ارائه رويكردي خودكار براي تشخيص نقاط پرت در ابر نقاط ليدار به ‌كمك SVMCRF و نمودار جعبه‌اي

مجموعه داده‌هاي ابر نقاط ليدار و مدل‌هاي سه ‌بعدي (3D) در استخراج عوارض شهري، مديريت جنگل ‌داري، شهري و گردشگري، رباتيك، توليد بازي‌هاي رايانه‌اي و موارد ديگر كاربرد گسترده‌اي دارد. از سويي، وجود نقاط پرت در ابر نقاط ليدار اجتناب ‌ناپذير است؛ بنابراين تشخيص نقاط پرت و حذف آن‌ از ابر نقاط ليدار به‌منزله گامي ضروري در پردازش ابر نقاط ليدار شناخته شده است. طي دهه‌هاي گذشته، چندين تكنيك تشخيص نقاط پرت در منابع اين موضوع معرفي شده است اما بيشتر آنها از نظر زماني هزينه‌ برند و به نيروي متخصص انساني نياز دارند. به‌ منظور كاهش اين محدوديت‌ها، اين مقاله رويكرد خودكار جديدي براي تشخيص نقاط پرت، با استفاده از تكنيك ميدان تصادفي شرطي برپايه ماشين بردار پشتيبان (SVMCRF) و روش نمودار جعبه‌اي، معرفي كرده است. رويكرد نمودار جعبه‌اي بردار انرژي خروجي SVMCRF را براي تشخيص نقاط پرت تجزيه و تحليل مي‌كند. اين روش‌ به ‌كمك مجموعه داده محك ISPRS كه براي مجموعه داده وهينگن، با هدف طبقه ‌بندي سه‌ بعدي و بازسازي سه ‌بعدي ساختمان ايجاد شده بود، ارزيابي شد. به‌منظور ارزيابي اين روش، ابتدا نقاط پرتي به‌صورت دستي به مجموعه داده افزوده شد؛ با اين تمركز كه اين نقاط جزء نقاط پرت چسبيده به اشيا باشند. سپس مراحل تحقيق براي ارزيابي توانايي روش پيشنهادي در تشخيص نقاط پرت انجام شد. نتايج اين تحقيق عملكرد مدل پيشنهادي را با دقت كلي 62% نشان داد. اگرچه الگوريتم RANSAC عملكردي بهتر از مدل پيشنهادي دارد، تكنيك زمان ‌بر و پرهزينه‌تري در مقايسه با تكنيك تشخيص نقاط پرت پيشنهادي است.