ方向における撮像データであり、ｚデータは、撮像アレイのｚ方向における、強度データである。この方法は、
（ａ）前記撮像データを、複数のｄｘストリップに分割するステップであって、各々のｄｘストリップは、前記撮像アレイの前記ｘ方向における狭いデルタである、ステップと、
（ｂ）複数のｄｘストリップの各々において、１Ｄ信号をｚデータとして形成するステップと、により、前記点群データを再フォーマットする。ｚデータは、動くことによって、ｙ方向について昇順で、ｙ方向について降順で、ｘ方向における各々の連続的なｄｘストリップの関数として順次、形成される。
前記１Ｄ信号を分解するステップは、
（ａ）１Ｄ信号に対する近似係数（ａＣ）を計算するステップと、
（ｂ）１Ｄ信号に対する詳細係数（ｄＣ）を計算するステップと、を含む。
前記分解ＷＴ信号を再構築するステップは、
（ａ）前記詳細係数（ｄＣ）をゼロにセットするステップと、
（ｂ）前記詳細係数（ｄＣ）をゼロにセットした後に、前記ローパス・フィルター・プロフィールを形成するために、ＷＴの逆変換（Ｗ−１）を計算するステップと、
を含む。
前記分解するステップは、ａＣおよびｄＣの少なくとも３つのレベルを計算するステップを含み、前記再構築するステップは、ｄＣの前記少なくとも３つのレベルをゼロにセットするステップを含む。この方法は、次に、ローパス・フィルター・プロフィールを形成するために、ａＣの少なくとも３つのレベルを合成する。
この方法は、
（ａ）ハイパス・フィルター・プロフィールを形成するために、分解ＷＴ信号を再構築するステップと、
（ｂ）ハイパス・フィルター・プロフィールを、地形プロフィールにおける不連続部として分類するステップと
のステップを含むことができる。この不連続部は、人工構造のエッジを意味する。
１Ｄ信号を分解するステップは、１Ｄ信号に対する近似係数（ａＣ）を計算するステップと、１Ｄ信号に対する詳細係数（ｄＣ）を計算するステップと、を含む。
分解ＷＴ信号を再構築するステップは、近似係数（ａＣ）をゼロにセットするステップと、前記近似係数（ａＣ）をゼロにセットした後に、ハイパス・フィルター・プロフィールを形成するために、ＷＴの逆変換（Ｗ−１）を計算するステップと、を含む。
前述の概説と以下の詳しい説明は、例示的であるが、しかし、本願発明を制限するものではないものと解される。
本願発明は、同じ参照番号が類似の要素を表す、添付の図面に関連して読まれるとき、以下の詳細な説明から最も良く理解される。同様の要素が複数存在するとき、単一の参照番号は、特定の要素を参照する小文字の割り当てを有する複数の同様の要素に割り当てることができる。集合的に要素を参照するとき、または、非特定的な１つ又は複数の要素を参照するとき、小文字指定は、やめることがある。これは、通常のプラクティスに従うと、図面の種々の特徴は、一定の比率で描かれていないことを強調する。反対に、種々の特徴の大きさは、明快さのために任意に拡大されるか、減縮される。以下の図が、図面の中に含まれる。
図１は、本願発明の実施形態にしたがう、ベア・アース抽出（ＢＥＥ）方法のフローチャートである。 図２Ａは、点群データのｘ、ｙ平面である。 図２Ｂは、図２Ａに示される点群データのｚ−方向の標高プロフィールである。 図３は、本願発明の実施形態にしたがう、点群のｘ、ｙ、ｚデータをソートするための例示的な順序づけシーケンスである。 図４は、本願発明の実施形態にしたがう、１次元（１Ｄ）標高プロフィールの例である。 図５は、図４に示される１Ｄ標高プロフィールのフィルタ処理したプロフィールである。 図６Ａは、１−レベル別々のウェーブレット変換（ＤＷＴ）のブロック図表現である。 図６Ｂは、３−レベルＤＷＴのブロック図表現である。 図６Ｃは、図６Ｂの３レベルＤＷＴによって分解された信号を再構築するための逆ＷＴのブロック図表現である。 図７は、本願発明の実施形態にしたがう、点群データを視覚化するためのシステムのブロック図である。 図８Ａは、ＤＷＴに入力される正弦波信号の例である。 図８Ｂは、図８Ａの正弦波信号の近似係数（ｃＡ）を示す。 図８Ｃは、図８Ａの正弦波信号の詳細係数（ｃＤ）を示す。 図９Ａは、オリジナル画像を示す信号の例である。 図９Ｂは、図９Ａに示されるオリジナル信号のＷＴ近似信号（Ａ１）である。 図９Ｃは、図９Ａに示されるオリジナル信号のＷＴ詳細信号（Ｄ１）である。 図１０Ａは、図９Ａに示される信号の１ーレベルＷＴの近似係数と詳細係数を示す。 図１０Ｂは、図９Ａに示される信号の２ーレベルＷＴの近似係数と詳細係数を示す。 図１０Ｃは、図９Ａに示される信号の３ーレベルＷＴの近似係数と詳細係数を示す。 図１１Ａは、図１０Ａに示される１−レベルＷＴ信号の再構築である。 図１１Ｂは、図１０Ｂに示される２−レベルＷＴ信号の再構築である。 図１１Ｃは、図１０Ｃに示される３−レベルＷＴ信号の再構築である。 図１２Ａは、本願発明の実施形態にしたがう、例示的なベア・アース抽出（ＢＥＥ）方法である。 図１２Ｂは、本願発明の実施形態にしたがう、例示的なエッジ検出方法である。 図１３は、ｚがオリジナル・データである点群データを処理する方法を示している、本願発明の別の実施形態である。 図１４は、図１３に示される方法の前処理ステップからの結果の標高プロフィール（ｚ’）である。 図１５は、本願発明の実施形態にしたがう、図１３に示される判断ブロックから結果として生じる、フィルタ処理したグラウンド信号、および、フィルタ処理した物体信号の例である。 図１６は、人工物体、植物と地形プロフィールの点群データを導出するためのＬＡＤＡＲシステムを使用する、本願発明の処理システムを含むヘリコプターである。
本願発明は、他の特徴とともに、４次元（４Ｄ）点群データに基づく群葉貫通を提供する。ここで、説明するように、本願発明は、点群データをｘ、ｙ、ｚフォーマットで処理する。これは、ベア・アースとエッジ構造を検出して、追跡するＬＡＤＡＲまたはＬＩＤＡＲシステムから得られる。森林地帯の下に隠されたターゲットは、本願発明により、関心対象の本当のターゲットを混乱させる植物や他の物体を取り除いて、フィルタリングすることによって、検出され、追跡される。この処理は、リアルタイムに行われる。
ＬＡＤＡＲシステムは、３Ｄデータ（ｘ、ｙ、ｚ）を、時間（ｔ）の関数として提供する。このデータは、図１で示すように、本願発明によってリアルタイムに処理される。図示されるように、ベア・アース抽出（ＢＥＥ）方法は、通常、１０で表されるが、点群データ１１を処理する処理ステップ１２を含む。この処理されるデータは、フィルタ・バンク１４によって、フィルタリングされる。そして、それは、また、分解されたウェーブレット・データ１３を受信する。このフィルタ・バンクは、判断ブロック１５に標高データ（ｚ）を提供し、そして、それは、グラウンド・データ１６をオブジェクト・データ１７から切り離す。この方法１０は、後で更に詳しく記述される。このデータを処理するために、データは、再編成される。本願発明は、一次元の（１Ｄ）プロフィール・ライン・スタイルにおいて、データを編成することを選ぶ。第１に、順序付けアルゴリズムは、データの全てのｘ範囲の最小値と最大値とを探す。３Ｄ点群データは、次に、平均ポイント・スペーシングの以前の知識を用いてｘ（ｙ，ｚ）の形式のｘ次元全体にわたりｍ ２Ｄカラム・プロフィールに分けられる（図２Ａおよび図２Ｂを参照）。データについての以前の知識が存在しないならば、データは、ｄｘのｘディメンジョンに沿って非常に狭いポイント・スペーシングを仮定する２Ｄカラムのビンに入れられる。ポイントがカラムに選別されて集められない場合には、そのカラムは廃棄される。いくつかのデータ収集の固有のジオメトリーのために、１つのポイント・カラムが生起することができ、それは廃棄されない。これが起こることは、まれではあるが（例えば、ダイヤモンド形集合）、このポイントにおける少しの情報も廃棄せず、そして、それによって、エラーを最小にするように、アルゴリズムは情報を保持する。
図２Ａが、点群データのｘ−ｙ平面を提示することが理解される。ここで、ｘとｙとは、各々の検出された物体の位置である。このデータ順序付けアルゴリズムは、ｘ（ｙ、ｚ）の関数で、データを編成するために、非常に狭い定数（ｄｘ）を使用する。ｙを横切る位置の値が検出されると、このアルゴリズムは、図２Ｂで示すように、ｚにおけるそれぞれの値を見つける処理を行う。計算複雑性の増大を避けるために、本願発明は、単一の２Ｄカラムを形成するために、カラム・プロフィールをマージする。単一の２Ｄカラム処理におけるエラーを減らすために、本願発明は、図３で示すように、２Ｄカラムを横切るｙディメンジョンに沿って、昇順ソーティングと降順ソーティングの間で、順序付けを交替させることを選ぶ。このアプローチの長所は、プロフィールをマージすることが、カラム・プロフィールの間でのスムーズな結合という結果になることである。これは、昇順に順序付けされたカラムの終端ポイントと、続いて順序付けされたカラム（すなわち、降順に順序付けされたカラム）の最初のポイントとが、合体したポイントであり、隣接するポイントは、おそらく同様の標高を有するからである。これは、また、少数のポイントを有するカラムのエラーを最小にするのに役立つ。分解のウェーブレット・レベルが、Ｌであるとき、カラムの要素数が２Ｌの倍数でないならば、このデータに対して、単一の２Ｄカラムにおける後ろから２Ｌ−Ｎポイントの対称形のパディングを用いて、２Ｌの倍数までパディングを行う。ここで、Ｎは、単一のパディング処理をしていない２Ｄカラムにおけるポイントの合計数である。
図３に示される、左から右へで、第１のｄｘは、ｙの昇順で、第１のプロフィールに対応し、第２のｄｘは、ｙの降順で、第２のプロフィールに対応する、等であることが理解される。このデータは、１つの単位距離ごとに一様にサンプルされるので、本願発明は、有利なことに、単一のカラムを、位置と標高ではなく、時間と標高（ｚディメンジョン）の関数として見ることができる。新しいカラムは、標高属性を有する時間の一次元の集合である。この一次元のプロフィールは、図１に示される、ステップ１２を処理することにより実行された順序付けアルゴリズムの出力である。したがって、本願発明は、３Ｄ点群データに取り組むために、１Ｄ標高プロフィールを使用する。それは、データの次元の数を減らすけれども、直接点群に作用し、そのデータに含まれる情報を損なうことがない。
本願発明は、大規模な地形の連続でスムーズな性質を、１Ｄ標高プロフィール集合に埋め込まれた低周波コンテンツとして見ることができることを実現する。同様に、すべての高周波数成分は、人工物体と植物に関連することができる。このように、人工物体と植物は、雑音として視覚化することができる。図４は、例としてあげると、植物と人工物体（すなわち、ビルディング）とに関連した範囲における大きな変動を有する１Ｄ標高プロフィールを示す。
１Ｄ標高プロフィールは、周波数の変化と関係する高度における劇的な変化を示す。周波数の変化は、標高プロフィールでの不連続性に対応する。この仮定のもとで、ウェーブレット変換（ＷＴ）は、他のタイプのフィルタに勝るいくつかの利点を提供する。ウェーブレット変換（ＷＴ）は、時間と周波数において、適切にローカライズされた直列のハイパス・フィルタとローパス・フィルタとから成る。ウェーブレットを使うことの長所の１つは、マルチ解像度分析を可能にすることである。大部分の地形または人工物体は、場面に依存して、特定のスケールまたは解像度において、より区別できるから、これは、重要な特性である。たとえば、山や高い建物は、より高い目盛りに関係するが、一方、低い植物や車は、より低い解像度空間に関係する。
本願発明によるフィルタリングは、標高プロフィールを係数の２つのセットに分解する。
Figure 2015513680
 ここで、ａＣは、ウェーブレットのローパス・フィルタの結果である近似係数であり、ｄＣは、ウェーブレットのハイパス・フィルタの結果である詳細係数である。本願発明は、地形と結びついている低周波数成分を識別し、ｄＣ＝０のように、ｄＣをゼロにセットする。
次に、逆ウェーブレット変換が、地形の特徴を機能を再構築するのに適用される。
再構築された信号は、オリジナルの標高プロフィールの地形の特徴だけを含むものではないことが理解される。ＬＡＤＡＲ標高測定値は、次の３つの成分を含むからである。
Figure 2015513680
 ここで、Ｈｇｒｏｕｎｄは、グラウンド高度測定値であり、Ｈｎｏｎ−ｇｒｏｕｎｄは、物体標高測定値であり、Ｈｎｏｉｓｅは、システム雑音と他の外部雑音源に対する標高の寄与である。
このノイズは、高度測定値に影響を及ぼす。したがって、それらの高周波ノイズ成分のために、いくつかのグラウンド・ポイントは、物体として誤分類されることがあり得る。さらに、いくつかの場面は、峰、崖、および、高い起伏の丘または山のような鋭い不連続性を有する地形の特徴を含むことができる。このような自然に生じる特徴は、非地形の物体からそれらを区別することが難しい充分な高周波数成分を有する。
別の挑戦は、大きな屋根をもつ建物が、アース・ポイントとして誤分類されることがあり得ることである。建物が区分的に連続的であることは、事実である。したがって、屋根が大きい場合には、その中心の領域は、建物のエッジ不連続部から十分に遠くにあることができる。これは、低周波と混乱し得る。建物の中心部における高周波成分だけは、システムのノイズからの寄与を制限することができる。これを軽くする１つの方法は、より高水準ウェーブレット変換を用いることである。
再構築された標高プロフィールは、しかし、低周波数成分を保ち、そしてそれは地形の特徴を表す。それは、非グラウンド・ポイントを取り除かないが、しかし、非グラウンドの特徴の標高プロフィールを壊滅させる。したがって、本願発明は、オリジナル標高シリーズ・データに対する閾値プロフィールとして再構築された標高プロフィールを使用する。再構築プロフィールとオリジナル・プロフィールとの間で、１対１のポイント対応があるので、対応する再構築された標高プロフィール・ポイントと同じ標高、または、より低いオリジナル・データのすべてのポイントは、グラウンドと分類され、一方、再構築された標高プロフィールより上のすべてのポイントは、非グラウンド物体として分類される。したがって、図４に示されるオリジナルのプロフィールは、図５で示すように、フィルタリングされる。次に、データは、下のように分類される。
Figure 2015513680
 ここで、Ｗ−１は、逆変換である、ｚ’は、閾値プロフィールとして使われる再構築された標高プロフィールである、ｚは、実際の高度プロフィールである。Ｄｃは、ゼロ（０）にセットされる。
上記の分類決定は、図１に示される判断ボックス１５により用いられる。ここで、ｚｆ＝ｚ’。ｚ’プロフィールは、逆ウェーブレット変換（ＩＷＴ）、または、Ｗ−１（ ）によって決定される、ウェーブレット変換（ＷＴ）は、次に、記述される。
ＷＴは、信号の時間−周波数表現、および、異なる周波数を、異なる周波数と分析することができるマルチ解像度テクニックを提供する。ＷＴを理解することは、連続ウェーブレット変換（ＣＷＴ）と、離散ウェーブレット変換（ＤＷＴ）を理解するのに重要である
ＣＷＴは、以下の方程式によって与えられる：
Figure 2015513680
 ここで、ｘ（ｔ）は、分析されるべき信号、ところ、ψ（ｔ）は、ウェーブレット（マザー・ウェーブレット）または基底関数であり、τは、信号を通してシフトされるときに、ウェーブレット位置関数を関連させる翻訳パラメータであり、ｓは、１／（周波数）によって表せられる時間情報に対応し、ｔは、信号ｘの時間シフトである。
ＷＴは、上に示されるマザー・ウェーブレットから導出され、信号を、シフト（拡大）すること、スケールリング（圧縮）することと同様である。信号の大スケールは、信号（拡大）において隠れた情報を提供する低周波で表現される。小スケールは、信号（圧縮）においてグローバル情報を提供する高周波で表現される。
離散ウェーブレット変換（ＤＷＴ）は、ＷＴの速い計算を与えるアルゴリズムに基づく。それは、インプリメントするのが簡単であり、要求される計算時間を減らし、デジタル・フィルタリング技術によって得られるデジタル信号の時間スケール表現を与える。ＤＷＴプロセスにおいて、信号は、異なるスケールにおいて異なるカットオフ周波数を有するフィルタを通してパスされる。
ＤＷＴは、信号の再スケーリングを有するフィルタのインタラクションによってインプリメントすることができる。信号の２つの重要なパラメータは、解像度およびスケールである。解像度は、信号の詳細によって与えられ、スケールは、アップ・サンプリングとダウン・サンプリング操作によって決定される図６Ａは、ＤＷＴ表現のブロック図を示す。ＤＷＴは、離散時間領域信号のローパスおよびハイパス・フィルタリングを用いて計算することができる。ＤＷＴ分解を表現する図６Ａにおいて、Ｈ０６３は、ハイパス・フィルタであり、Ｇ０６４は、ローパス・フィルタである。要素６１と要素６２とは、各々、ファクタ２のダウン・サンプラーである（２）。Ｘ（ｎ）は、入力された離散信号である。フィルタ（Ｈ０とＧ０）は、周波数バンドの半分で、信号を生成し、周波数の不確実性が半分に減らされて（ダウン・サンプリング）、周波数分解能を２倍にする。ナイキストの定理にしたがうと、オリジナル信号が、ｆの最も高い周波数を有するならば、それは、２ｆのサンプリング周波数を要求する。したがって、この信号は、ｆ解像度の周波数でサンプリングすることができ、それは、サンプルの全体数の半分で表現される。このように、ハーフ・バンド・ローパス・フィルタリングが、周波数の半分を除去する、および、これにより解像度を半分にする、その一方で、２のデシメーション（間引き）は、スケールを二倍にする。
時間分解能は、高周波において良いが、一方、周波数分解能は、低周波において良い。フィルタリングとデシメーションのこのプロセスは、分解の所望のレベルに達するまで、続けることができる。図６Ｂは、信号（ｘ［ｎ］）に対する、３の分解レベルを示す。
逆ウェーブレット変換（ＩＷＴ）は、また、ウェーブレット再構築としても知られているが、すべての係数、ａ［ｎ］およびｄ［ｎ］を得ることによって決定される。これは、分解の最後のレベルから始まる。このプロセスは、ＷＴの逆である。あらゆるレベルにおける近似および詳細係数が、２でアップ・サンプリングされ、ローパスとハイパス・フィルタを通してパスされ、それから、追加される。このプロセスは、オリジナル信号を得るために、分解プロセスの場合と同数のレベルを通して続けられる。図６Ｃは、３レベル分解におけるＩＷＴブロック図を示す。
図示されるように、要素６６と要素６７とは、各々、ファクタ２のアップ・サンプラーである（２）。Ｈ１６８とＧ１６９は、それぞれ、ハイパスとローパス合成フィルタである。Ｘ（ｎ）は、再構築された離散信号である。良い再構築を得るために、フィルタは、特定の状態を満たす必要がある。その状態は、以下のように与えられる。Ｇ０（ｚ）とＧ１（ｚ）をローパス分析と合成であるとし、Ｈ０（ｚ）とＨ１（ｚ）はハイパス分析と合成であるとする。フィルタは、次の２つの条件を満たさなければならない。
Figure 2015513680
第１の条件は、再構築が、エイリアシングがないことを意味し、第２の条件は、振幅ひずみが、１の振幅を有することを意味する。これは、完全な再構築は、分析フィルタと合成フィルタが切り替えられなければ、変化しないことを意味する。これらの状態を満たす多数のフィルタが存在するが、しかし、特に、フィルタ係数が量子化されるとき、それらがすべて、完全な再構築を提供するというわけではない。
このポイントまで、本願発明により使用されるＷＴとＩＷＴプロセスが、記述された。しかしながら、本願発明は、形態演算子を使うこともできることが理解される。これらの演算子が、次に記述される。
数学的な形態論は、画像から特徴を抽出する操作を含む。基本的な形態演算子は、拡大（ｄｉｌａｔｉｏｎ）と浸食（ｅｒｏｓｉｏｎ）である。これらの演算子は、典型的には、特徴を減少し、拡大するために、２値画像で使われる。浸食演算子と拡大演算子は、グレー・スケール画像まで広げられた。形態演算子は、本願発明によって距離画像（ｒａｎｇｅ ｉｍａｇｅ）まで広げられた。ここで、グレー・レベルは、センサから、その場面から反射した光の強度よりはむしろ、その場面における物体への距離を表現する。このように、形態演算子は、ＬＡＤＡＲシステムによって測定されるデータに適用される。
ＬＡＤＡＲ測定ｐ（ｘ，ｙ，ｚ）に対して、（ｘ，ｙ）における高度ｚの拡大は、次のように与えられる。
Figure 2015513680
 ここで、ポイント（ｘｐ、ｙｐ、ｚｐ）は、ウィンドウｗの中でのｐの隣（座標）を表す。このウィンドウは、１Ｄ（線）または２Ｄ（長方形または他の形状）であることができる。拡大の結果は、近傍における最大高度値である。
浸食演算子は、次で与えられる。
Figure 2015513680
 ここで、結果は、近傍の最小高度値である。
形態演算子は、たとえば、図１の実施形態で示されるように、本願発明によって省略することができることが理解される。図１に示される処理操作は、ＷＴとＩＷＴプロセスを含むだけである。形態演算子は含まれていない。
つぎに、図７を参照すると、ＷＴプロセスとＩＷＴプロセス、および、前記の形態演算子を含む、本願発明の実施形態が示される。図示されるように、システム７０は、そしてそれはＷＴモジュール７３、ＩＷＴモジュール７５および形態演算子モジュール７６を含むフィルタ・バンクを備える。また、閾値カルキュレータ７４も含まれるが、それは、別のモジュールであることができる。フィルタ・バンクに入力されるデータは、ＬＡＤＡＲシステム（図示せず）から導出され、そして、それは点群データ７１を提供する。データ７１は、通常、７２に指定されるデータ分解モジュールにより前処理される。フィルタ・バンク７０から出力されるデータは、ノイズ除去された信号７８とデジタル地形モデル（ＤＴＭ）信号７７を含む。ノイズ除去された信号７８は、ＩＷＴモジュール７５からの直接出力であり、多くの異なる目的に用いることができる。ノイズ除去された信号７８を使用することができる他のシステム（図示せず）の例は、信号フィルタ、特徴抽出モジュール、信号圧縮モジュール、その他である。
ＩＷＴモジュール７５から出力されるＤＴＭ信号７７は、形態演算子モジュール７６によってさらにフィルタリングされる。このように、フィルタ・バンク７０は、ＷＴと形態演算子を結合する。形態演算子は、所定の地形斜面と物体標高に基づいて、非グラウンド物体を取り除くのに用いられる。フィルタ・バンクは、ＸＹＺフォーマットにおける点群データを取り上げ、直角座標（ｘ，ｙ，ｚ）ごとに、それを、１つの信号に分解する。それから、ＷＴが、信号ごとに計算され、逆ウェーブレット変換（ＩＷＴ）を適用する前に、目標をフィルタリングするための閾値が決定される。
フィルタ処理した信号ｆ（ｘ，ｙ）は、浸食と拡大の形態演算によって処理され、そして、それは植物と建物のピクセルを取り除く。形態フィルタは、ピクセルの近傍検出と補間のために円形マスクを使用する。補間のプロセスは、情報が失われている領域を再構築するのに用いられる。例えば、それは、建物、植物や地形面の再構築に用いることができる。
そして、信号は、植物に対応するピクセルを取り除くためにスクエア・マスクを使う別の形態フィルタで再び処理される。本願発明の効果の例として、また、説明の目的のための例として、次の正弦波信号が、ＷＴモジュールに入力されると仮定する。
Figure 2015513680
 ここで、Ｎ（ｔ）は、ノイズおよびであり、ランダム信号で表される。信号ｓ（ｔ）は、データの５００のサンプル・ポイントで生成され、図８Ａの中で提示される。近似（ａ［ｎ］）信号と詳細（ｄ［ｎ］）信号とは、それぞれ、図８Ｂおよび８Ｃに示される。近似（ａ［ｎ］）信号と詳細（ｄ［ｎ］）信号とは、データの２５０サンプル・ポイントを有する。
説明のための例を続けると、図７のフィルタ・バンク７０に提供されるＬＡＤＡＲデータは、ＸＹＺフォーマットのものである。ＸＹＺデータは、３つの信号に分解され、軸（Ｘ，Ｙ，Ｚ）につき１つの信号である。各々の信号は、（図３に関蓮して、前に記載したように）１Ｄアルゴリズムを用いて処理され、再び、ＸＹＺフォーマットに変換される。図９は、１Ｄ信号のＷＴを使用するフィルタリング・プロセスの例を示す。この信号は、ＷＴを用いて分解され、フィルタリングされたＺ信号である。図９Ａは、ノイズを有するオリジナルのＺ信号であり、図９Ｂは、第１のレベル分解の近似信号であり、図９Ｃは、第１のレベル分解の詳細信号である。詳細信号は、ハイパス・フィルタによって取り除かれたオリジナル信号のノイズとして考えることができる。一方、近似信号は、ローパス・フィルタによってフィルタリングされた、フィルタ処理した信号として考えられる。図９Ａと図９Ｂとを比較して、図９Ｂが図９Ａのノイズ除去されたバージョンであると結論することができる。
分解の最初の３つのレベルをすることで、次の係数が得られる。近似係数（ｃＡ）と詳細係数（ｃＤ）とである。図１０は、各々のレベルの結果を示す。分解の高レベルに信号を分解することは、フィルタ処理した信号がオリジナル信号の情報を失うことがあり得るので、問題となり得る。信号のウェーブレット分解の最大のレベルを決定する方法は、次の基準を含む。信号長は、Ｎ＝２Ｌによって決定される。ここで、Ｎは、サンプルの合計数である。１つの信号は、ｘの異なる方向で拡大されることができる。ここで、ｘは、深さＬの完全２進木レベルのバイナリ・サブツリー（図６Ｂ）の数であり、ｘ≧２Ｎ／２となる。
分解係数を用いて、次に、近似信号と詳細信号とが再構築される。近似信号と詳細信号とは、それらが信号のノイズ除去するために使われるので、重要である。再構築された信号は、分解の各々のレベルに対して、図１１に示される。近似信号を見て、分解のより高いレベルにおいて、ノイズがどのように取り除かれるかについて見ることができる。雑音を取り除くために、閾値が、閾値カルキュレータ７４によって決定される。閾値は、詳細係数から決定することができる。その閾値は、また、グローバルな閾値として知られている。この閾値は、詳細係数によって決定されるノイズに基づいて、信号のノイズ除去をするために必要であり、使用される分解レベルに依存する。
上記の例は、ＬＡＤＡＲ点群データを使用したものであり、それは、前に説明したように、１Ｄフォーマットに分解されている。同様の手続きを、ＴＩＦＦフォーマットを使用して、点群データを、２Ｄフォーマットに分解するのに、使用することができる。データを処理する手続きは、同じであるが、ただし、それは、より高いディメンジョンの信号を指向している。この手続きは、２Ｄ ＤＷＴを使用し、単一レベルおよび多重レベル分解と再構築を使用して、画像を分析することができるこの手続きは、画像Ｘを取り、その分解の単一レベルを計算する。例としてあげると、この手続きは、近似（ｃＡ）、水平、垂直、対角詳細（ｃＨ、ｃＶ、および、ｃＤ）と呼ばれるレベル３まで係数マトリクスを生成する、これらの係数は、近似（Ａ）分解の各々のレベルにおける水平（Ｈ）、垂直（Ｖ）および対角（Ｄ）信号を再構築するのに用いられる。ノイズ除去手続きは、１Ｄアルゴリズムと同じであり、閾値は、同様に決定される。
離散ウェーブレット変換（ＤＷＴ）が前に記載されたが、それでも、本願発明は、次のウェーブレット変換の全てを使うことができることが理解される。
（ａ）連続ウェーブレット変換（ＣＷＴ）：離散関数Ｓの１次元ウェーブレット変換の分解係数を計算する。それは、Ｓを連続関数に変換するために、区分定数補間を使用する。
（ｂ）離散ウェーブレット変換（ＤＷＴ）：離散関数Ｓの単一レベル分解に対するウェーブレット係数を計算する。この変換の出力は、入力信号と同じ次元を有する。
（ｃ）静止ウェーブレット変換（ＳＷＴ）は、多重レベル１Ｄ静止ウェーブレット分解を実行する。変換のこのタイプは、データを間引かず（デシメーションせず）、シフト不変量である。
（ｄ）多重レベル・ウェーブレット分解（ｗａｖｅｄｅｃ）：多重レベルの一次元ウェーブレット分析を実行するＤＷＴのバージョン。
４つのウェーブレットのパフォーマンスが、測定された。ｘ方向におけるカラム・プロフィールを用いてデータ順序付けでテストを実行した後に（すなわち、ｘ方向において、ビンに入れることが起こるので、カラムの長さは、ｙ方向に沿っている）、ｙ方向におけるカラム・プロフィールを用いてテストが繰り返された。このテストのために、分解のレベル１のみが使用された。ｙ方向にわたってカラムを使用したときの全誤差は、ｘ方向にわたるカラムの全誤差よりも一貫して低かった。物体エラーとグラウンド・エラーとは、同様の振る舞いをするが、順序付けの両方のケースに対して、物体エラーは、常に、グラウンド・エラーより高い。
結果は、ＳＷＴ、ＤＷＴおよびｗａｖｅｄｅｃに対して同様であったことに注意する価値がある。それらの間の主な差異は、ウェーブレット分解を実行するのにかかる処理時間からくるものである。単一のウェーブレット分解に対して、ＤＷＴとｗａｖｅｄｅｃとは、近いパフォーマンス数を有し、ＳＷＴは、通常、分解と再構築を完了するのに、時間的に遅れる。ＳＷＴが、実際に、ＤＷＴ係数の２セットの平均であり、デシメーション・ステップにおいて、奇数や偶数の係数を廃棄することによって得られるので、変換をするのにより長くかかるようになっている。
上記のテストは、５（５）に等しいウェーブレット・レベルを使用して繰り返された。これらのテストに対して、どのカラム・プロフィール方向が、より良い結果を与えたかについて、はっきりした傾向がない。ＣＷＴとＤＷＴに対する全誤差結果は、レベル１ウェーブレットを使っているものと、同様のままである。しかしながら、ＳＷＴとｗａｖｅｄｅｃに対する全誤差は、都市位置の大部分に対して、わずかに低かったが、明らかに、都市位置に対して、より低かった。都市位置の全誤差の減少は、レベル５（５）ウェーブレットに対する物体およびグラウンド・エラーの減少からきている。田舎の位置に対して、グラウンド・エラーがなんとか減少を有する一方、オブジェクト・エラーは、高いままだった、ＳＷＴは、一貫して、ｗａｖｅｄｅｃエラーより低い全誤差結果を有した。これは、データを処理する追加的な１０（１０）秒程度かかることをコストとしている。
別のテストは、異なる方向に沿ってデータを編成することを含んでいた。たとえば、データが、ｙ−方向に沿って最初に順序付けられ、次に、そのデータは、ｘ−方向に沿って順序付けられた。これは、９０度画像を回転させることに等しい。第１の単一のレベル分解と再構築を用いることによるよりも、より低いエラーがレベル５（５）ウェーブレットを使うことにより得られた。再び、グラウンド・エラーは、田舎の位置に対して、より低いものであった。
パフォーマンス・テストに基づくと、ベア・アース抽出のために最良のウェーブレット・タイプは、ＳＷＴである。おそらく、それはシフト不変特性のためである。また、単一のプロフィール・カラムの代わりに、カラム・プロフィール・ラインによってデータを分割し、それらを個々に処理することが、より良い分類結果を与えるように見える。別の明らかな傾向は、レベル５のウェーブレットの使用は、分類の低い全誤差という結果となることである。使用されるウェーブレットは、いずれも、回転不変量でないので、場面における特徴の方向は、フィルタのパフォーマンスに影響する。順序付けスキーム（このプロセスにおいて最も計算機的に集中的な部分であるが）に加えて、ＳＷＴは、また、ＤＷＴとｗａｖｅｄｅｃより計算機的にコストが高い。それが、ウェーブレット分析の間、係数を間引かない（デシメーションしない）からである。これは、追加的なメモリ要求を加える。これの全てを考慮に入れると、次のように結論される。
（ａ）より良い結果が要求されるならば、順序付けスキームは、個々に１次元に沿って、個々のカラム・プロフィールを処理しなければならず、使用される変換のタイプは、ＳＷＴでなければならない。
（ｂ）計算時間とメモリ制約（例えば、低速プロセッサ・マシンや、大きなデータ・セット、その他）があるならば、個々のカラム・プロフィールは、１つのプロフィールにマージされなければならず、ウェーブレット・タイプは、ｗａｖｅｄｅｃ変換でなければならない。
（ｃ）レベル１より高いウェーブレット・レベルが、より良い結果のために使われなければならない。
（ｄ）場面における特徴の方向は、回転不変性の欠如のために、ウェーブレット分析のパフォーマンスに影響する。
（ｅ）最も計算インテンシブなプロセスは、ソーティング・アルゴリズムである。ｗａｖｅｄｅｃ変換を用いて行うデシメーション・ステップは、時間と計算複雑性との両方において、効率的なプロセスをつくる。
都市位置に対して、この傾向は、より低いエラーを与えるレベル５分析のためである。大部分の田舎の位置に対して、レベル４のウェーブレット変換を用いることは、より低いエラーを提供する。レベル４からレベル５へのエラー差異は、大きくない。
図１を思い出すと、最も関蓮する情報は高度である。本願発明は、この事実を利用し、図１の中で示される実施形態において、Ｚ座標値にウェーブレット変換を適用する。高度の値は、その近傍の情報を保持するように、いくつかの相関している方法で順序付けられる。前に記述されたように、１つの方法は、レーザーセンサのスワップ方向に沿った、データが収集されたのと同じ順序に、ｚ値を順序付けることによるものである。そうすることによって、データの大部分が、接続される。つまり、ポイントｚｉ−１、ｚｉとｚｉ＋１は、オリジナルの地理基準データにおいて、ごく近傍である。それを省略することによって、レーザーセンサが、後ろに入れ替わり（スワップ・バックし）、それが特定のポイントに達するときに、エラーが導入される。エラーは、スワップ・ラインの端部にあるポイントが、新たなスワップ・ラインの始めにあるｚ−値のすぐ前に順序付けられることである。これらのｚー値は、相関しておらず、大きな距離地理的に切り離されているポイントに対応することができる。順序付けされたｚ−値は、離散ウェーブレット変換を使って分解される。ベア・アースに対して、詳細係数は、ノイズとみなすことができる。このように、その雑音を取り除くことによって、実際のベア・アースに対して、より滑らかな、より近い表面が得られる。ｚ−値は、近似係数を用い、すべての詳細係数をゼロにセットすることにより、再構築される。物体に対応する再構築されたｚ−値は、オリジナルのｚ−値より小さい。グラウンド・ポイントに対応するｚ−値は、より滑らかであるが、およそ、オリジナルと同じ値を保持している。このように、再建されたｚ値が、閾値として使われ、対応する再構築されたｚ−値より高いすべてのポイントは、非グラウンド・ポイントとして分類される。残りのポイントは、ベア・アースと結びつけられた高度値として分類される。最終の出力は、それらの対応するｘ−ｙ座標を有するｚ−値であり、すべて物体またはベア・アースとしてラベル付される。
図１に示される実施形態は、地形ポイントと非地形ポイントとを切り離すために、ウェーブレット変換の近似係数によって表現された場面の低周波数成分を利用する。ウェーブレット変換の詳細係数は、ゼロ（０）にセットされることを思い出す。別の実施形態において、本願発明は、非地形の特徴のエッジを見つけるために、場面の高周波数成分を利用する。画像の中のエッジは、高周波数成分を有するローカルな不連続部として見ることができることが理解される。したがって、ウェーブレット変換の近似係数をゼロ（０）にセットすることによって、その場面の中のエッジを検出することができる。したがって、本願発明は、点群におけるエッジを形成するポイントを見つけるために、ＢＥＥ方法に使われるものに同様のウェーブレット分析を使用する。従って、本願発明は、ｗａｖｅｄｅｃ変換を使って標高カラム・プロフィールの単一のレベル分解を実行する。エッジを見つけるために必要な情報は、ウェーブレットの詳細係数から得ることができるという仮定を設ける。そのために、本願発明は、その値を、次のようにゼロにセットすることによって、高さ系列プロフィールの近似係数を形成するすべての情報を廃棄する。
Figure 2015513680
次に、逆ウェーブレット変換は再構築される。その、より高いエネルギー・コンテンツのために、非地形オブジェクト・エッジは、残りの物体より支配的である。エッジは、地形表面の不連続部が起こるポイントであるから、これは合理的である。一定の閾値が、エッジ・ポイントを非エッジ・ポイントから切り離すために、本願発明により使用される。例えば、０．９は良い閾値である。したがって、
Figure 2015513680
この方法は、再構築された信号のエッジ・ポイントを識別する。オリジナルの標高カラム・プロフィールと再構築されたものとの間で、ポイント対応があるので、１つにおけるエッジ・ポイントは、他におけるエッジ・ポイントに対応する。次に、標高値は、この場面の中ですべてのエッジの点群を得るために、それらのｘおよびｙ座標値と組にされる。
つぎに、図１２Ａおよび１２Ｂを参照すると、物体／グラウンド地形（図１２Ａ）を検出するアルゴリズムと、エッジ・ポイント（図１２Ｂ）を検出するアルゴリズムとの間の比較が示される。図示されるように、各々のアルゴリズムは点群データを受信して、ウェーブレット変換を使用して、データを分解する（ステップ１２１、１２２、１２３、および、１２４）。図１２Ａに示されるアルゴリズムのステップ１２５Ａにおいて、詳細係数が、ゼロにセットされるのに対して、図１２Ｂに示されるアルゴリズムのステップ１２５Ｂにおいて、近似係数は、ゼロにセットされる。次に、ステップ１２６は、逆ウェーブレット変換を使用して、その信号を再構築する。ステップ１５、１６および１７は、物体をグラウンド地形から切り離す。ステップ１２７、１２８および１２９は、画像の中でポイント・エッジを決定する。
図１３を、次に、参照すると、本願発明のさらにもう一つの実施形態が示される。図示されるように、システム１３０は、点群データ１３１を受信し、そのデータを前処理のためのモジュール１３２を使用する。モジュール１３２は、いくつかの物体の振幅を減らすために、追加的なフィルタリングがモジュール１３２に追加されることを除いて、図１のモジュール１２に同様である。物体の高周波成分を減らすことは、いくつかのオブジェクトを取り除くのを助け、判断ブロック１３７と１３８によって実行されるように、グラウンド・ポイントと物体ポイントを分類するための決定プロセスを改善する。
方法１３０は、ｘ、ｙ、ｚフォーマットにおける点群データを受信し、データを前処理する。前処理モジュール１３２は、データを編成し、標高プロフィールの上のいくつかの高周波成分を除去する。次に、前処理された信号は、ウェーブレット分解モジュール１３３とフィルタ・バンク１３４を使用することにより、フィルタリングされる。フィルタ・バンクの出力は、基準グラウンド信号ｚｆである。ウェーブレット分解モジュールおよびフィルタ・バンクは、それぞれ、図１のコンポーネント１３と１４と同様である。
前処理モジュールは、図１に関して前に述べたのと同様に、データを編成する。差異は、データが編成されたあとに、フィルタリングが加えられたことである。このフィルタリングは、異なる物体に対応する高周波のいくつかのコンポーネントを取り除くのを助ける。（図１４参照）。フィルタは、例えば、形態演算子、フーリエ、ガウス、アルファ−フィルタ、マスキングまたはウィンドウ機能によりインプリメントすることができる。フィルタ処理した信号は、ｚ’として参照される。
予め処理された信号ｚ’が、フィルタ・バンク１３４によってフィルタリングされた後に、それが、グラウンド基準信号（Ｚｆ）として使われる。グラウンド基準信号は、各々のクラスの決定ルールを得るために、図１３に示すように、グラウンド１３５と物体１３６との閾値と結合される。グラウンドおよび物体の決定ルールが、次のように与えられる。
Figure 2015513680
 ここで、ｚは、オリジナルの編成された高度信号であり、ＧＴはグラウンド閾値であり、そして、ＯＴはオブジェクト閾値である。これらの閾値は、両方の分類の間でのオーバラップを最小にする助けになる。オーバラップは、データにおけるノイズ、フィルタ・リップル、その他によって引き起こされる。図１４と図１５とは、決定ルールが分類プロセスにどのように適用されるか、の例を示す。
要約すると、本願発明は、ｘ、ｙ、ｚフォーマットにおいてＬＡＤＡＲ（またはＬＩＤＡＲ）点群データを分類するためのウェーブレット変換に基づいて、ＢＥＥプロセッサ（または方法）をインプリメントするものである。１つの例は、山岳領域から建物を取り除くものである。グラウンド・ポイントを、デジタル高度モデル（ＤＥＭｓ）生成、中でも、洪水と沿岸の分析に使用することができる。物体ポイントは、３Ｄビルディングの再構築、ターゲット検出、および、キャノピー分析に使用することができる。垂直障害（ＶＯ）物体（グラウンド面より上の１５メートルにある物体）は。グラウンド・ポイントと物体ポイントとの組合せによって決定さすることができる。このように、本願発明は、異なるアプリケーションやデータ利用に役立つことができる。
加えて、図１３に示される方法１３０（または、システム）は、図１に示される方法１０（または、システム）をさらに改良したものである。方法１３０は、分解の下位レベルで良い分類を実行するために、利点を有する。レベル２において、拡張アルゴリズム（ＥＡ）１３０のためのグラウンド・エラーの平均は、オリジナルの方法（ＯＡ）１０より非常に少ない。
上記に加えて、本願発明は、植物に対応するデータのポイントを取り除くために、拡大と浸食の形態演算子を使う（図１６の１６２を参照）。本願発明は、ワイルド領域のデジタル地形モデル（ＤＴＭ）を得るために、使うことができる。建物（１６３）や他の人工建造物を有する領域において、本願発明は、建物よりも多くの植物を有する画像に対してうまく動作する。本願発明は、地形またはグラウンド・プロフィールなど、ターゲットを検出するために、群葉を貫通する。
最後に、本願発明は、ぼかすもの（すなわち、雲、ほこり、ブラウンアウト、ホワイトアウトなど）に起因するノイズを除去することができる。図１６は、雲１６１が誤検出をもたらすコンセプトを示す。雲が透過光を減らし、いくらかの光の散乱を生成するので、その誤検出は、生成された点群のノイズと考えることができる。
さらに、本願発明は、また、ガイガー・モード・センサによって生成される点群におけるノイズを除去するのに用いることもできる。後者は、ＬＡＤＡＲまたはＬＩＤＡＲシステムよりノイズに敏感である。

Claims (20)

  1. 点群データを用いて、地形プロフィールを検出するための方法であって、該方法は、
    空中プラットホームから３次元（３Ｄ）空間における点群データを受信するステップと、
    前記３Ｄ空間からの前記点群データを、１Ｄ信号を形成するために、一次元空間（１Ｄ空間）に、再フォーマット化するステップと、
    分解ＷＴ信号を形成するために、ウェーブレット変換（ＷＴ）を使用して、前記１Ｄ信号を分解するステップと、
    ローパス・フィルター・プロフィールを形成するために、前記分解ＷＴ信号を再構築するステップと、
    前記ローパス・フィルター・プロフィールを前記地形プロフィールとして分類するステップと、
    のステップを含む、方法。
  2. 前記１Ｄ信号を使用して標高信号を形成するステップと、
    前記標高信号の標高ポイントが、ローパス・フィルター・プロフィールの対応するポイントを越える場合に、該標高ポイントを物体のポイントとして分類するステップと、
    のステップを含む請求項１の方法。
  3. 前記物体は、人工物体、または、前記地形プロフィールの上に、配置された植物を含む、請求項２に記載の方法。
  4. 前記地形プロフィールは、自然な地形プロフィール、また、はグラウンド・プロフィールを含む、請求項１に記載の方法。
  5. 前記点群データを受信するステップは、レーザ検出・測距（ＬＡＤＡＲ）システムからｘ、ｙ、ｚデータを受信するステップであって、ｘおよびｙデータは、それぞれ、撮像アレイのｘおよびｙ方向における撮像データであり、ｚデータは、撮像アレイのｚ方向における、強度データである、ステップを含む、請求項１に記載の方法。
  6. 前記点群データを再フォーマット化するステップは、
    前記撮像データを、複数のｄｘストリップに分割するステップであって、各々のｄｘストリップは、前記撮像アレイの前記ｘ方向における狭いデルタである、ステップと、
    複数のｄｘストリップの各々において、１Ｄ信号をｚデータとして形成するステップと、
    を含む、請求項５に記載の方法。
  7. ｚデータは、ｙ方向に動くことによって、ｘ方向における各々の連続的なｄｘストリップの関数として形成される、請求項６に記載の方法。
  8. ｚデータは、動くことによって、ｙ方向について昇順で、ｙ方向について降順で、ｘ方向における各々の連続的なｄｘストリップの関数として順次、形成される、請求項７に記載の方法。
  9. 前記１Ｄ信号を分解するステップは、
    前記１Ｄ信号に対する近似係数（ａＣ）を計算するステップと、
    前記１Ｄ信号に対する詳細係数（ｄＣ）を計算するステップと、
    を含む、請求項１に記載の方法。
  10. 前記分解ＷＴ信号を再構築するステップは、
    前記詳細係数（ｄＣ）をゼロにセットするステップと、
    前記詳細係数（ｄＣ）をゼロにセットした後に、前記ローパス・フィルター・プロフィールを形成するために、ＷＴの逆変換（Ｗ−１）を計算するステップと、
    を含む、請求項９に記載の方法。
  11. 前記分解するステップは、ａＣおよびｄＣの少なくとも３つのレベルを計算するステップを含み、
    前記再構築するステップは、ｄＣの前記少なくとも３つのレベルをゼロにセットするステップと、
    前記ローパス・フィルター・プロフィールを形成するために、ａＣの前記少なくとも３つのレベルを合成するステップと、
    を含む、請求項１０に記載の方法。
  12. 前記地形プロフィールをさらにフィルタ処理するために形態演算子を用いるステップと、
    前記さらにフィルタ処理した地形プロフィールを、デジタル地形マップ（ＤＴＭ）へ、データとして、提供するステップと、
    のステップを含む請求項１の方法。
  13. 形態演算子は、拡大および浸食を含む、請求項１２に記載の方法。
  14. ハイパス・フィルター・プロフィールを形成するために、前記分解ＷＴ信号を再構築するステップと、
    前記ハイパス・フィルター・プロフィールを、前記地形プロフィールにおける不連続部として分類するステップであって、該不連続部は、人工構造のエッジを意味する、ステップと、
    のステップを含む請求項１に記載の方法。
  15. 前記１Ｄ信号を分解するステップは、前記１Ｄ信号に対する近似係数（ａＣ）を計算するステップと、
    前記１Ｄ信号に対する詳細係数（ｄＣ）を計算するステップと、
    を含み、
    前記分解ＷＴ信号を再構築するステップは、
    前記近似係数（ａＣ）をゼロにセットするステップと、
    前記近似係数（ａＣ）をゼロにセットした後に、前記ハイパス・フィルター・プロフィールを形成するために、ＷＴの逆変換（Ｗ−１）を計算するステップと、
    を含む、請求項１４に記載の方法。
  16. 前記ＷＴは、離散ＷＴ、連続ＷＴ、静止ＷＴ、および、多重レベル・ウェーブレット分解（ｗａｖｅｄｅｃ）を含む、請求項１に記載の方法。
  17. 群葉を通して、点群データを用いて、地形プロフィールを検出するための方法であって、該方法は、
    空中プラットホームから３次元（３Ｄ）空間における点群データを受信するステップと、
    前記３Ｄ空間からの前記点群データを、２Ｄ信号を形成するために、二次元空間（２Ｄ空間）に、再フォーマット化するステップと、
    分解ＷＴ信号を形成するために、ウェーブレット変換（ＷＴ）を使用して、前記２Ｄ信号を分解するステップと、
    ローパス・フィルター・プロフィールを形成するために、前記分解ＷＴ信号を再構築するステップと、
    前記ローパス・フィルター・プロフィールを前記地形プロフィールとして分類するステップと、
    のステップを含む、方法。
  18. フィルタ処理標高信号を形成するために、３Ｄ空間において、点群データの高周波成分を減衰させるステップと、
    グラウンド基準信号として、ローパス・フィルター・プロフィールを規定するステップと、
    フィルタ処理標高信号の上のポイントが、グラウンド・クラスまたは物体クラスに属しているかどうかを決定するために、フィルタ処理した標高信号のポイントとグラウンド基準信号の対応するポイントとの間の距離を計算するステップと、
    のステップを含む請求項１７の方法。
  19. 前記物体クラスは、人工物体または植物を含み、グラウンド・クラスは、自然地形を含む、請求項１８に記載の方法。
  20. 所定の閾値が、ポイントが、前記グラウンド・クラスまたは前記物体クラスに属しているかどうか決定するのに使用される、請求項１８に記載の方法。
JP2014559943A 2012-03-01 2013-02-26 ４ｄライダ・データ・セットに基づく群葉貫通 Withdrawn JP2015513680A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US13/409,417 US8670591B2 (en) 2012-03-01 2012-03-01 Foliage penetration based on 4D LIDAR datasets
US13/409,417 2012-03-01
PCT/US2013/027750 WO2013130437A1 (en) 2012-03-01 2013-02-26 Foliage penetration based on 4d lidar datasets

Publications (1)

Publication Number Publication Date
JP2015513680A true JP2015513680A (ja) 2015-05-14

Family

ID=47884537

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2014559943A Withdrawn JP2015513680A (ja) 2012-03-01 2013-02-26 ４ｄライダ・データ・セットに基づく群葉貫通

Country Status (7)

Country Link
US (1) US8670591B2 (ja)
EP (1) EP2820591A1 (ja)
JP (1) JP2015513680A (ja)
CA (1) CA2865939A1 (ja)
IL (1) IL234074A0 (ja)
MX (1) MX2014010462A (ja)
WO (1) WO2013130437A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230099905A (ko) * 2021-12-28 2023-07-05 재단법인대구경북과학기술원 레이더 신호 처리 장치 및 방법

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9606234B2 (en) 2013-10-18 2017-03-28 Tramontane Technologies, Inc. Amplified optical circuit
CN103558605B (zh) * 2013-10-23 2016-04-06 中国科学院遥感与数字地球研究所 一种高光谱全波形激光雷达遥感系统
CN103700142A (zh) * 2013-12-03 2014-04-02 山东科技大学 多分辨率多层逐次加点LiDAR滤波算法
CN106133756B (zh) 2014-03-27 2019-07-12 赫尔实验室有限公司 过滤、分割和识别对象的系统、方法及非暂时性计算机可读介质
CN103954970B (zh) * 2014-05-08 2016-09-07 天津市勘察院 一种地形要素采集方法
CN104007432A (zh) * 2014-05-16 2014-08-27 武汉大学 一种检查机载激光雷达平面精度的地标布设方法
KR102238693B1 (ko) * 2014-06-20 2021-04-09 삼성전자주식회사 포인트 클라우드에서 특징 영역을 추출하는 방법 및 장치
KR101683984B1 (ko) * 2014-10-14 2016-12-07 현대자동차주식회사 라이더 데이터 필터링 시스템 및 그 방법
US9576373B2 (en) 2015-04-30 2017-02-21 Harris Corporation Geospatial imaging system providing segmentation and classification features and related methods
US11009584B2 (en) * 2015-05-21 2021-05-18 Ascentia Imaging, Inc. Localization system and associated method
US9846975B2 (en) * 2016-02-18 2017-12-19 Skycatch, Inc. Generating filtered, three-dimensional digital ground models utilizing multi-stage filters
DE102016224530B3 (de) * 2016-12-08 2018-01-18 Man Truck & Bus Ag Verfahren zur Bodenoberflächenschätzung
WO2018183754A1 (en) * 2017-03-29 2018-10-04 Mou Zhijing George Method and system for real time 3d-space search and point-cloud registration using a dimension-shuffle transform
US10580114B2 (en) 2017-03-29 2020-03-03 Zhijing George Mou Methods and systems for real time 3D-space search and point-cloud registration using a dimension-shuffle transform
WO2018191442A1 (en) 2017-04-11 2018-10-18 Agerpoint, Inc. Forestry management tool for assessing risk of catastrophic tree failure due to weather events
CN108564650B (zh) * 2018-01-08 2022-03-04 南京林业大学 基于车载2D LiDAR点云数据的行道树靶标识别方法
US11054502B2 (en) * 2018-07-26 2021-07-06 Mercury Systems, Inc. Method and system for intra-pulse frequency estimation against agile emitters
CN110517193B (zh) * 2019-06-28 2022-04-12 西安理工大学 一种海底声呐点云数据处理方法
US10979692B2 (en) * 2019-08-14 2021-04-13 At&T Intellectual Property I, L.P. System and method for streaming visible portions of volumetric video
US11556000B1 (en) 2019-08-22 2023-01-17 Red Creamery Llc Distally-actuated scanning mirror
CN111359913A (zh) * 2019-12-06 2020-07-03 雷传栋 一种通过激光雷达分选矿石的方法
DE112021002696T5 (de) * 2020-05-11 2023-02-23 Cognex Corporation Verfahren und apparate zum extrahieren von profilen aus dreidimensionalen bildern
CN114120795B (zh) * 2020-09-01 2023-03-10 华为技术有限公司 一种地图绘制方法及装置
US11567212B2 (en) 2021-03-15 2023-01-31 Argo AI, LLC Compressive sensing for photodiode data
CN113281716B (zh) * 2021-03-16 2023-08-08 中国人民解放军战略支援部队信息工程大学 一种光子计数激光雷达数据去噪方法
CN115100536B (zh) * 2022-06-01 2023-03-28 中科星睿科技(北京)有限公司 建筑物识别方法、装置、电子设备和计算机可读介质
CN117173424B (zh) * 2023-11-01 2024-01-26 武汉追月信息技术有限公司 一种点云坡面边缘线识别方法、系统及可读存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7359782B2 (en) * 1994-05-23 2008-04-15 Automotive Technologies International, Inc. Vehicular impact reactive system and method
US7436494B1 (en) * 2003-03-28 2008-10-14 Irvine Sensors Corp. Three-dimensional ladar module with alignment reference insert circuitry
US7940279B2 (en) * 2007-03-27 2011-05-10 Utah State University System and method for rendering of texel imagery
US8379020B2 (en) * 2008-08-25 2013-02-19 Harris Corporation Image processing device using selective neighboring voxel removal and related methods
US8294881B2 (en) * 2008-08-26 2012-10-23 Honeywell International Inc. Security system using LADAR-based sensors

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230099905A (ko) * 2021-12-28 2023-07-05 재단법인대구경북과학기술원 레이더 신호 처리 장치 및 방법
KR102654045B1 (ko) 2021-12-28 2024-04-02 재단법인대구경북과학기술원 레이더 신호 처리 장치 및 방법

Also Published As

Publication number Publication date
EP2820591A1 (en) 2015-01-07
IL234074A0 (en) 2014-09-30
US8670591B2 (en) 2014-03-11
US20130230206A1 (en) 2013-09-05
WO2013130437A1 (en) 2013-09-06
CA2865939A1 (en) 2013-09-06
MX2014010462A (es) 2015-03-03

Similar Documents

Publication Publication Date Title
US8670591B2 (en) Foliage penetration based on 4D LIDAR datasets
Zhang et al. Comparison of three algorithms for filtering airborne lidar data
Zhang et al. A progressive morphological filter for removing nonground measurements from airborne LIDAR data
CN103077508B (zh) 基于变换域非局部和最小均方误差的sar图像去噪方法
Chen et al. A mathematical morphology-based multi-level filter of LiDAR data for generating DTMs
CN112285709B (zh) 基于深度学习的大气臭氧遥感激光雷达数据融合方法
Xiong et al. Anti-aliasing filters for deriving high-accuracy DEMs from TLS data: A case study from Freeport, Texas
Rashidi et al. Ground filtering LiDAR data based on multi-scale analysis of height difference threshold
Elhabiby et al. Second generation curvelet transforms Vs Wavelet transforms and Canny edge detector for edge detection from worldview-2 data
Kumar et al. A two-stage algorithm for ground filtering of airborne laser scanning data
Rashidi et al. Extraction of ground points from LiDAR data based on slope and progressive window thresholding (SPWT)
Myint et al. An evaluation of four different wavelet decomposition procedures for spatial feature discrimination in urban areas
Stagliano et al. Ship detection from SAR images based on CFAR and wavelet transform
Muhammad et al. Evaluation of wavelet transform algorithms for multi-resolution image fusion
Menaka et al. Change detection in deforestation using high resolution satellite image with Haar wavelet transforms
Asal Comparative analysis of the digital terrain models extracted from airborne LiDAR point clouds using different filtering approaches in residential landscapes
Dubey et al. Adaptive histogram equalization based approach for sar image enhancement: A comparative analysis
Lavreniuk et al. Use of modified BM3D filter and CNN classifier for SAR data to improve crop classification accuracy
Xu et al. Image sequence fusion and denoising based on 3D shearlet transform
Soni et al. A survey of digital image processing and its problem
Amro et al. General shearlet pansharpening method using Bayesian inference
CN113205531B (zh) 三维点云分割方法、装置及服务器
Xu et al. Ground extraction from airborne laser data based on wavelet analysis
Bucksch et al. Applications for point cloud skeletonizations in forestry and agriculture
Alavandan et al. Performance analysis of image fusion techniques for sonar image enhancement

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20160222

A761 Written withdrawal of application

Free format text: JAPANESE INTERMEDIATE CODE: A761

Effective date: 20160414

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20160414