直立圓桿萃取與模塑

本次實驗區中更有 22 隻直立圓桿，其分佈如下圖所示。

圖22 直立圓桿分布圖

取得剖面層非道路點雲合併後，以 10 公分網格將點雲進行八分樹分割，其後以二十六相 鄰之 CCL 演算法群聚，其成果如下圖 23 與圖 24 所示。如圖 24 所示，仍有部分直立圓桿因 與廣告招牌、遮雨棚、陽台等物體相鄰，以至於八分樹分割及 CCL 演算法群聚後仍無法將其 有效的分離出來。

圖23 非道路點雲經八分樹與 CCL 演算法群聚之成果

圖24 紅色框選處之直立圓桿未被分離出來 5.4.1. 直立圓桿點群之辨識

經八分樹分割與 CCL 演算法群聚且濾除點小於 50 個點之點群後，可分成 704 個點群。

經物空間知識與 RANSAC 判斷後，有 38 個點群被判斷可能包含直立圓桿，其中有 15 個點群 確實包含直立圓桿，23 個點群不包含直立圓桿為其他地物，7 個點群應包含直立圓桿但漏判。

直立圓桿其漏授率(Omission)為 31.82%，其誤授率(Commission)為 60.53%，整體精度為 95.74%，

其詳細內容可見下表。

表2 經物空間知識與 RANSAC 分類之誤差矩陣 地真資料

直立圓桿 非直立圓桿 總數 誤授率 分類結果 直立圓桿 15 23 38 60.53%

非直立圓桿 7 659 666 1.05%

總數 22 682 704

漏授率 31.82% 3.37% 整體精度 95.74%

漏判之直立圓桿分別為編號 6、7、9、11、15、16、19 共七隻，見圖 25。由圖 25 可明 顯發現，這漏判之 7 直立圓桿，其周圍皆有相鄰之物體，如廣告招牌、遮雨棚、路樹等，因 此導致八分樹分割與 CCL 演算法群聚無法有效將其分離出來。

(a)編號 6 (b)編號 7 (c)編號 9 (d)編號 11

(e)編號 15 (f)編號 16 (g)編號 19 圖25 未被偵測出包含直立圓桿之點群 5.4.2. 直立圓桿圓面參數強鈍估值擬合之成果

將上述結果以強鈍估值方式擬合圓面參數，並將半徑不符之點群剔除，有 18 個點群被判 斷可能為直立圓桿，其中有 12 個點群確實包含直立圓桿，6 個點群不包含直立圓桿，10 個點 群應包含直立圓桿但漏判。因此直立圓桿之漏授率(Omission)為 45.45%，其誤授率(Commission) 為 25.00%，整體精度為 98.01%，其詳細內容可見下表。而透過此數據可以發現誤授率有明 顯的下降 35.53%，但也因此導致漏授率增加 13.64%，而整體精度的部分則是提升 2.27%。

表3 經強鈍估值方式分類之誤差矩陣 地真資料

直立圓桿 非直立圓桿 總數 誤授率 分類結果 直立圓桿 12 4 16 25.00%

非直立圓桿 10 678 688 1.45%

總數 22 682 704

漏授率 45.45% 0.59% 整體精度 98.01%

最後強鈍估值擬合之成果如下表所示。可發現編號 1、2、22 之桿狀物在迭代過程，導致 其半徑呈現負值。而編號 10 其權單位中誤差相較於其他直立圓桿也較大。

表4 強鈍估值擬合之成果

ID E(m) N(m) R(m) S0(m)

1 308152.952 2764537.537 -0.215 0.034 2 308170.816 2764533.182 -0.197 0.035 3 308179.479 2764527.638 0.089 0.028 4 308184.066 2764526.190 0.074 0.017 5 308221.172 2764518.557 0.063 0.011 8 308323.478 2764496.959 0.094 0.021 10 308284.978 2764494.357 0.152 0.128 12 308276.851 2764495.308 0.024 0.004 13 308265.543 2764497.124 0.033 0.012 14 308257.733 2764500.474 0.029 0.006 17 308214.876 2764509.084 0.093 0.018 18 308213.903 2764509.395 0.080 0.012 20 308185.891 2764515.491 0.019 0.018 21 308166.356 2764515.086 0.092 0.038 22 308205.302 2764522.036 -0.001 0.014

與直接由點雲資料中數化直立圓桿圓面參數之比較如下表所示。可發現編號 12 之桿狀物 其在 N 方向之差與半徑之差皆較其他桿狀物大出許多。

表5 直立圓桿圓面參數比較表比較

ID E 坐標差值

(m)

N 坐標差值 (m)

半徑 R 差值 (m)

3 0.033 -0.006 -0.012 4 0.004 0.134 0.012 5 0.004 0.021 0.021 8 0.014 0.105 -0.018 10 -0.080 0.291 -0.090 12 -0.055 -0.042 0.061 13 -0.035 -0.046 0.049 14 -0.026 -0.049 0.053 17 0.018 -0.007 -0.023 18 -0.044 -0.010 -0.005 20 -0.027 -0.027 0.015 21 -0.017 -0.117 0.008 RMSE 0.038 0.111 0.041

如圖 26 所示說明編號 10 直立圓桿之擬合成果，圖 26(a)中紅點為強鈍估值擬合時所使用 的點雲，可發現其含大量非該直立圓桿之點雲，此外，由圖 26(b)可知 RANSAC 取得之初值 已不佳，再加上其含有大量之雜點，故導致最後之擬合成果不佳。

(a)點群與擬合所使用之點雲 (b)圓面參數:人工數化、初值與擬合成果之圖示 圖26 編號 10 之直立圓桿擬合成果說明圖示

以下則說明表 4 中強鈍估值擬合編號 1、2、22 之桿狀物在迭代過程，導致其半徑呈現負 值的可能原因。

圖 27 說明編號 1 直立圓桿之擬合成果，圖 27(a)與 27(b)中紅點為強鈍估值擬合時所使用 的點雲，可以發現其含大量非該桿狀物之點雲，此外，由圖 27(c)顯示雖然 RANSAC 取得之 初值尚佳，但因擬合中之雜點過多，故導致最後之成果不如預期。

(a)點群與擬合所使用之 點雲(側視圖)

(b)點群與其擬合所使用之點雲 (俯視圖)

圓面參數:人工數化、初值與擬 合成果之圖示

圖27 編號 1 直立圓桿擬合成果說明圖示

圖 28 說明編號 2 直立圓桿之擬合成果，圖 28(a)中紅點強鈍估值擬合時所使用的點雲，

同樣可發現其含大量非該桿狀物之點雲，如交通告示牌等，此外，由圖 28(b)中顯示雖然 RANSAC 取得之初值尚佳，但因擬合之雜點過多，故導致最後之成果不如預期。

(a)點群與其擬合所使用之點雲 (b) 圓面參數:人工數化、初值與擬合成果之圖示 圖28 編號 2 直立圓桿擬合成果說明圖示

圖 29 說明編號 22 直立圓桿之擬合成果，圖 29(a)中紅點為強鈍估值時所使用的點雲，可 以發現其含大量非該桿狀物的點，如交通告示牌等，此外，由圖 29(b)中顯示雖然 RANSAC 取得之初值尚佳，但同樣因擬合之雜點過多，故導致最後之成果不如預期。

(a)點群與其擬合所使用之點雲 (b) 圓面參數:人工數化、初值與擬合成果之圖示 圖29 編號 22 直立圓桿擬合成果說明圖示

由上述分析大多因因擬合之雜點過多，故導致最後之成果不如預期。

透過前述之萃取圓面參數之後，取每點群中最高與最低高程模塑直立圓桿之成果如下圖 所示。

圖30 直立圓桿模塑之成果