Detailergebnis zu DOK-Nr. 80348
Vollautomatischer Algorithmus für die Erkennung und Kartierung von Lichtmasten in ländlicher Umgebung unter Verwendung von Punktwolken mit LiDAR (Orig. engl.: Fully automated algorithm for light pole detection and mapping in rural highway environment using mobile light detection and ranging point clouds)
| Autoren |
M. Gouda A. Shalkamy X. Li K. El-Basyouny |
|---|---|
| Sachgebiete |
0.11 Daten (EDV, IT, Internetanwendungen und Verkehrsdaten) 6.3 Verkehrssicherheit (Unfälle) 6.8 Beleuchtung |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2676, H. 7, 2022, S. 617-629, 9 B, 2 T, 40 Q. − Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr
Die weit verbreitete Nutzung von LiDAR-Daten (Light Detection and Ranging) bietet eine vielversprechende Quelle für die automatische Erfassung und Inventarisierung von Straßenausstattung am Straßenrand. Eins der wichtigsten Elemente der Straßenausstattung sind Lichtmasten. Die Kartierung von Lichtmasten mithilfe von Punktwolkendaten auf ländlichen Autobahnen ist nur begrenzt erforscht. In diesem Umfeld stellt die Platzierung von Lichtmasten innerhalb der Freihaltezonen am Straßenrand oft ein Sicherheitsrisiko dar, da sie mit einem erhöhten Kollisionsrisiko verbunden sind. Nur eine begrenzte Anzahl von Studien hat die Beziehung zwischen Lichtmasten und Sicherheit untersucht, da die Erfassung von Daten über Lichtmasten mit traditionellen manuellen Methoden zeit- und arbeitsintensiv ist. In dem Beitrag wird ein automatisierter Ansatz zur Erfassung der Standorte von Lichtmasten vorgeschlagen. Zunächst wurde die Trajektorie des scannenden Fahrzeugs extrahiert, geglättet und dann zur Segmentierung der Punktwolkendaten in kleinere, überlappende Datenpakete verwendet. Es wurden mehrere Filter angewendet, um mastähnliche Objekte aus den Daten zu extrahieren. Die Segmente wurden wieder zusammengefügt, und ein dichtebasierter Clustering-Algorithmus wird verwendet, um die verbleibenden Punkte in Clustern zu gruppieren. Schließlich wurde ein geometrischer Filter angewandt, um Lichtmasten zu extrahieren. Das Modell wurde an Daten auf drei ländlichen Autobahnen in Alberta (Kanada) auf einer Länge von 28 km getestet. Der vorgeschlagene Algorithmus erweist sich im Vergleich zu früheren Studien als genau, wobei die durchschnittliche Präzision, der Wiedererkennungswert und die F1-Werte (gängige Metrik zur Bewertung der Leistung von binären Klassifizierungsmodellen) für die Testsegmente über 98 % liegen. Die vorgeschlagene Arbeitsweise kann bei der Automatisierung der Bestandsaufnahme von Lichtmasten und der Überprüfung der Straßensicherheit durch Verkehrsbehörden helfen.