Segmentation et Interprétation de Nuages de Points pour la Modélisation dÉnvironnements Urbains

Dans cet article, nous pr\ésentons une m\éthode pour la d\étection et la classification dártefacts au niveau du sol, comme phase de filtrage pr\éalable \`a la mod\élisation dénvironnements urbains. La m\éthode de d\étection est r\éalis\ée sur límage profondeur, une projection de nuage de points sur un plan image o\`u la valeur du pixel correspond \`a la distance du point au plan. En faisant l'hypoth\`ese que les artefacts sont situ\és au sol, ils sont d\étect\és par une transformation de chapeau haut de forme par remplissage de trous sur límage de profondeur. Les composantes connexes ainsi obtenues, sont ensuite caract\éris\ées et une analyse des variables est utilis\ée pour la s\élection des caract\éristiques les plus discriminantes. Les composantes connexes sont donc classifi\ées en quatre cat\égories (lampadaires, pi\étons, voitures et "Reste") \`a láide dún algorithme dápprentissage supervis\é. La m\éthode a \ét\é test\ée sur des nuages de points de la ville de Paris, en montrant de bons r\ésultats de d\étection et de classification dans lénsemble de donn\ées.---In this article, we present a method for detection and classification of artifacts at the street level, in order to filter cloud point, facilitating the urban modeling process. Our approach exploits 3D information by using range image, a projection of 3D points onto an image plane where the pixel intensity is a function of the measured distance between 3D points and the plane. By assuming that the artifacts are on the ground, they are detected using a Top-Hat of the hole filling algorithm of range images. Then, several features are extracted from the detected connected components and a stepwise forward variable/model selection by using the Wilk's Lambda criterion is performed. Afterward, CCs are classified in four categories (lampposts, pedestrians, cars and others) by using a supervised machine learning method. The proposed method was tested on cloud points of Paris, and have shown satisfactory results on the whole dataset.