Optimale Zuordnung von Punktwolken mittels Deep Learning

In dieser Arbeit wurde untersucht, ob sich luftgestützte 3D Punktwolken unterschiedlicher Herkunft registrieren lassen. Bei den Punktwolken handelt es sich um Punktwolken, die aus Airborne Laser Scanning (ALS) und aus Dense Image Matching (DIM) abgeleitet wurden. Sie enthalten zwar dieselbe Oberfläche, besitzen jedoch unterschiedliche Eigenschaften. Dabei stellt vor allem Vegetation ein Problem dar. In ALS kann diese durchdrungen werden, wodurch ALS Punktwolken sowohl die Vegetation als auch den darunterliegenden Boden enthält. Da DIM Punktwolken aber aus Luftbildern abgeleitet werden, beschreiben diese nur die Oberfläche und bestehen in Wäldern vorwiegend aus Baumkronen. Aufgrund dieser Eigenschaften stoßen bekannte Verfahren der Registrierung von Punktwolken wie der ICP-Algorithmus bei den gegebenen Daten an ihre Grenzen, da diese meist darauf ausgelegt sind, dass sich die Punkte ähnlich zueinander verhalten.

Im Rahmen dieser Arbeit sollte untersucht werden, ob sich eine Registrierung unter Ausschluss der Vegetation und anderer Punkte, die sich stark zwischen den beiden Punktwolken unterscheiden, die Registrierung verbessern können. Dafür wurden die Punktwolken zunächst manuell in „gute“ und „schlechte“ Punkte geteilt und dann ein ICP auf die „guten“ Punkte der Punktwolke angewendet. Die so erhaltenen Transformationsparameter der Registrierung wurden wiederum auf die Punktwolke mit allen Punkten angewendet. Anschließend sollte ermittelt werden, ob diese manuelle Einteilung automatisiert werden könnte. Dafür wurde ein Convolutional Neural Network für die Unterscheidung in gute und schlechte Punkte in verschiedenen Setups trainiert und getestet.

Die Ergebnisse dieser Arbeit zeigten eine Verbesserung in der Registrierung von ALS und DIM Punktwolken. Eine automatische Klassifizierung in gute und schlechte Punkte für die Registrierung gelang jedoch nicht zu vollster Zufriedenheit und lässt Raum für weitere Folgearbeiten.