ANALISIS KERAPATAN 3D POINT CLOUDS PADA UAV FOTOGRAMETRI

  • Martince Novianti Bani Jurusan Tek. Sipil, Politeknik Negeri Malang
Abstract views: 611 , PDF downloads: 964
Keywords: Tie Point, Filtering, Point Clouds, UAV, Fotogrametri

Abstract

Ketersediaan Infomasi Spasial merupakan salah satu faktor utama untuk mengoptimalkan perencanaan pembangunan. Disisi lain, peningkatan kebutuhan data spasial berskala detail terus diupayakan untuk memenuhi tantangan tersebut. Salah satu upaya untuk percepatan penyediaan data dan informasi spasial dengan memanfaatkan teknologi pemetaan dengan wahana Unmanned Aerial Vehicle (UAV). UAV dipandang efektif dan efisien baik itu dari segi waktu maupun biaya. Keakurasian yang dihasilkan oleh citra dari UAV pun terus ditingkatkan. Salah satunya adalah melakukan studi lebih lanjut terhadap data yang dihasilkan oleh wahana UAV yakni peningkatan kerapatan point cloud. Pada penelitian ini, dilakukan analisis kerapatan 3D point clouds dan kekaurasian kerapatan 3D point clouds tersebut direalisasikan dengan mengidentifikasi sejumlah tie points yang ideal pada lokasi von gruber kemudian diterapkan filtering. Setiap nilai hasil filtering tie points akan diproses kembali dengan menerapkan perhitungan bundle adjustment serta penambahan variabel lainnya. Ketelitian dari sejumlah Point clouds yang dihasilkan dari berbagai variasi jumlah tie points, ditentukan berdasarkan nilai RMSEnya

References

(1) Beder, C., Steffen, R., 2008. Incremental estimation without specifying a-priori covariance matrices for the novel paramet- ers. 2008 IEEE Computer Society Conference on Computer Vis- ion and Pattern Recognition Workshops, IEEE.
(2) Bethmann. F., and Luhmann, T., 2010. Least Squares Matching with Advanced Geometric Transformation Models. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Science. Vol. XXXVIII. Part 5. Newcastle upon Tyne, UK. 2010.
(3) Campbell, N.A., and Wu, X., 2008. Gradient Cross Correlation for Sub-Pixel Matching. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Science.Vol. XXXVII. Part B7. Beijing 2008.
(4) Elaksher, A., 2008. A Multi-Photo Least Squares Matching Algorithm for Urban Area DEM Refinement Using Breaklines. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Science. Vol XXXVII. Part B3a. Beijing 2008.
(5) Furukawa, Y. & Ponce, J., 2009. Accurate, Dense, and Robust Multi-View Stereopsis. IEEE Transactions on Pattern Analysis and Machine Intelligence. p. IEEE Computer Society Press.
(6) Leica Geosystems, 2006. Leica Photogrammetry Suite Project Manager.
(7) Mitchell, H., and Pilgrim, L.J., 1987. Selection of an Image Matching Algorithm. Department of Civil Engineering and Surveying. University of Newcastle.
(8) Schenk, T., 1999. Digital Photogrammetry, TerraScience, Ohio, USA.
(9) Schneider, D., 2014. Open season on drones? Spectrum, IEEE 51(1), pp. 32–33.
(10) Wilbers, D., Merfels, C., Stachniss, C., 2019. A comparison of particle filter and graph-based optimization for localization with landmarks in automated vehicles. 2019 Third IEEE Inter- national Conference on Robotic Computing (IRC), IEEE.
(11) Wolf, P.R., and Dewitt, B.A., 2000. Element of Photogrammetry with Applications in GIS 3rd. McGraw-Hill.
(12) Yang, B & Dong, Z., 2013. A shape-based segmentation method for mobile laser scanning point cloud. ISPRS Journal of Photogrammetry and Remote Sensing, 81, pp. 19–30.

PlumX Metrics

Published
2022-03-16
How to Cite
Martince Novianti Bani, M. N. B. (2022). ANALISIS KERAPATAN 3D POINT CLOUDS PADA UAV FOTOGRAMETRI. Jurnal Qua Teknika, 12(01), 45-57. https://doi.org/10.35457/quateknika.v12i01.2107