LiDAR-based 3D Change Detection at City Scale
Di cosa parla
Si confrontano due rilevazioni LiDAR (sensori che misurano la distanza con laser) della stessa città in anni diversi per trovare ciò che è cambiato—edifici, infrastrutture e verde urbano. Il metodo allinea le scansioni nel tempo, valuta per ogni punto quanto è affidabile la misura e confronta singoli oggetti usando etichette e segmenti per gestire casi di divisione o fusione; lavora a pezzi per non perdere piccoli cambiamenti del suolo. È stato testato su dati di Subiaco (2023 vs 2025) e mostra miglioramenti rispetto a metodi precedenti.
Cosa permette di osservare
Permette di esplorare come la stima dell’incertezza e il riconoscimento di oggetti possono aiutare a distinguere cambiamenti reali da errori di allineamento, e quali scelte tecniche servono per monitorare un’intera città senza perdere dettagli sottili.
Dalla fonte
High-definition 3D city maps enable city planning and change detection, which is essential for municipal compliance, map maintenance, and asset monitoring, including both built structures and urban greenery. Conventional Digital Surface Model (DSM) and image differencing are sensitive to vertical bias and viewpoint mismatch, while original point cloud or voxel models require large memory, assume perfect alignment, and degrade thin structures. We propose an uncertainty-aware, object-centric method for city-scale LiDAR-based change detection. Our method aligns data from different time periods using multi-resolution Normal Distributions Transform (NDT) and a point-to-plane Iterative Closest Point (ICP) method, normalizes elevation, and computes a per-point level of detection from registration covariance and surface roughness to calibrate change decisions. Geometry-based associations are re…