Road detection from lidar data using deep learning methods

Abstract

Road network is one of the most important urban infrastructures. Traditional method for digital road data acquisition has been to manually measure from aerial-image stereomodels and field survey. However, aerial images captured by cameras are heavily affected by the weather and light conditions. In forest areas, visibility from aerial images is poor. In this thesis, it is concentrated on road detection that has been done from airborne lidar data, instead of aerial imagery. The main advantage of this is to better detect roads that are under tree cover or in shadows. A 3D convolutional neural network (CNN) is utilized in the deep learning part. The lidar data is voxelized before it is fed into the neural network. For the training and evaluation National Land Survey of Finland’s topographic databases road vectors are used. Some road classes are removed from these in the quest to create a more uniform dataset, even though such proves to be a challenge. Two datasets from different areas have been utilized. With this method, an F1-score of 0.73 is obtained for both urban, rural, and their combined areas. When viewing the results, the aforementioned lack of uniformity of the road vector data used is one of the biggest problems encountered. There are false detections that are actually roads or paths, that are not part of the finally used version of the road vector dataset. Also, the road vectors can include smaller tracks or paths that are not even road-like in the real world and thus those do not get detected.

Tieverkko on yksi tärkeimmistä infrastructuurin osista. Perinteinen tapa teiden tietojen digitalisointiin on ollut manuaalisesti ilmakuvien stereomalleista ja suoraan maastotyöllä. Sää- ja valo-olosuhteet kuitenkin vaikuttavat paljon kameralla otettuihin ilmakuviin. Tässä diplomityössä keskitytään teiden tunnistamiseen suurista pistepilvistä, ilmakuvien sijaan. Suurin etu pistepilvien käytössä on mahdollisuus tunnistaa puiden alle ja varjoihin jääviä teitä. Neuroverkkona käytään 3D konvoluutioneuroverkkoa. Pistepilvidata vokseloidaan ennen neuroverkolle syöttämistä. Verkon kouluttamiseen ja arviointiin käytetään Maanmittauslaitoksen kansallisen maastotietokannan tievektoreita. Tievektoreista on poistettu joitain luokkia, jotta datasta saataisiin yhtenäisempää, vaikka datan saaminen yhtenäiseksi osoittautuu vaikeaksi. Kahta datasettiä eri alueilta hyödynnettiin. Tällä verkolla saadaan F1-arvoksi 0.73, sekä kaupunki-, maaseutu-, että niiden yhdistetyille alueille. Tuloksia tutkiessa yhdeksi suurimmista ongelmista osoittautuu se, että tievektori data ei ole kovin yhtenäistä. Tuloksissa on virheellisiä havaintoja (false detection), mutta kyseiset havainnot ovat teitä ja pienempiä polkuja, jotka on poistettu tievektoreista aiemmissa vaiheissa. Tievektoreiden joukossa voi myös olla erittäin pienia ja jopa maastossa epäselviä uria, joita ei tämän takia tunnisteta.