1

ARTICLE
Revue des descripteurs tridimensionnels (3D) pour la
catégorisation des nuages de points acquis avec un système
Downloaded from [Link] by GLASGOW UNIVERSITY LIBRARY on 09/17/18. For personal use only.

LiDAR de télémétrie mobile

Sylvie Daniel

Résumé : 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
Geomatica 2018.72:1-15.

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.
Mots-clés : LiDAR, descripteurs 3D, reconnaissance d’objets, classification, nuage de points, système de télémétrie
mobile, comparaison de performances.
Abstract: Understanding a LiDAR point cloud entails recognizing the objects present in the scene and associating
interpretations to the object clouds that make it up. LiDAR data acquired in a large-scale urban setting with land-
based mobile telemetry systems present several challenges specific to this context: overlapping point clouds,
occlusion between objects that are seen only partially, variations in point density. Given these challenges, many
of the 3D descriptors proposed in literature for classifying and recognizing objects see their performance degrade
in this application context, because they were often introduced and assessed with datasets dealing with small
objects. In addition, there is a lack of thorough comparison between the 3D descriptors implemented in large-scale
environments, which induces a lack of knowledge when the time comes to select the 3D descriptor best adapted to
a LiDAR point cloud acquired in such an environment. This article proposes an in-depth review of works on the
application of 3D descriptors to LiDAR data acquired in a large-scale urban setting through land-based mobile
telemetry systems. The key 3D descriptors applied in such a context are thus inventoried. A comparative synthesis
of their performance and limits is then performed on the basis of the works available in literature. Finally, a dis-
cussion on the elements having the biggest impact on the descriptors’ performances and on improvement leads
completes this review.
Key words: LiDAR, 3D descriptors, object recognition, classification, point cloud, mobile telemetry system,
performance comparison.

Received 14 April 2018. Accepted 23 April 2018.

S. Daniel. Département des sciences géomatiques, Université Laval, 1055, avenue du Séminaire, Québec (Québec) G1V 0A6, Canada.
Email pour la correspondance : [Link]@[Link].
Copyright remains with the author(s) or their institution(s). Permission for reuse (free in most cases) can be obtained from RightsLink.

Geomat. 72: 1–15 (2018) [Link]/10.1139/geomat-2018-0001 Published at [Link]/geomat on 30 July 2018.

 2 Geomat. Vol. 72, 2018

Introduction segments de droites associés aux contours des façades

Les dernières années ont vu un développement remar- et des fenêtres (Liu et Stamos 2007). Plus récemment, de
quable des systèmes de télémétrie mobile (STM), nouvelles approches visant à exploiter des descripteurs
installés sur des véhicules terrestres (ex. voiture, 3D ont été proposées (Kim et Hilton 2013; Lehtomäki
camion), afin de répondre aux besoins croissants de et al. 2016). De nombreux descripteurs 3D ont été
données tridimensionelles (3D) de grands territoires à introduits dans la littérature scientifique pour alimenter
très haute résolution. Une telle information tridimen- les méthodes de reconnaissance d’objets. Les articles
Downloaded from [Link] by GLASGOW UNIVERSITY LIBRARY on 09/17/18. For personal use only.

sionnelle peut être utilisée, par exemple, pour passant en revue les performances d’un nombre
l’élaboration de maquette 3D urbaine (Toth 2009), la pla- important de descripteurs 3D s’inscrivent le plus sou-
nification et maintenance des routes et des rues (Hervieu vent dans le cadre de travaux de recherche visant le gui-
et Soheilian 2013), la fourniture de services basés sur la dage de robots autonomes (Golovinskiy et al. 2009;
localisation (Kaartinen et al. 2012), les applications de Himmelsbach et al. 2009) ou bien la reconnaissance d’ob-
réalité virtuelle (Hyyppä et al. 2013) pour n’en citer que jets individuels ou domestiques (Chen et al. 2016). Ces
quelques-uns. Dans le domaine du transport, la collecte travaux impliquent en général des données issues
de ces données 3D précises et conformes à la réalité va de système de télémétrie statique ou de caméra de pro-
bénéficier aux futurs systèmes de navigation autonome fondeur (c.-à-d., données rouge-vert-bleu profondeur,
RGB-D) (Hänsch et al. 2014; Chen et al. 2016). Ces con-
et d’assistance aux conducteurs dans le cadre des
textes ne présentent pas les mêmes difficultés que celles
véhicules sans chauffeur (Williams et al. 2013). Elles dev-
inhérentes aux scènes urbaines (cf. paragraphe
raient permettre également l’élaboration de solution
précédent). D’autre part, les travaux de recherche por-
semi-automatique pour l’inventaire des infrastructures
tant sur l’exploitation des descripteurs 3D et s’inscrivant
routières (Williams et al. 2013) telles que les panneaux
dans le domaine des scènes urbaines à grande échelle ne
de signalisation ou bien encore des arbres en milieu
proposent et comparent les performances que d’un sous-
urbain (Tanhuanpää 2016). Des bénéfices sont aussi
groupe de descripteurs 3D, en général trois à cinq (Chen
Geomatica 2018.72:1-15.

anticipés en aménagement urbain, et dans la mise à jour

et al. 2016; Lehtomäki et al. 2016). Il y a donc un manque
et la détection de changement des bases de données
de connaissance au moment de sélectionner de manière
urbaines (Daniel et Doran 2013).
éclairée les meilleurs descripteurs 3D qui soient adaptés
La compréhension de nuage de points LiDAR, visant
aux données STM issues d’environnements urbains à
notamment l’élaboration de cartographie 3D à haute
grande échelle, notamment dans le cadre d’applications
résolution, consiste à reconnaitre les objets qui sont
de génie civil et d’arpentage. Une comparaison appro-
présents dans la scène et à associer des interprétations
fondie des descripteurs adaptés à ce contexte fait
aux nuages d’objets qui le composent. Les données également défaut dans la littérature.
LiDAR acquises en milieu urbain à cette fin présentent Compte tenu de ce constat, le présent article a pour
plusieurs difficultés. En effet, la multiplicité et la objectif de proposer une revue élargie des descripteurs
proximité des objets dans les scènes urbaines entrainent 3D exploitables à des fins de reconnaissance d’objets à
un chevauchement entre les nuages de points qui leur partir de nuages de points acquis avec des STM en milieu
sont associés, des occlusions entre les objets qui ne sont urbain et dans des environnements à grande échelle.
vus que partiellement, des variations de la densité des Ceci constitue le contexte applicatif spécifique de cet
points suivant la proximité ou l’éloignement des objets article, qui se distingue des domaines de la robotique,
vis-à-vis du LiDAR au moment de l’acquisition des de la vision par ordinateur, des couloirs ferroviaires et
données, et beaucoup de symétrie et de répétitivité de des tunnels miniers du point de vue principalement du
motifs créant une ambiguïté dans l’identification d’ob- volume de données à traiter et des difficultés à sur-
jets. De plus, en variant l’échelle d’analyse du nuage de monter. Les principes de base de ces descripteurs 3D
points, de nombreux paramètres peuvent se dissiper et seront présentés en premier lieu. Par la suite, les princi-
deviennent difficiles à détecter. Compte tenu de ces paux descripteurs 3D appliqués dans le contexte ciblé
difficultés, le processus de reconnaissance d’objets à par- par cet article seront recensés et détaillés. Puis une
tir de nuages de points acquis avec des STM en milieu synthèse de leurs performances et limites sera effectuée
urbain reste un problème de recherche difficile. de manière comparative sur la base des travaux disponi-
Différentes approches ont été investiguées pour effect- bles dans la littérature. Une discussion abordant les
uer une reconnaissance d’objets d’intérêt au sein d’un éléments impactant le plus les performances et les pistes
nuage de points acquis avec un STM dans des environne- d’amélioration sera proposée avant de conclure.
ments urbains à grande échelle (ex. 200 millions de
points couvrant 10 km de rues au sein d’un kilomètre Principes de base des descripteurs 3D
carré). Plusieurs de ces approches ont exploité les primi- Types et approches d’utilisation des descripteurs 3D
tives géométriques représentatives des objets dans la La construction des descripteurs 3D peut être vue
scène urbaine tels que les formes cylindriques des comme une composition de transformations visant à
poteaux ou lampadaires (Lam et al. 2010), les lignes et extraire un ensemble de propriétés géométriques
Published by NRC Research Press
 Daniel 3

Fig. 1. Liens entre descripteurs locaux et globaux visant à structurer le nuage de points en différents niveaux d’abstraction.
[Couleur en ligne.]
Downloaded from [Link] by GLASGOW UNIVERSITY LIBRARY on 09/17/18. For personal use only.

décrivant un nuage de points 3D. Les transformations groupes de points associés à un même élément dans la
permettent de représenter les données sous une autre scène. Elle exploite souvent des connaissances a priori
forme que leurs formes initiales, et de mettre en relief sur la forme ou le contexte associé aux objets à localiser
des propriétés géométriques de sorte qu’il sera facile de (ex. dans une scène urbaine, la localisation d’objets
les extraire. Ces propriétés peuvent éventuellement être bâtis exploitent le fait que les points sont fréquemment
retransformées pour en extraire de nouvelles propriétés. répartis sur une surface plane et que ces surfaces ont
La représentation d’un descripteur par une succession tendance à avoir une orientation verticale). Une fois les
de transformations est équivalente à dire qu’à chaque objets isolés, il est possible de les catégoriser en regrou-
étape, on part d’un nuage de vecteurs à N-dimensions vers pant ceux qui présentent des caractéristiques similaires.
Geomatica 2018.72:1-15.

un nuage de vecteurs à M-dimensions. À la première La reconnaissance d’objets quant à elle s’effectue en

étape, N est égal, au minimum, à 3 (c.-à-d., coordonnées comparant les caractéristiques associées à chaque
XYZ associés à chaque point). À la dernière transforma- catégorie d’objets à des caractéristiques connues
tion, M est égal à la dimensionnalité du descripteur. stockées dans une base de données. On attribue alors
Les descripteurs 3D peuvent être globaux ou locaux. une interprétation sémantique à chaque catégorie. La
Lorsqu’un point et son voisinage immédiat sont consi- démarche de catégorisation s’apparente à celle de recon-
dérés par un descripteur, celui-ci est local. Lorsque le naissance. En effet, dans le cas de la catégorisation, on
descripteur caractérise le nuage de points associé à un compare les caractéristiques d’un objet isolé spatiale-
objet (c.-à-d., un segment de points), il est considéré ment dans le nuage de points aux caractéristiques
comme global. On définit aussi un descripteur comme d’autres objets dans le nuage de points. Les objets
global lorsqu’il exploite la totalité du nuage de points présentant des caractéristiques similaires sont
pour extraire une propriété. Les descripteurs globaux regroupés dans une même catégorie (ex. catégorisation
peuvent être déduits des descripteurs locaux associés à des objets dans le groupe « végétation » si leurs normales
des primitives ponctuelles. Le regroupement progressif locales présentent une forte variabilité). Dans le cas de la
des primitives ponctuelles et descripteurs 3D associés reconnaissance, la comparaison se fait avec des objets
permet de globaliser la caractérisation du nuage de prédéfinis stockés dans une base de données. La
points. La figure 1 ci-dessous synthétise les liens entre les catégorisation a pour avantage de catégoriser le nuage
descripteurs locaux et globaux au travers du regroupe- de points sans nécessiter de connaître la signification
ment successif des primitives permettant de structurer de chaque catégorie (cf. fig. 2).
le nuage de points en différents niveaux d’abstraction. La classification du nuage de points, la catégorisation
Les approches d’utilisation de descripteurs 3D pour la et la reconnaissance des objets font appel au calcul de
caractérisation des nuages de points 3D diffèrent selon descripteurs 3D associés aux points ou aux segments
le type du descripteur (local ou global) et le niveau d’ab- extraits. La classification et la reconnaissance impli-
straction (objet ou primitive point). Celles-ci visent quent le plus souvent des méthodes d’apprentissage
divers objectifs pour une compréhension et analyse de machine (c.-à-d., « machine learning »). Dans ce contexte,
scènes urbaines. Ainsi, on peut chercher à effectuer une des échantillons de points ou de segments sont utilisés
interprétation sémantique du nuage de points consis- pour apprendre des descripteurs 3D représentatifs des
tant à attribuer un label à chaque point. On parle alors classes ou objets à reconnaitre. Les approches de recon-
de classification du nuage de points. On peut également naissance d’objets exploitent également des fonctions
effectuer une analyse du nuage de points selon les objets de coût d’appariement pour déterminer l’objet de
qui le constituent. On va alors chercher soit à localiser référence qui s’apparente le plus au segment étudié.
des objets, soit à les catégoriser soit à les reconnaitre. Quant à la catégorisation d’objets, ce sont les distances
La localisation d’objet vise à circonscrire et isoler des entre descripteurs 3D ou les mesures de similarité qui
Published by NRC Research Press
 4 Geomat. Vol. 72, 2018

Fig. 2. Extraction d’objets de la catégorie quatre roues [jeu de données « IQmulus & TerraMobilita Contest » (Vallet et al. 2015)].
[Couleur en ligne.]
Downloaded from [Link] by GLASGOW UNIVERSITY LIBRARY on 09/17/18. For personal use only.

conditionnent le regroupement de segments de points « four congruent point set » (4CPS) vise à déterminer la
au sein d’une même catégorie. transformation rigide qui amène le plus grand nombre
Dans le cadre de la catégorisation et la reconnaissance de points du premier nuage de points à une distance
d’objets, il est possible d’effectuer la comparaison inférieure à un seuil prédéfini du deuxième nuage de
directement sur le nuage de points du segment extrait. points. Pour ce faire, il extrait du second nuage de points
On effectuera alors un recalage entre le nuage de points tous les ensembles de quatre points coplanaires qui sont
associé à l’objet de référence (issue de la scène ou d’une congruents avec un groupe donné de quatre points
Geomatica 2018.72:1-15.

base de référence) et le nuage de points associé au seg- coplanaires issu du premier nuage de points. En se basant
ment à catégoriser ou à reconnaitre dans la scène. A cet sur ces ensembles mis en correspondance, il est alors pos-
effet, des algorithmes tels que « random sample consen- sible de calculer la meilleure transformation rigide qui
sus », RANSAC (Tarsha-Kurdi et al. 2008), « iterative clos- permet de les aligner au mieux. Cette approche est
est point », ICP (Pomerleau et al. 2013), « four congruent itérée avec tous les groupes de quatre points coplanaires
point set » (4CPS) (Theiler et al. 2013) ont souvent été extraits du premier nuage de points jusqu’à trouver la
utilisés dans la littérature. Le « random sample consen- meilleure transformation. L’algorithme « four congruent
sus » (RANSAC) est une méthode itérative permettant point set » (4CPS) ne requiert pas que les deux nuages de
d’estimer les paramètres d’un modèle mathématique points soient initialement proches ni qu’ils aient
prédéfini (ex. un plan, une droite 3D) à partir d’un jeu une large zone commune de chevauchement. C’est une
de données pouvant contenir des données aberrantes. approche qui est moins performante ou moins pratique
Pour ce faire, il sous-échantillonne aléatoirement le si les nuages de points sont très grands (l’hypothèse
jeu de données. Ce sous-échantillon permet de calculer de transformation rigide n’est alors plus adaptée) ou si
les paramètres du modèle. Ensuite, ce modèle est les nuages de points ne sont pas bruités (d’autres appro-
confronté à tous les éléments du jeu de données et le ches plus simples peuvent alors s’appliquer). La figure 3
nombre de données en désaccord avec ce modèle est propose une synthèse des différentes approches d’utilisa-
recensé. Ces deux étapes sont itérées jusqu’à ce qu’il y tion de descripteurs 3D pour la caractérisation des nuages
ait un nombre suffisant d’éléments en accord (c.-à-d., de points 3D à des fins de classification, de catégorisation
consensus) avec le modèle estimé. Le « random sample ou bien encore de reconnaissance.
consensus » (RANSAC) permet en général d’estimer de
manière robuste les paramètres d’un modèle, même s’il Points d’intérêt
y a un nombre important de données aberrantes. Le calcul des descripteurs 3D est souvent exigeant en
Lorsque le nombre de paramètres à estimer devient termes de temps de calcul, surtout s’il s’effectue sur la
grand, l’algorithme devient exigeant en terme de temps scène complète plutôt que sur des segments de points.
de calcul. L’algorithme « iterative closest point » (ICP) vise Dans ce cas, il n’est pas raisonnable de l’envisager pour
à minimiser itérativement la distance entre deux nuages tous les points du nuage étant donné le nombre très
de points. Plus spécifiquement, il consiste à réviser important de ceux-ci. Par conséquent, les points d’intérêt
itérativement les transformations (translation, rotation) sont utilisés pour sélectionner des points intéressants
nécessaires pour minimiser la distance entre les deux dans le nuage. En général, le but des détecteurs de
nuages de points. Cette approche est en général stable points d’intérêt est de déterminer les points qui sont
et robuste. Cependant, elle requiert une position initiale différents afin de permettre une description efficace des
des nuages de points relativement proche pour assurer objets et une mise en correspondance de ceux-ci lors de
une convergence vers un résultat valide. L’algorithme variations de point de vue. Souvent ces points d’intérêt
Published by NRC Research Press
 Daniel 5

Fig. 3. Synthèse des approches de classification de nuages de points et de catégorisation et reconnaissance d’objets à l’aide de
descripteurs tridimensionnels (3D). [Couleur en ligne.]
Downloaded from [Link] by GLASGOW UNIVERSITY LIBRARY on 09/17/18. For personal use only.
Geomatica 2018.72:1-15.

ne sont pas dissociés du descripteur auquel ils se rappor- détection de coins dans les images. Sa démarche est
tent et portent alors le même nom. Plusieurs méthodes différente de celle du détecteur Harris. Au lieu d’évaluer
sont recensées dans la littérature concernant l’extrac- des gradients locaux, sensibles au bruit, une approche
tion de points d’intérêt. Les prochains paragraphes en morphologique est appliquée. L’opérateur de détection uti-
présentent une synthèse. lise l’intensité des points. Un voisinage circulaire de rayon
Les détecteurs de points d’intérêt fréquemment utilisés prédéterminé est défini pour chaque point. Les points
correspondent à une adaptation en 3D de détecteurs de inclus dans ce voisinage sont répartis en deux groupes :
points élaborés initialement pour des images bidimension- ceux qui ont une intensité similaire au point central du
nelles (2D). Ainsi, le détecteur de points d’intérêt Harris 3D voisinage, et ceux qui ont une intensité différente.
est une extension en 3D du détecteur de coins de Harris Dans les régions plus ou moins homogènes du nuage
(Harris et Stephens 1988) pour les images 2D. Le calcul des de points, la surface locale d’intensité similaire couvre
gradients d’intensité relatif à l’image est remplacé par le presqu’entièrement le voisinage. Par conséquent, les
calcul des normales à la surface locale en chaque point. coins présents dans le nuage peuvent être détectés
Un point d’intérêt est détecté là où il y a présence de comme les endroits où le nombre de points avec des
changements locaux (c.-à-d., variation significative des nor- intensités similaires dans un voisinage local atteint un
males dans un petit voisinage). Le détecteur de points minimum local et est inférieur à un seuil prédéfini.
d’intérêt « scale invariant feature transform », SIFT 3D La littérature propose plusieurs détecteurs de points
(Flint et al. 2007) est une extension en 3D du détecteur d’intérêt qui ont été élaborés spécifiquement pour
« scale invariant feature transform » (SIFT) proposé par les nuages de points 3D. Ainsi, le détecteur de points
Lowe (Lowe 2004). Cette approche implique une démarche d’intérêt « intrinsic shape signature », ISS (Zhong 2009)
identique à celle appliquée aux images. Elle utilise une est une technique basée sur des mesures de qualité rela-
version 3D de la matrice Hessienne afin de sélectionner tives à des régions. Elle utilise l’amplitude de la plus petite
les points d’intérêt. Une fonction de densité de points valeur propre, calculée sur un voisinage local (afin d’in-
f(x, y, z) est alors approximée par échantillonnage spatial clure uniquement les points de ce voisinage présentant
régulier des données. Puis un espace d’échelles est élaboré de grandes variations le long de chaque direction princi-
à partir de la fonction de densité par application successive pale) et le rapport entre deux valeurs propres successives
de filtres gaussiens de taille variable. Les maxima (afin d’exclure les points de ce voisinage ayant des
du déterminant Hessien sont alors détectés en tant que étendues similaires le long des directions principales).
points d’intérêt. Le détecteur « smallest univalue segment La figure 4 ci-dessous propose un exemple d’utilisation de
assimilating nucleus » (SUSAN) 3D est une extension points d’intérêt afin de recaler deux segments de points.
du détecteur « smallest univalue segment assimilating L’extraction de points d’intérêt peut se faire également
nucleus », SUSAN (Smith et Brady 1997) dédié à la selon une approche de filtrage multiéchelle. Elle consiste
Published by NRC Research Press
 6 Geomat. Vol. 72, 2018

Fig. 4. Appariement de points d’intérêt [extrait de la docu- - Descripteurs à base de points de vue (Rusu et al.
mentation de la bibliothèque PCL (Rusu et Cousins 2011)]. 2010; Steder et al. 2010);
[Couleur en ligne.] - Descripteurs à base d’histogrammes (Körtgen
et al. 2003; Rusu et al. 2009).

Les descripteurs à base de graphe sont utilisés pour

caractériser des objets déformables et pouvant se
Downloaded from [Link] by GLASGOW UNIVERSITY LIBRARY on 09/17/18. For personal use only.

présenter sous différentes postures. On cite par exemple,

les nuages de points 3D de piétons et de mobilier urbain.
Ces descripteurs ont été très peu utilisés dans le cas des
nuages de points LiDAR acquis dans des environnements
à grande échelle.
Les descripteurs à base de transformations sont
obtenus en analysant le nuage de points 3D dans un
espace transformé. Ils sont basés sur l’extension en
3D de transformées mathématiques telles que la
transformation de Fourier 3D et la transformation en
ondelettes. Ces transformations ont la capacité
à appliquer un opérateur ou un filtre au nuage de points
de compacter le signal 3D, d’être invariantes à un
3D. La déformation provoquée par l’opérateur doit
ensemble d’opérations géométriques (translation,
mettre en évidence la présence des points saillants lors
rotation, : : : ) et de permettre d’analyser progressive-
de la variation de l’un de ses paramètres (ou échelle). ment le nuage de points, d’un niveau grossier vers un
Parmi les méthodes existantes, on peut citer : niveau fin. Cependant, le calcul de ces transforma-
tions est complexe pour les moments ou degrés
Geomatica 2018.72:1-15.

- L’opérateur différence de normales (Ioannou et al.

2012) : il consiste à calculer la normale en un supérieurs. De plus, ces derniers ne sont pas
point à deux échelles différentes (c.-à-d., deux nécessairement associés à des interprétations de la
tailles de voisinage différent). L’opérateur calcule géométrie du nuage de points et calculer des moments
la différence entre ces deux normales afin de ou degrés supérieurs n’augmente pas nécessairement
caractériser la géométrie locale du nuage de la précision et la distinction du descripteur. Ces
points. descripteurs ont été utilisés surtout pour la recherche
- L’opérateur Laplace Beltrami (Unnikrishnan par le contenu dans des bases de données de nuages
et Hebert 2008) : celui-ci correspond au calcul de de points, peu pour le traitement des nuages de points
la divergence du gradient. issus de STM.
Les descripteurs à base de points de vue sont des
Un des avantages du traitement multiéchelle est qu’il descripteurs prenant en compte une information selon
est parallélisable. Un second avantage est qu’à la fin du un ou plusieurs points de vue. En reconnaissance de for-
traitement, les points d’intérêt se voient associés à des mes, les modèles et nuages de points 3D sont projetés
échelles caractéristiques. selon plusieurs points de vue. Les vues sont ensuite
Certains détecteurs de points d’intérêt s’appliquent ordonnées et comparées à des vues de référence
davantage aux nuages de points 2D ou issus de caméra stockées dans une base de données. Ces descripteurs
de profondeur qu’aux nuages de points issus de STM fonctionnent mieux avec des nuages de points de fai-
étant donné qu’ils impliquent la transformation du bles dimensions, correspondant à des objets isolés, et
nuage de points en une image de profondeur. Le avec une pose peu éloignée (relativement à la taille du
détecteur « normal aligned radial feature », NARF nuage de points) de l’objet décrit. La complexité de la
(Steder et al. 2010) en est un exemple. scène urbaine dans le contexte de la télémétrie ter-
restre mobile ne permet pas de satisfaire l’ensemble
de ces critères. Ainsi, les objets peuvent se chevaucher,
Revue des descripteurs 3D adaptés aux données comme c’est le cas entre le mobilier urbain et les arbres
issues de systèmes de télémétrie mobile (STM) ou les lampadaires. De plus, les structures peuvent être
dans des environnements urbains à grande échelle de grande échelle et étendues, telles que les bâtiments.
Qu’ils soient calculés de manière locale ou globale, les Leur projection sera donc complexe.
descripteurs 3D peuvent être classés selon les principales Les descripteurs à base d’histogrammes se divisent en
catégories suivantes : trois groupes :

- Descripteurs à base de graphe (Shah et al. 2013); - Sacs de mots visuels;

- Descripteurs à base de transformations (Urban - Histogrammes d’occupation;
and Weinmann 2015); - Histogrammes d’attributs géométriques.
Published by NRC Research Press
 Daniel 7

Fig. 5. Système de coordonnées cylindriques et subdivision du descripteur « global Fourier histogram », GFH : (a) subdivision
de la région support selon r (e = 2 cellules), z (e = 2 cellules) et θ; (b) illustration du partitionnement du plan support selon
r (I = 6 cellules) et θ (J = 16 cellules). [Couleur en ligne.]
Downloaded from [Link] by GLASGOW UNIVERSITY LIBRARY on 09/17/18. For personal use only.

Les sacs de mots visuels (« bags of words/bags of développé davantage par le descripteur « signature of his-
features ») mesurent l’occurrence des objets géo- tograms of orientations », SHOT (Tombari et al. 2010a) qui
métriques associés à des interprétations appelées mots construit un histogramme 2D des normales locales
visuels. Les mots visuels peuvent correspondre à des prim- calculées dans le voisinage du point d’intérêt. Plus
itives géométriques (coins, plans, arêtes), à des objets spécifiquement, ce sont les orientations des normales
entiers, à des centres de regroupement de points ou de locales par rapport à la normale du point d’intérêt qui
Geomatica 2018.72:1-15.

descripteurs. Dans le contexte des nuages de points d’en- sont recensées dans l’histogramme. L’introduction du
vironnements urbains à grande échelle, l’application de descripteur « global Fourier histogram », GFH (Chen
ces descripteurs peut être déclinée selon deux cas de fig- et al. 2014) a été motivée par les inconvénients du descrip-
ure. Dans le premier cas, la description vise à caractériser teur spin image et le fait que des objets situés au niveau
le nuage de points par les classes de caractéristiques/ du sol dans un environnement urbain admettent
primitives qui le composent, et leurs occurrences. La rarement un axe de rotation autre que l’axe verticale.
caractérisation des primitives élémentaires est obtenue En effet, au moment de faire tourner le plan autour
par des descripteurs locaux. Dans le second cas, la du vecteur normal, le descripteur spin image omet
compréhension globale de la scène est ciblée en identifi- la coordonnée angulaire dans le système local de
ant les objets qui la composent et en représentant leurs coordonnées cylindriques. Pour sa part, le descripteur
occurrences. GFH exploite cette coordonnée angulaire et présente
Les histogrammes d’occupation décrivent la réparti- une invariance en rotation le long de l’axe vertical. Le
tion des points 3D du nuage de points local dans descripteur GFH est créé pour un point orienté qui
l’espace autour d’un point d’intérêt. Ce dernier est définit alors un système de coordonnées cylindriques
représenté par un système local de coordonnées (« local centré sur l’objet (c.-à-d. segment de points). Le point
reference frame », LRF) et son estimation doit être invar- central de l’objet est souvent choisi comme point
iante par transformations affines (combinaisons de orienté et l’orientation est donnée par la direction du
rotation, translation et changement d’échelle). La plu- vecteur normal en ce point. Le calcul des coordonnées
part des estimateurs du système local de coordonnées cylindriques r et z est identique à celui intervenant dans
se basent sur les normales locales ou sur l’analyse en le descripteur spin image. La région support du calcul
composantes principales du nuage de points local. Le du descripteur, dont l’axe est perpendiculaire au sol
descripteur « spin image » (Guo et al. 2015) figure parmi (z = [0 0 1]T), est partitionnée en cellules I, J, K également
les descripteurs d’occupation. Celui-ci correspond à un distribuées dans l’espace des coordonnées cylindriques
histogramme 2D formé en faisant tourner un plan (r, θ, z) comme l’illustre la figure 5. Comme pour les
autour d’un vecteur normal à la surface de l’objet et précédents descripteurs d’occupation, le descripteur
en comptant le nombre de points 3D qui tombent dans GFH se présente sous la forme d’un histogramme 3D et
chaque cellule de résolution définie au niveau du plan. est calculé en comptabilisant le nombre de points qui
Initialement, la taille des cellules de résolution est tombent dans chaque cellule de résolution définie au
élevée limitant le nombre de points. Ensuite, les points niveau du support. Afin d’obtenir une invariance en
associés à des descripteurs saillants sont extraits. Ces rotation selon l’axe vertical, un système global de
descripteurs sont recalculés et filtrés itérativement en coordonnées est introduit en utilisant l’axe z et le vec-
diminuant la taille de cellules jusqu’à atteindre une taille teur normal n au point orienté. L’histogramme 3D est
minimale. Le principe du descripteur spin image est alors analysé à l’aide de la transformée de Fourier rapide
Published by NRC Research Press
 8 Geomat. Vol. 72, 2018

unidimensionelle, 1D (FFT) selon la dimension J de la Fig. 6. Repère local de référence et caractéristiques associés
coordonnée angulaire θ. En effet, une rotation selon à la paire de points : point source – point cible (PsPt).
cette dimension se traduit par un décalage de phase [Couleur en ligne.]
dans le domaine fréquentiel et les amplitudes de la
transformation sont invariantes en rotation selon
cette dimension.
Les descripteurs d’occupation 3D « shape context »
Downloaded from [Link] by GLASGOW UNIVERSITY LIBRARY on 09/17/18. For personal use only.

(Körtgen et al. 2003) et « unique shape context », USC

(Tombari et al. 2010b) s’apparentent aux descripteurs
SHOT et spin image mais ils s’appuient sur une autre
technique. Dans leur cas, un système local de
coordonnées sphériques est construit autour du point
d’intérêt à la suite d’une triangulation du nuage de longueur de l’objet); le nombre de plans constitutifs
points local. Le nombre de points 3D qui tombent dans de l’objet.
chaque cellule de résolution définie selon un espace- Les descripteurs d’attributs géométriques permettent
ment logarithmique est alors décompté. Le descripteur de décrire le nuage de points localement en analysant
« pairwise 3D shape context » (Yu et al. 2014) est une les relations locales entre des attributs géométriques
adaptation du descripteur 3D shape context impliquant estimés en chaque point 3D. Face aux problèmes d’occlu-
une analyse des points deux à deux au lieu d’une analyse sion et de points cachés, ces descripteurs sont plus
de chaque point individuellement vis-à-vis de son voisin- robustes que les descripteurs d’occupation. Le problème
age. Cette estimation d’un système local de coordonnées de manque de robustesse du système local de
propre à ces trois descripteurs (c.-à-d., 3D shape context, coordonnées ne se pose pas, car les points 3D sont
USC, pairwise 3D shape context) apporte une stabilité étudiés les uns relativement aux autres et non relative-
comparativement au descripteur SHOT qui s’appuie sur ment au système local de coordonnées. Cependant, le
Geomatica 2018.72:1-15.

l’estimation des normales locales ce qui crée des problème causé par ces descripteurs réside dans leur
ambiguïtés et un manque de robustesse. Cependant, la sensibilité aux changements géométriques au voisinage
détermination du système local de coordonnées rend des structures d’intérêt. Ceci s’explique par le fait que
les calculs plus complexes du point de vue de l’estima- de nombreuses relations locales sont redondantes et
tion des descripteurs. De plus, ces descripteurs basés atténuent l’information contenue dans les attributs des
sur une estimation améliorée du système local points saillants. Tel est le cas des descripteurs basés sur
de coordonnées ne sont pas assez robustes aux effets de un histogramme de caractéristiques ponctuelles « point
troncatures, d’occlusion et aux variations de point de feature histogram », PFH (Rusu et al. 2008), et « fast point
vue, même pour des nuages de points de faible dimen- feature histogram » FPFH (Rusu et al. 2009). Le descrip-
sion. Or, pour les nuages de points LiDAR de scènes teurs PFH implique le calcul des normales en chaque
urbaines, une même forme géométrique peut avoir plu- point du nuage. Pour un point Pi du nuage, l’ensemble
sieurs instances dans différents emplacements de la des k voisins de Pi (Pik) dans un rayon r est déterminé.
scène. Les points 3D sur ces formes peuvent donc avoir Pour chaque paire de points P1 et P2 de l’ensemble (Pik),
des répartitions différentes. En conséquence, les descrip- le point dont la normale fait le plus petit angle avec le
teurs d’occupation associés risquent d’être non simi- vecteur !P1P2 est défini comme le point source Ps, l’autre
laires et donc non efficaces à des fins de reconnaissance est alors défini comme le point cible Pt. Un repère de
d’objets. Le descripteur « principal axes descriptor », référence local UVW est alors établi pour la paire de
PAD (Chen et al. 2017) est un descripteur d’occupation points PsPt (cf. figure 6). Quatre valeurs sont alors
qui a été spécifiquement conçu pour la catégorisa- calculées comme caractéristiques de la paire de points :
tion et la reconnaissance d’équipements de construc- trois valeurs d’angles (α, θ, φ) associés à la différence entre
tion. C’est un descripteur 3D global qui tire profit de la les normales aux points Ps et Pt et une valeur de distance
structure rectangulaire et de la symétrie de droites d associée à la norme du vecteur → e . Pour finaliser le calcul
présentées par ces équipements. Une analyse en com- du descripteur PFH, les quadruplets (α, θ, φ, d) calculés
posantes principales est effectuée afin de déterminer pour chaque paire de points P1 et P2 de l’ensemble (Pik)
les directions principales. Une grille d’occupation est sont répartis dans les intervalles d’un histogramme. Les
formée le long de ces directions principales et les valeurs associées à chacun de ces intervalles constituent
points du segment sont distribués dans les cellules de les valeurs du descripteur.
la grille 3D. Des caractéristiques géométriques glob- Le descripteur PFH étant exigeant en matière de cal-
ales sont calculées à partir de cette grille telles que : culs, des améliorations y ont été apportées donnant ainsi
la distribution de l’occupation des cellules; les varia- naissance au descripteur FPFH. Celui-ci mesure les
tions dimensionnelles (c.-à-d., longueur, largeur, hau- mêmes angles que PFH mais il estime l’ensemble des
teur de l’objet); le profil de la forme (c.-à-d., hauteur valeurs seulement entre tous les points et leurs k
maximum des cellules occupées de la grille selon la plus proches voisins, suivi d’une repondération de
Published by NRC Research Press
 Daniel 9

l’histogramme du point par les histogrammes des points type d’objet à partir d’un ensemble prédéfinis de descrip-
voisins. Le descripteur « viewpoint feature histogram », teurs. C’est l’approche proposée par Taati et Greenspan
VFH (Rusu et al. 2010) est une extension de FPFH (2011). Leur descripteur VD-LSD (variable dimensional
pour une analyse globale d’un nuage de points. Il est local shape descriptor) incorpore une large classe de
constitué de deux composants : l’un relatif au point de descripteurs 3D (i.e. spin image, pairwise geometric
vue, l’autre relatif à une extension du FPFH. Le descrip- histogram, : : : ). La sélection du descripteur se fait de
teur « ensemble of shape function », ESF (Chen et al. manière systématique sur la base d’un ensemble de
Downloaded from [Link] by GLASGOW UNIVERSITY LIBRARY on 09/17/18. For personal use only.

2017). Parmi les descripteurs d’attributs géométriques propriétés géométriques (similaires à celles recensées
figure aussi le descripteur « histogram of local point dans le précédent paragraphe) et une méthode d’optim-
level » (Lalonde et al. 2006). Appliqué à un objet (c.-à-d., isation (c.-à-d., algorithme génétique, recuit simulé, : : : ).
segment de points), il permet d’établir des statistiques Dans d’autres travaux, on a essayé de combiner plusieurs
sur les caractéristiques locales de l’objet. Ainsi, pour descripteurs 3D. Ainsi, Kim et Hilton (2013) ont combiné
chaque point p du segment, la matrice de covariance du les descripteurs géométriques FPFH, 3D shape context
point et de son voisinage est calculée puis elle est (SC), SHOT et USC en incorporant une information sur
décomposée selon ses valeurs propres λ0, λ1, λ2 les points d’intérêt voisins et leurs descripteurs, et ce,
(λ0 ≥ λ1 ≥ λ2) et ses vecteurs propres. Cela revient à afin de réduire le problème de symétrie rencontré dans
effectuer une analyse en composantes principales du les scènes urbaines extérieures.
point p et de son voisinage. Trois mesures, L1, L2 et L3,
sont calculées à partir des valeurs propres : L1 = λ0;
L2 = λ0 − λ1; e3 = λ1 − λ2. Elles sont représentatives de Performances des descripteurs 3D appliqués aux
la tendance de la surface au point p à être assimilée à données issues de STM dans des environnements
une surface respectivement ponctuelle, courbe ou sur- urbains à grande échelle
facique. Trois histogrammes sont alors établis à partir La présente section recense les principaux travaux de
Geomatica 2018.72:1-15.

des valeurs L1, L2, L3 prises par tous les points du seg- classification, catégorisation ou reconnaissance de nuages
ment. Trois mesures L, P, S, similaires à L1, L2, L3 ont de points acquis avec des STM dans des environnements
été proposées par Weinmann et al. (2015). L, P et S, peu- urbains à grande échelle. Elle dresse le portrait des perfor-
vent être assimilées à la probabilité d’un segment de mances individuelles obtenues par les descripteurs 3D
points d’être catégorisé respectivement comme une dans ce contexte et des performances comparatives.
structure linéaire (c.-à-d., 1D), surfacique (c.-à-d., 2D) Dans Yu et al. (2015), une nouvelle méthode est
ou volumétrique (c.-à-d., 3D). L’expression de chaque proposée pour la reconnaissance de mobilier urbain
mesure est donnée dans l’éq. 1 ci-dessous, avec λi corre- (c-à-d., panneau de signalisation, lampadaire, arrêt de
spondant à la valeur propre i. bus) dans des nuages de points acquis avec des STM. La
ðλ0 − λ1 Þ ðλ1 − λ2 Þ λ2 démarche implique le descripteur FPFH ainsi qu’une
ð1Þ L= P= S= fonction de coût d’appariement entre les segments de
λ0 λ0 λ0
points extraits du nuage et des objets de référence.
Plusieurs descripteurs 3D globaux élaborés à partir Cette méthode a été testée avec quatre jeux de données
d’un ensemble de caractéristiques et mesures STM différents. Les performances moyennes obtenues
géométriques associées à un segment de points ont été pour les trois classes d’objet d’intérêt sont 0,949 pour
proposés dans la littérature. Par exemple, on retrouve la complétude (cf. éq. 2), de 0,971 pour l’exactitude
des descripteurs 3D constitués des trois dimensions de (cf. éq. 3), de 0,922 pour la qualité (cf. éq. 4) et de 0,960
la boite englobante orientée d’un segment (Chen et al. pour la mesure F1 (cf. éq. 5). Ces résultats sont grande-
2014). Dans (Golovinskiy et al. 2009), un descripteur est ment affectés par les performances de la segmentation
calculé pour un segment de points en rassemblant préalable. Ainsi, s’il y a des panneaux attachés aux lamp-
les mesures suivantes au sein d’un vecteur de adaires et aux panneaux de signalisation, s’il y a des
caractéristiques : nombre de points du segment, volume arbres à proximité, les segments sont mal circonscrits
estimé, hauteur moyenne (c.-à-d., coordonnée z), et la reconnaissance en est impactée.
écart-type des coordonnées en z, écart-type dans les deux
principales directions planaires. Lehtomäki et al. (2016) TP
ð2Þ Complétude =
propose un calcul de descripteur similaire incluant TP + FN
17 caractéristiques, les quatre premières décrivant la TP
taille et forme globale du segment, et le reste décrivant ð3Þ Exactitude =
TP + FP
la distribution des points dans différentes directions.
TP
Plutôt que d’appliquer un seul et même descripteur 3D ð4Þ Qualité =
pour la catégorisation ou la reconnaissance de tous les TP + FP + FN
objets présents dans un nuage de points, il est possible 2 complétude exactitude
ð5Þ mesure F1 =
de sélectionner le descripteur le plus adapté à chaque complétude + exactitude
Published by NRC Research Press
 10 Geomat. Vol. 72, 2018

Avec TP signifiant vrai positif; FN signifiant faux négatif; segment. Les caractéristiques géométriques calculées
FP signifiant faux positif. pour établir les histogrammes sont transposées du
Une analyse comparative a également été menée avec niveau local au niveau global à l’échelle du segment. La
un jeu de données constitué de 160 millions de points méthode a été testée avec un jeu de données acquis dans
acquis sur une portion de route de 948 m. Les descrip- le centre de New-York avec un STM. Il consiste en
teurs 3D comparés étaient : 3D shape context; bilateral 710 million de points couvrant une superficie de
map (van Kaick et al. 2013), analyse de courbe (Tabia et al. 78 000 m 2 . Le taux de bonne classification obtenu
Downloaded from [Link] by GLASGOW UNIVERSITY LIBRARY on 09/17/18. For personal use only.

2011), descripteur spectral (Litman et Bronstein 2014). La s’élève à 94,5 %. Comme pour l’approche de Weinmann
méthode proposée par Yu et al. (2015) a surpassé ces et al. (2015), les faux positifs sont en raison d’un manque
descripteurs en présentant un taux moyen d’erreur de de représentation de certaines instances d’objet dans la
recalage de 0,76 %. base de référence.
Weinmann et al. (2015) se sont intéressés à la classifica- Lehtomäki et al. (2016) proposent une méthode par
tion de nuages de points acquis dans des environne- apprentissage machine pour la classification nuage de
ments urbains à grande échelle. Les principales classes points acquis avec des STM afin de produire des cartogra-
à identifier étaient : façade, sol, voitures, moto, pan- phies des infrastructures routières. Les classes d’intérêt
neaux de signalisation, piétons. En terme de descripteur, sont : arbres, lampadaires, panneaux de signalisation,
ils ont utilisé les trois mesures L, P et S, pouvant être voitures, piétons, palissade. L’approche inclut des
assimilées à la probabilité d’un segment de points étapes d’élimination des points sur le sol et les façades
d’être catégorisé respectivement comme une structure puis de segmentation des points restants. Pour chacun
linéaire (c.-à-d., 1D), surfacique (c.-à-d., 2D) ou de ces segments un descripteur global constitué de la
volumétrique (c.-à-d., 3D). En plus de ces trois mesures, concaténation de trois descripteurs est calculé. Le pre-
le descripteur comptait d’autres caractéristiques mier descripteur consiste en 17 caractéristiques
géométriques telles les valeurs propres normalisées, générales (les quatre premières décrivant la taille et
la densité de points locale, etc. Au moment de calculer forme globale du segment, et le reste décrivant la distri-
Geomatica 2018.72:1-15.

ce descripteur, l’approche proposée effectue une bution des points dans différentes directions), le
détermination de la taille optimale du voisinage à deuxième descripteur est le descripteur spin image et le
considérer. Afin de faciliter la comparaison objective de troisième descripteur est le descripteur FPFH. Un jeu de
leur méthode avec d’autres approches, ils ont utilisé données de 9 million de points (100 points/m2) compor-
deux jeux de données publiques : Paris-rue-Madame tant plus de 400 objets a été utilisé pour établir les per-
(Serna et al. 2014) et Paris-rue-Cassette (Paparoditis et al. formances de cette approche. Des tests comparatifs ont
2014) En matière de précision globale, l’approche été effectués impliquant différentes combinaisons des
proposée a obtenu un taux moyen de 89 %. Le taux trois descripteurs formant le descripteur global. Les
moyen de complétude s’est échelonné entre 0,64 % meilleurs résultats ont été obtenus pour ce dernier avec
(voitures) et 0,95 % (façade). La mesure e1 s’est un taux de bonne classification de 88,1 %. Mais il
échelonnée entre 0,03 % (piétons) et 0,096 % (façade). Ces dépasse de peu (0,2 %) la combinaison du premier
résultats surpassent ceux obtenus par d’autres méthodes descripteur avec le descripteur FPFH. Lors de l’analyse
recensées dans la littérature (Weinmann et al. 2014). individuelle des descripteurs, c’est FPFH qui a obtenu
Les moins bons résultats obtenus pour les plus petites un taux moyen de bonne reconnaissance de 6 %
classes sont en raison de leur manque de représentation supérieur aux deux autres descripteurs. Au niveau de la
dans la base d’apprentissage. L’approche proposée reste reconnaissance des classes individuelles, les classes
sensible à la présence de bruit dans les données et à une arbres, panneaux de signalisation et piétons sont celles
sélection adéquate de la taille du voisinage. Une telle qui présentent le plus de confusion entre elles et avec
sélection représente un coût de calcul plus important des segments indéfinis. Ces erreurs sont causées en par-
comparativement à d’autres descripteurs. Cependant, elle tie par une grande similarité entre des portions de ces
rend la méthode adaptable à différents jeux de données et objets. Les performances de la méthode proposée par
évite l’implication d’heuristiques empiriques. Lehtomäki et al. (2016) ont été confrontées aux résultats
Dans Awan et al. (2013), les auteurs présentent une proposés par des études similaires dans la littérature,
nouvelle méthode pour classifier automatiquement les bien que ne portant pas sur des jeux de données identi-
objets à proximité des routes dans un nuage points ques. Les travaux retenus ne comportent que des études
acquis en environnement urbain. L’approche proposée visant la reconnaissance d’objets à proximité de route,
réalise en premier lieu une segmentation du nuage de impliquant des bases de référence ayant plus de
points pour isoler les objets. Elle calcule ensuite pour 30 exemples par classe. Il ressort de cette comparaison
ces segments de points un descripteur global inspiré du une influence avérée de la méthode de segmentation et
descripteur variable dimensional local shape descriptor de la qualité des résultats produits. Aussi, les perfor-
(VD-LSD) de Taati et Greenspan (2011). Celui-ci implique mances supérieures du descripteur FPFH ont été
tous les points du segment (au lieu d’un voisinage démenties par d’autres méthodes. Les raisons possibles
restreint) et un système de référence situé au centre du peuvent être une différence dans les caractéristiques
Published by NRC Research Press
 Daniel 11

des nuages de points et dans la valeur des paramètres Chen et al. (2014) proposent une étude comparative de
intervenant dans le calcul des descripteurs. cinq descripteurs globaux (boite englobante, « histogram
Les performances du descripteur pairwise shape con- of local point level », « hierarchy », spin image, GFH)
text (Yu et al. 2014) ont été évaluées dans le contexte réalisée avec le jeu de données publique « Sydney urban
des nuages de points acquis avec des STM en milieu objects » (De Deuge et al. 2013). Celui-ci a été acquis dans
urbain. Après élimination des points de sol, une segmen- le quartier d’affaires du centre de Sydney avec un LiDAR
tation est appliquée afin de regrouper sous forme de seg- Velodyne HDL-64E. Il comporte 631 objets individuels
Downloaded from [Link] by GLASGOW UNIVERSITY LIBRARY on 09/17/18. For personal use only.

ments les points associés à des objets d’intérêt. Les tests répartis en 15 catégories (véhicule traction avant,
réalisés avec trois jeux de données différents ont visé la bâtiment, autobus, voiture, piéton, pilier, poteau, feu
reconnaissance des lampadaires et des arbres. Des taux de circulation, panneau de signalisation, arbre, camion,
moyens de reconnaissance de 97,6 % pour les lampad- tronc, fourgonnette, véhicule utilitaire, et autres) dans
aires (286 instances à reconnaitre, la moitié n’ayant le cadre de l’étude de Chen et al. (2014). Du point de vue
aucun élément attaché au lampadaire) et de 98,6 % pour du temps de calcul, le descripteur histogram of local
les arbres (659 instances à reconnaitre) ont été obtenus. point level a été le plus lent (0,0052 ms en moyenne par
Le descripteur pairwise 3D shape context a conduit à objet), et le descripteur boite englobante a été le plus
des appariements de segments corrects même pour des rapide (0,0006 ms). Pour le descripteur GFH, le temps de
objets présentant certaines parties manquantes ou des calcul moyen par objet a été de 0,018 ms par objet, le
topologies légèrement différentes. Par contre, son calcul double du temps du descripteur spin image. Du point
est plus complexe et plus lent compte tenu de l’implica- de vue de la précision de la reconnaissance, le descrip-
tion de paires de points plus que de points individuels. teur GFH a obtenu globalement les meilleurs résultats
Dans Golovinskiy et al. (2009), les auteurs présentent avec une précision de 0,7358, suivi du descripteur spin
une approche de reconnaissance de segments de points image avec une précision de 0,7278. Le descripteur histo-
à partir de jeux de données MLS acquis dans des environ- gram of local point level est celui qui a le moins bien
performé (0,5158). Cette étude comparative a mis de l’av-
Geomatica 2018.72:1-15.

nements urbains. Les auteurs visent spécifiquement à

ant une variabilité dans le classement des performances
proposer une méthode capable de reconnaitre de petits
des descripteurs en fonction des classes considérées.
objets à l’échelle d’une ville. Les descripteurs associés
Ainsi, le descripteur spin image a obtenu les meilleurs
aux segments extraits se composent de caractéristiques
résultats pour les classes autobus, piéton, pilier, feu de
géométriques et contextuelles. Les premières incluent :
circulation, et autres alors que le descripteur boite englo-
le nombre de points, le volume estimé, la hauteur
bante a le mieux performé pour la reconnaissance de la
moyenne, l’écart-type des hauteurs, les écart-types dans
classe camion. Les classes pilier, poteau, feu de circula-
les deux directions principales planaires, et le descrip-
tion, panneau de signalisation, et tronc sont celles qui
teur spin image. Plusieurs segmentations sont réalisées
ont entraîné le plus de confusion parmi tous les descrip-
induisant chacune le calcul de l’ensemble de ces
teurs 3D. Des classes présentant des formes similaires
caractéristiques qui sont ensuite concaténées. Les
(ex. voiture, véhicule traction avant) ont également
caractéristiques contextuelles sont relatives à la position
posé des difficultés à ces descripteurs globaux.
relative des objets dans l’environnement urbain (ex. les Une étude comparative a été également proposée par
voitures doivent être sur la route; les lampadaires sont Behley et al. (2012) portant sur des descripteurs locaux
sur le trottoir). L’approche a été testée avec un jeu de (« histogram of normal orientations », spin images, « dis-
données constitué de 954 millions de points acquis à tribution histogram », SHOT, histogramme spectral
Ottawa (Canada) couvrant une superficie de 6 km 2. (« spectral histogram »)) appliqués à trois jeux de
16 classes d’objets, incluant plusieurs petits objets données acquis avec un LiDAR Velodyne HDL-64E sur
(ex. poubelle, bouche d’incendie, parcomètre, : : : ), ont trois campus universitaires présentant différentes
été définies pour la classification des segments de points. densités de points par m2 (respectivement 60, 2500 et
Les résultats démontrent que de meilleures perfor- 580 environ à une distance de 5–10 m du capteur). Les
mances ont été obtenues en impliquant l’ensemble principales conclusions tirées de cette étude sont une
des caractéristiques géométriques et contextuelles variabilité des descripteurs les plus performants en fonc-
plutôt qu’une partie d’entre elles, le meilleur taux de tion de l’algorithme de classification utilisée et une influ-
reconnaissance étant de 65 %. Au niveau des classes indi- ence du système de coordonnées de référence pour le
viduelles, les performances sont variables, certaines calcul des descripteurs locaux. Un choix approprié d’un
classes n’ayant été reconnues pour aucune de leurs tel système de référence peut améliorer de manière sig-
instances. Les meilleurs résultats ont été obtenus pour nificative les résultats. La dimension du voisinage local
les objets ayant le plus d’exemples dans la base est également un facteur d’impact. Il agit de manière plus
de données d’apprentissage. Les auteurs soulignent prépondérante que le nombre d’intervalles choisi pour
la nécessité d’améliorer la phase de classification les histogrammes constitutifs des descripteurs.
de leur approche, suggérant l’ajout de nouvelles Chen et al. (2018) présentent une étude comparative
caractéristiques géométriques et contextuelles. de descripteurs 3D dans le domaine spécifique de la
Published by NRC Research Press
 12 Geomat. Vol. 72, 2018

construction. Cinq descripteurs locaux et globaux ont terme de calcul et de la complexité sans contribuer de
été évalués et calculés à partir de segments de points : manière significative au processus de classification. Des
spin image (local), SHOT (local), USC (local), ESF (global), techniques de sélection des caractéristiques permettant
PAD (global). Le descripteur PAD est celui qui a obtenu de favoriser la qualité à la quantité sont à investiguer.
le meilleur taux de bonne reconnaissance (80 %) alors Parmi les approches recensées, beaucoup procèdent
que le descripteur USC est celui qui a le moins bien par segmentation préalable du nuage de points. Il ressort
performé (60 %). Il est à noter que le descripteur PAD des comparaisons entre ces approches une influence
Downloaded from [Link] by GLASGOW UNIVERSITY LIBRARY on 09/17/18. For personal use only.

prend en compte les caractéristiques géométriques avérée de la méthode de segmentation et de la qualité

propres aux équipements de construction. Aussi, le nom- des résultats produits. Ceci est d’autant plus vrai lorsque
bre d’échantillons d’entrainement et de tests étant qu’il y a de la végétation à proximité des objets à recon-
limités, les auteurs soulignent que de tels résultats ne naitre ou des éléments ajoutés à ceux-ci (ex. panneaux
pourraient pas se confirmer dans un contexte plus attachés aux lampadaires). Dans ce contexte, les descrip-
général. Pour tous les descripteurs, les résultats teurs locaux pourraient être priorisés par rapport aux
s’améliorent lorsque le niveau de détail présent dans le descripteurs globaux. Une segmentation basée sur des
segment de points augmente. Le descripteur SHOT est super-voxels pourrait s’avérer également efficace. C’est
celui qui présente la moins grande sensibilité à cette ce qui est exploité dans Wang et al. (2015). L’approche
variation du niveau de détail, le descripteur ESF étant le consiste à regrouper les points ayant des FPFH similaires
plus affecté. Le pourcentage d’occlusion présent au sein et à représenter chaque groupe, appelé super-voxel,
des segments influence l’ensemble des descripteurs. par un seul descripteur FPFH. Dans cette étude, les
Cependant, même en cas d’occlusion partielle, l’ensem- performances obtenues pour l’identification d’objet en
ble des descripteurs parvient à reconnaitre les objets de utilisant le descripteur FPFH calculé à partir de super-
manière satisfaisante. voxels dépassent celles d’autres descripteurs.
Plusieurs classes associées notamment à de petits
Discussion objets de l’environnement urbain ont obtenu de moins
Geomatica 2018.72:1-15.

Les différentes études qui ont été menées afin bons résultats de manière récurrente dans les travaux
d’évaluer les performances des descripteurs 3D avec des recensés. La principale source identifiée pour cette
données acquises par des STM en environnement urbain déficience est le manque de représentation de ces classes
à grandes échelles démontrent la variabilité des résultats dans la base d’apprentissage. La disponibilité de jeux de
en fonction de plusieurs facteurs : la densité de points données publiques contenant un grand nombre de
caractérisant les objets à reconnaitre, et donc le niveau classes et d’instances pour chacune de ces classes perme-
de détail dans les segments; le niveau de bruit dans les ttrait de surmonter ce problème. De tels jeux de données
données; le pourcentage de données manquantes dans offriraient aussi des moyens de comparaison objectifs
le segment; la taille du voisinage local; le choix entre les différentes méthodes proposées pour la recon-
du système local de coordonnées. Certains de ces naissance d’objets. La préparation de ces jeux de
facteurs affectent tous les descripteurs de manière simi- données représente plusieurs difficultés compte tenu
laire tandis que d’autres changent le classement des de la grande superficie à couvrir et donc de la quantité
descripteurs par ordre de meilleures performances. Il massive de points contenus dans les fichiers, du nombre
n’y a donc pas actuellement de descripteur 3D surpas- important d’instances de classes à inclure dans les
sant systématiquement tous les autres pour la reconnais- échantillons d’apprentissage et de tests, de la nécessité
sance de toutes les classes objets en milieu urbain. de labelliser et de segmenter les points souvent effectué
Plusieurs études soulignent même que certains descrip- de manière manuelle. Malgré ces difficultés, plusieurs
teurs fournissent les meilleurs résultats pour un sous- initiatives ont déjà été lancées en ce sens (Paparoditis
groupe de classes et d’autres descripteurs fournissent et al. 2014; Serna et al. 2014; Hackel et al. 2017).
les meilleurs résultats pour un autre sous-groupe. Une Si des temps de calcul prohibitif ont été engendrés par
approche visant à sélectionner de manière ad hoc dans certains des descripteurs mis en œuvre dans les études
un ensemble prédéfini de descripteurs le meilleur en recensées, plusieurs des auteurs soulignent que les
fonction de l’objet à reconnaitre semble pertinent. C’est procédés de calcul de ces descripteurs sont parallélis-
ce qui a été en partie expérimenté dans les travaux de ables et donc adaptables au volume massif de données
Taati et Greenspan (2011). Plusieurs des études à traiter dans le contexte des environnements urbains
présentées dans la précédente section intitulée à grande échelle. Un partitionnement des jeux de
« Performances des descripteurs 3D appliqués aux données sous forme de tuiles de dimension limitée est
données issues de STM dans des environnements aussi envisageable.
urbains à grande échelle » impliquant un descripteur
formé de la concaténation de caractéristiques Conclusion
géométriques et contextuelles ont suggéré d’utiliser le Cet article a proposé une revue exhaustive des princi-
plus de caractéristiques possibles dans le descripteur. paux descripteurs 3D adaptés à la catégorisation des
Cependant certaines ajoutent un coût substantiel en nuages de points acquis avec des STM en environnement
Published by NRC Research Press
 Daniel 13

urbain à grande échelle. Les descripteurs, locaux et glo- Conference on Robotics and Automation (ICRA), St. Paul,
baux, ont été recensés et leurs principes de calcul MN, USA, 14–18 May. IEEE. pp. 4391–4398.
détaillés. Un ensemble de travaux et d’études compara- Chen, J., Fang, Y., Cho, Y.K., and Kim, C. 2017. Principal axes
descriptor for automated construction-equipment classifica-
tives mettant en œuvre ces descripteurs dans le contexte tion from point clouds. J. Comput. Civ. Eng. 31(2): 04016058.
applicatif de cet article ont été présentés, tout en soulig- doi:10.1061/(ASCE)CP.1943-5487.0000628.
nant leurs performances, problèmes et limites. À la Chen, J., Fang, Y., and Cho, Y.K. 2018. Performance evaluation of
lumière de cette revue, nous avons constaté que les 3D descriptors for object recognition in construction applica-
Downloaded from [Link] by GLASGOW UNIVERSITY LIBRARY on 09/17/18. For personal use only.

descripteurs 3D actuels nécessitent encore des tions. Autom. Constr. 86: 44–52. doi:10.1016/[Link].
2017.10.033.
améliorations afin de pouvoir les utiliser dans la
Chen, T., Dai, B., Liu, D., and Song, J. 2014. Performance of global
caractérisation du nuage de points LiDAR acquis avec descriptors for velodyne-based urban object recognition. 2014
des systèmes de télémétrie terrestre mobile dans des IEEE Intelligent Vehicles Symposium Proceedings, Dearborn,
environnements urbains à grande échelle. Les études MI, USA, 8–11 June. IEEE. pp. 667–673.
comparatives existantes montrent que les descripteurs Chen, Z., Czarnuch, S., Smith, A., and Shehata, M. 2016.
d’attributs géométriques et les descripteurs d’occupa- Performance evaluation of 3D keypoints and descriptors.
International Symposium on Visual Computing.
tion dominent les autres catégories de descripteurs au
Proceedings, Part II, Lecture Notes in Computer Science, Las
niveau de la caractérisation des nuages de points com- Vegas, NV, USA, 12–14 Dec. Springer, Cham. pp. 410–420.
plets et de faible échelle. Cependant, ces performances doi:10.1007/978-3-319-50832-0.
chutent notablement dès qu’il s’agit de caractériser des Daniel, S., and Doran, M.A. 2013. geoSmartCity: geomatics con-
nuages de points LiDAR présentant des occlusions et tribution to the smart city. Proc. 14th Annual International
une variabilité du point de vue de la densité de points. Conference on Digital Government Research, Quebec City,
QC, Canada, 17–20 June. ACM Digital Library, New York, NY,
Des approches opérant une sélection ad hoc de descrip- USA. pp. 65–71.
teurs ou de caractéristiques parmi un ensemble De Deuge, M., Quadros, A., Hung, C., and Douillard, B. 2013.
prédéfini ou bien un regroupement des points sous Unsupervised feature learning for classification of outdoor
forme de super-voxel apparaissent comme des voies 3D scans. Proc. Australasian Conference on Robitics and
Geomatica 2018.72:1-15.

d’amélioration d’intérêt. Automation (ACRA), Sydney, Australia, 2–4 Dec. Vol. 2, pp. 1–9.
Flint, A., Dick, A., and Van Den Hengel, A. 2007. Thrift: local 3D
On note aussi que le calcul de descripteurs fait souvent
structure recognition. 9th Biennial Conference of the
intervenir le calcul de normales, de courbures, et l’explo- Australian Pattern Recognition Society on Digital Image
ration d’un voisinage. Opérer ces calculs à l’avance et Computing Techniques and Applications, Glenelg, SA,
rendre ces informations disponibles avec le fichier de Australia, 3–5 Dec. IEEE. pp. 182–188. doi:10.1109/DICTA.
points permettrait d’accélérer grandement les traite- 2007.4426764.
ments du nuage de points. Mais cela nécessiterait d’in- Golovinskiy, A., Kim, V.G., and Funkhouser, T. 2009. Shape-
based recognition of 3D point clouds in urban environments.
troduire une structure de données multi-résolution
2009 IEEE 12th International Conference on Computer
adaptée et performante pour la caractérisation du voisin- Vision, Kyoto, Japan, 27 Sept.–4 Oct. IEEE. pp. 2154–2161.
age. Une telle structure de données offrirait aussi des Guo, Y., Sohel, F., Bennamoun, M., Wan, J., and Lu, M. 2015.
opportunités de visualisation et d’interaction avec le A novel local surface feature for 3D object recognition under
nuage de points. En effet, le rendu direct de modèle 3D clutter and occlusion. Inf. Sci. 293: 196–213. doi:10.1016/j.
basé sur des points émerge graduellement comme une ins.2014.09.015.
Hackel, T., Savinov, N., Ladicky, L., Wegner, J.D., Schindler, K.,
solution viable alternative aux méthodes plus tradition- and Pollefeys, M. 2017. [Link]: a new large-scale
nelles basées sur des maillages polygonaux. Nos futurs point cloud classification benchmark. arXiv preprint
travaux s’aligneront sur cette direction de recherche. arXiv:1704.03847.
Hänsch, R., Weber, T., and Hellwich, O. 2014. Comparison of 3D
Remerciements interest point detectors and descriptors for point cloud
fusion. ISPRS Ann. Photogramm. Remote Sens. Spat. Inf. Sci.
Ce travail est financé par le programme Découverte du II-3: 57–64. doi:10.5194/isprsannals-II-3-57-2014.
Conseil de Recherches en Sciences Naturelles et en Génie Harris, C., and Stephens, M. 1988. A combined corner and edge
(CRSNG) du Canada. L’auteur reconnait l’appui des mem- detector. Proc. Alvey Vision Conference, Manchester, UK, 31
bres de son équipe, étudiants et professionnels de Aug.–2 Sept. Organising Committee AVC 88. Vol. 15, No. 50,
recherche, dans les différents projets en lien avec cet pp. 147–151.
Hervieu, A., and Soheilian, B. 2013. Semi-automatic road/
article.
pavement modeling using mobile laser scanning. ISPRS
Ann. Photogramm. Remote Sens. Spat. Inf. Sci. II-3/W3:
Bibliographie 31–36. doi:10.5194/isprsannals-II-3-W3-31-2013.
Awan, S., Muhamad, M., Kusevic, K., Mrstik, P., and Greenspan, Himmelsbach, M., Luettel, T., and Wuensche, H.J. 2009. Real-
M. 2013. Object class recognition in mobile urban LiDAR data time object classification in 3D point clouds using point
using global shape descriptors. 2013 International feature histograms. 2009 IEEE/RSJ International Conference
Conference on 3D Vision — 3DV 2013, University of on Intelligent Robots and Systems (IROS 2009), St. Louis,
Washington, Seattle, WA, USA, 29–30 June. IEEE. pp. 350–357. MO, USA, 11–15 Oct. IEEE. pp. 994–1000.
Behley, J., Steinhage, V., and Cremers, A.B. 2012. Performance of Hyyppä, J., Jaakkola, A., Chen, Y., and Kukko, A. 2013.
histogram descriptors for the classification of 3D laser range Unconventional LIDAR mapping from air, terrestrial and
data in urban environments. 2012 IEEE International mobile. Proc. Photogrammetric Week, Stuttgart, Germany,

Published by NRC Research Press

 14 Geomat. Vol. 72, 2018

9–13 Sept. pp. 205–214. [Online]. Available from [Link] Rusu, R.B., Bradski, G., Thibaux, R., and Hsu, J. 2010. Fast 3D rec-
[Link]/publications/phowo13/. ognition and pose using the viewpoint feature histogram.
Ioannou, Y., Taati, B., Harrap, R., and Greenspan, M. 2012. 2010 IEEE/RSJ International Conference on Intelligent
Difference of normals as a multi-scale operator in unorgan- Robots and Systems (IROS), Taipei, Taiwan, 18–22 Oct. IEEE.
ized point clouds. 2012 Second International Conference on pp. 2155–2162.
3D Imaging, Modeling, Processing, Visualization and Serna, A., Marcotegui, B., Goulette, F., and Deschaud, J.E. 2014.
Transmission (3DIMPVT), Zurich, Switzerland, 13–15 Oct. Paris-rue-Madame database: a 3D mobile laser scanner data-
IEEE. pp. 501–508. set for benchmarking urban detection, segmentation and
Downloaded from [Link] by GLASGOW UNIVERSITY LIBRARY on 09/17/18. For personal use only.

Kaartinen, H., Hyyppä, J., Kukko, A., Jaakkola, A., and Hyyppä, classification methods. 4th International Conference on
H. 2012. Benchmarking the performance of mobile laser Pattern Recognition, Applications and Methods (ICPRAM)
scanning systems using a permanent test field. Sensors, 2014, Angers, France, 6–8 Mar. Lecture Notes in Computer
12(9): 12814–12835. doi:10.3390/s120912814. Science (LNCS) — Springer.
Kim, H., and Hilton, A. 2013. Evaluation of 3D feature descrip- Shah, S.A.A., Bennamoun, M., Boussaid, F., and El-Sallam, A.A.
tors for multi-modal data registration. 2013 International 2013. 3D-Div: a novel local surface descriptor for
Conference on 3D Vision — 3DV 2013, Seattle, WA, USA, 29 feature matching and pairwise range image registration.
June–1 July. IEEE. pp. 119–126. 2013 20th IEEE International Conference on Image
Körtgen, M., Park, G.J., Novotni, M., and Klein, R. 2003. 3D shape Processing (ICIP), Melbourne, VIC, Australia, 15–18 Sept.
matching with 3D shape contexts. The 7th Central European IEEE. pp. 2934–2938.
Seminar on Computer Graphics, Budmerice, Slovakia, 26–27 Smith, S.M., and Brady, J.M. 1997. SUSAN — a new approach to
May. Vol. 3, pp. 5–17. low level image processing. Int. J. Comput. Vis. 23(1): 45–78.
Lalonde, J.F., Vandapel, N., Huber, D.F., and Hebert, M. 2006. doi:10.1023/A:1007963824710.
Natural terrain classification using three-dimensional Steder, B., Rusu, R.B., Konolige, K., and Burgard, W. 2010. NARF:
ladar data for ground robot mobility. J. Field Robot. 23(10): 3D range image features for object recognition. Workshop
839–861. doi:10.1002/rob.20134. on Defining and Solving Realistic Perception Problems in
Lam, J., Kusevic, K., Mrstik, P., Harrap, R., and Greenspan, M. Personal Robotics at the IEEE/RSJ International Conference
2010. Urban scene extraction from mobile ground based on Intelligent Robots and Systems (IROS), Taipei, Taiwan,
LiDAR data. 5th International Symposium on 3D Data 18–22 Oct. Vol. 44.
Processing, Visualization and Transmission 3DPVT 2010, Taati, B., and Greenspan, M. 2011. Local shape descriptor
Geomatica 2018.72:1-15.

Paris, France, 17–20 May. pp. 1–8. selection for object recognition in range data. Comput.
Lehtomäki, M., Jaakkola, A., Hyyppä, J., Lampinen, J., Kaartinen, Vis. Image Underst. 115(5): 681–694. doi:10.1016/[Link].
H., Kukko, A., and Hyyppä, H. 2016. Object classification and 2010.11.021.
recognition from mobile laser scanning point clouds in a Tabia, H., Daoudi, M., Vandeborre, J.P., and Colot, O. 2011. A new
road environment. IEEE Trans. Geosci. Remote Sens. 54(2): 3D-matching method of nonrigid and partially similar
1226–1239. doi:10.1109/TGRS.2015.2476502. models using curve analysis. IEEE Trans. Pattern Anal.
Litman, R., and Bronstein, A.M. 2014. Learning spectral descrip- Mach. Intell. 33(4): 852–858. doi:10.1109/TPAMI.2010.202.
tors for deformable shape correspondence. IEEE Trans. PMID:21079272.
Pattern Anal. Mach. Intell. 36(1): 171–180. doi:10.1109/ Tanhuanpää, T. 2016. Developing laser scanning applications
TPAMI.2013.148. PMID:24231874. for mapping and monitoring single tree characteristics for
Liu, L., and Stamos, I. 2007. A systematic approach for 2D-image the needs of urban forestry. Doctoral dissertation,
to 3D-range registration in urban environments. IEEE 11th Department of Forest Sciences, Faculty of Agriculture and
International Conference on Computer Vision, 2007 (ICCV Forestry, University of Helsinki, Helsinki, Finland.
2007), Rio de Janeiro, Brazil, 14–20 Oct. IEEE. pp. 1–8. doi:10.14214/df.230.
Lowe, D.G. 2004. Distinctive image features from scale- Tarsha-Kurdi, F., Landes, T., and Grussenmeyer, P. 2008.
invariant keypoints. Int. J. Comput. Vis. 60(2): 91–110. Extended RANSAC algorithm for automatic detection of
doi:10.1023/B:VISI.0000029664.99615.94. building roof planes from LiDAR data. Photogramm. J. Finl.
Paparoditis, N., Vallet, B., Marcotegui, B., and Serna, A. 2014. 21(1): 97–109.
IQmulus & TerraMobilita contest — analysis of mobile laser Theiler, P.W., Wegner, J.D., and Schindler, K. 2013. Markerless
scans (MLS) in dense urban environments. MATIS point cloud registration with keypoint-based 4-points con-
Laboratory, French National Mapping Agency (IGN) and gruent sets. ISPRS Ann. Photogramm. Remote Sens. Spat.
Center for Mathematical Morphology (CMM), MINES Inf. Sci. II-5/W2: 283–288. doi:10.5194/isprsannals-II-
ParisTech. [Online]. Available from [Link] 5-W2-283-2013.
benchmarks/UrbanAnalysis/. Tombari, F., Salti, S., and Di Stefano, L. 2010a. Unique signatures
Pomerleau, F., Colas, F., and Siegwart, R. 2013. A review of point of histograms for local surface description. 11th European
cloud registration algorithms for mobile robotics. Found. Conference on Computer Vision, Heraklion, Crete, Greece,
Trends Robot. 4(1): 1–104. doi:10.1561/2300000035. 5–11 Sept. Proceedings, Part II, Lecture Notes in Computer
Rusu, R.B., and Cousins, S. 2011. 3D is here: point cloud library Science. Springer, Berlin, Heidelberg. pp. 356–369.
(PCL). 2011 IEEE International Conference on Robotics and Tombari, F., Salti, S., and Di Stefano, L. 2010b. Unique shape con-
Automation (ICRA), Shanghai, China, 9–13 May. IEEE. text for 3D data description. Proc. ACM Workshop on 3D
pp. 1–4. [Online]. Available from [Link] Object Retrieval. ACM. pp. 57–62.
Rusu, R.B., Marton, Z.C., Blodow, N., and Beetz, M. 2008. Toth, C.K. 2009. R&D of mobile LiDAR mapping and future
Persistent point feature histograms for 3D point clouds. trends. Proc. ASPRS 2009 Annual Conference, Baltimore,
Proc. 10th International Conference on Intelligent MD, USA, 9–13 Mar. American Society for Photogrammetry
Autonomous Systems (IAS-10), Baden-Baden, Germany, July. and Remote Sensing (ASPRS). pp. 1–7.
IOS Press. pp. 119–128. Unnikrishnan, R., and Hebert, M. 2008. Multi-scale interest
Rusu, R.B., Blodow, N., and Beetz, M. 2009. Fast point feature regions from unorganized point clouds. IEEE Computer
histograms (FPFH) for 3D registration. IEEE International Society Conference on Computer Vision and Pattern
Conference on Robotics and Automation, 2009 (ICRA’09), Recognition Workshops, 2008 (CVPRW’08), Anchorage, AK,
Kobe, Japan, 12–17 May. IEEE. pp. 3212–3217. USA, 23–28 June. IEEE. pp. 1–8.

Published by NRC Research Press

 Daniel 15

Urban, S., and Weinmann, M. 2015. Finding a good feature Weinmann, M., Urban, S., Hinz, S., Jutzi, B., and Mallet, C. 2015.
detector-descriptor combination for the 2D keypoint-based Distinctive 2D and 3D features for automated large-scale
registration of TLS point clouds. ISPRS Ann. Photogramm. scene analysis in urban areas. Comput. Graph. 49: 47–57.
Remote Sens. Spat. Inf. Sci. II-3/W5: 121–128. doi:10.5194/ doi:10.1016/[Link].2015.01.006.
isprsannals-II-3-W5-121-2015. Williams, K., Olsen, M.J., Roe, G.V., and Glennie, C. 2013.
Vallet, B., Brédif, M., Serna, A., Marcotegui, B., and Paparoditis, Synthesis of transportation applications of mobile LiDAR.
N. 2015. TerraMobilita/iQmulus urban point cloud analysis Remote Sens. 5(9): 4652–4692. doi:10.3390/rs5094652.
benchmark. Comput. Graph. 49: 126–133. doi:10.1016/j. Yu, Y., Li, J., Yu, J., Guan, H., and Wang, C. 2014. Pairwise three-
Downloaded from [Link] by GLASGOW UNIVERSITY LIBRARY on 09/17/18. For personal use only.

cag.2015.03.004. dimensional shape context for partial object matching and

van Kaick, O., Zhang, H., and Hamarneh, G. 2013. Bilateral maps retrieval on mobile laser scanning data. IEEE Geosci.
for partial matching. Computer Graphics Forum. Vol. 32, Remote Sens. Lett. 11(5): 1019–1023. doi:10.1109/LGRS.
No. 6, pp. 189–200. 2013.2285237.
Wang, H., Wang, C., Luo, H., Li, P., Chen, Y., and Li, J. 2015. 3-D Yu, Y., Li, J., Guan, H., and Wang, C. 2015. Automated extraction
point cloud object detection based on supervoxel neighbor- of urban road facilities using mobile laser scanning data.
hood with Hough forest framework. IEEE J. Sel. Top. Appl. IEEE Trans. Intell. Transp. Syst. 16(4): 2167–2181. doi:10.1109/
Earth Obs. Remote Sens. 8(4): 1570–1581. doi:10.1109/ TITS.2015.2399492.
JSTARS.2015.2394803. Zhong, Y. 2009. Intrinsic shape signatures: a shape des-
Weinmann, M., Jutzi, B., and Mallet, C. 2014. Semantic 3D scene
criptor for 3D object recognition. 2009 IEEE 12th
interpretation: a framework combining optimal neighbor-
International Conference on Computer Vision Workshops
hood size selection with relevant features. ISPRS Ann.
(ICCV Workshops), Kyoto, Japan, 27 Sept.–4 Oct. IEEE.
Photogramm. Remote Sens. Spat. Inf. Sci. II-3: 181–188.
pp. 689–696.
doi:10.5194/isprsannals-II-3-181-2014.
Geomatica 2018.72:1-15.

Published by NRC Research Press