Instant környezetmegfigyelés mobil járművekről újgenerációs térinformatikai adatbázis háttérrel  részletek

súgó  nyomtatás 
vissza »
 

Projekt adatai

  
azonosító
120233
típus K
Vezető kutató Benedek Csaba
magyar cím Instant környezetmegfigyelés mobil járművekről újgenerációs térinformatikai adatbázis háttérrel
Angol cím Instant environment perception from a mobile platform with a new generation geospatial database background
magyar kulcsszavak 3D számítógépes látás, objektumfelismerés, adatfúzió
angol kulcsszavak 3D computer vision, object recognition, data fusion
megadott besorolás
Informatika (Műszaki és Természettudományok Kollégiuma)100 %
Ortelius tudományág: Alkalmazott informatika
zsűri Informatikai–Villamosmérnöki
Kutatóhely HUN-REN Számítástechnikai és Automatizálási Kutatóintézet
résztvevők Börcs Attila
Jankó Zsolt
projekt kezdete 2016-10-01
projekt vége 2021-03-31
aktuális összeg (MFt) 47.952
FTE (kutatóév egyenérték) 5.30
állapot lezárult projekt
magyar összefoglaló
A kutatás összefoglalója, célkitűzései szakemberek számára
Itt írja le a kutatás fő célkitűzéseit a témában jártas szakember számára.
Napjaink korszerű érzékelői forradalmasították az információgyűjtést. Az önjáró autók látórendszerei a járművek navigációhoz szükséges tájékozódásán kívül lehetőséget adnak a környezet valós idejű feltérképezésére, statikus (jelzőtáblák, távvezetékek, növényzet, utcabútorzat) valamint dinamikus környezeti elemek (járműforgalom, tömeg-csoportosulások, szokatlan események) észlelésére és felismerésére. Azonban míg a fedélzeti 3D érzékelők - Lidar lézerszkennerek, kalibrált kamerarendszerek és navigációs szenzorok - nagy időbeli felbontású méréssorozatokat rögzítenek, korlátozott a térbeli felbontásuk. Emellett a 3D környezetben fellépő takarási jelenségek és a jármű haladási sebességből adódó rövid megfigyelési idők is limitálják a kizárólag fedélzeti mérések útján kinyerhető környezeti információ mértékét és minőségét.
Az újgenerációs térinformatikai rendszerek (GIS) rendkívül nagy térbeli részletezettségű háromdimenziós térképet tárolnak a városról sűrű 3D pontfelhők, és tájolt fényképek, valamint szemantikai metaadatok formájában. Ugyanakkor kihívások itt is megjelennek, főként a térfelmérések magas költségével, a nagy adatmennyiség gazdaságos kiértékelésével, gyors lekérdezhetőségével és az adatbázisok frissítésével kapcsolatban.
A pályázat fő célja az instant autós érzékelés és a térinformatikai rendszerekben található információk együttes kiaknázásának támogatása olyan új algoritmikus eszköztárral, amely lehetővé teszi, hogy az önjáró autók valós időben, döntésük előkészítéséhez juthassanak releváns információhoz a GIS rendszerekből, valamint lehetőség legyen a forgalomban szereplő járművek szenzoradatait a GIS rendszerek bővítéséhez és frissítéséhez felhasználni.

Mi a kutatás alapkérdése?
Ebben a részben írja le röviden, hogy mi a kutatás segítségével megválaszolni kívánt probléma, mi a kutatás kiinduló hipotézise, milyen kérdéseket válaszolnak meg a kísérletek.
A projekt során eljárásokat dolgozunk ki, melyek segítségével a komplex érzékelőkkel ellátott járművek és az intelligens térinformatikai adatbáziskezelő rendszerek (GIS) együttműködve képesek lesznek kihasználni és bővíteni egymás funkcionalitását. Az önjáró autók szenzorainak korlátos látóterű és alacsony felbontású mérési adatait kiegészítjük a részletes várostérképből nyert információkkal, elérve a környezet teljesebb és magasabb szintű fedélzeti értelmezését. Az autók által gyűjtött statikus és dinamikus környezeti információk egyben visszacsatolhatók lesznek a GIS adatbázisok kiterjesztésére (dinamikus forgalmi információkkal) és frissítésére (jelzőtáblák változása, útfestések kopásának észlelése, növényzet lombkoronájának állapota).
A tervezett projekt fontos része az önjáró autók döntéstámogatásához szükséges nagypontosságú és korlátlan méretű 3D GIS adatok valósidejű kezelése, lekérdezhetősége és megjelenítése, ahol a tipikusan limitált voxelszámmal dolgozó szakirodalmi eredmények továbbfejlesztése szükséges.
Kulcsfeladat a különböző modalitású és karakterisztikájú 2D és 3D térbeli, valamint 4D téridőbeli méréssorozatok automatikus összeillesztése és összehasonlítása, és a helyszín feltérképezése. Ehhez elvégezzük a szenzorok szükséges regisztrációját és fuzionálását, adathalmazok osztályozását, végrehajtunk geometriai vagy gépi tanulás alapú objektumfelismerést, és kontextus alapú magas szintű helyszínelemzést. A kutatás fontos eleme a dinamikus jelenetek és események felismeréséhez és elemzéséhez szükséges adattípusok és algoritmikusok létrehozása, amelyek a 4D téridőbeli minták egységes reprezentációját, osztályozását és megjelenítését képesek elvégezni.

Mi a kutatás jelentősége?
Röviden írja le, milyen új perspektívát nyitnak az alapkutatásban az elért eredmények, milyen társadalmi hasznosíthatóságnak teremtik meg a tudományos alapját. Mutassa be, hogy a megpályázott kutatási területen lévő hazai és a nemzetközi versenytársaihoz képest melyek az egyediségei és erősségei a pályázatának!
A projekt eredményei mind az önjáró autók érzékelésében mind a városfelügyelethez használt térinformatikai megoldások terén alapvető fejlődést hozhatnak.
Bár az önjáró autók biztonságos úttartást és ütközéselkerülést lehetővé tevő látó és vezérlő mechanizmusa már fejlett technológiai szinten áll, korántsem kiforrott a felhasználásuk komplex városi környezetben, ahol az elvárt normál haladási sebesség biztosítása mellett feltételezni kell más autonóm autók, emberi vezetők, valamint további utcai szereplők tömeges jelenlétét és kiszámíthatatlan viselkedését. A GIS adatokhoz illesztett megoldás centiméteres pontosságú lokalizációt, részletes környezetérzékelést és dinamikus agendatervezést tesz lehetővé, a GIS adatok fedélzeti vizualizációja pedig az utasok számára teremt kiegészítő élményt és információforrást.
A nagy pontfelhőket kezelő GIS rendszerek kulcsproblémája volt eddig a drága adatgyűjtés és a lassú adatkiértékelés. Egy Budapest méretű város teljes felmérése jelenleg 2-3 éves ciklusokban végezhető el, a kiértékelést pedig állandó operátori segítséggel kell végrehajtani. A fejlesztésinkben megcélzott eljárások egyrészt az adatgyűjtés és adatfrissítés olcsóbbá és folyamatossá tételét teszik lehetővé az úton közlekedő járművek szenzoraira támaszkodva, másrészről az automatikus felismerő eljárások révén felgyorsíthatjuk, és egyes funkciókban helyettesíthetjük az operátori kiértékelést. A járművek érzékelőivel kinyert dinamikus forgalmi és eseményinformációk kibővítik a GIS szokásos funkcionalitását.
A kutatás nagy gyakorlati jelentőségű és gyors technológiai fejlődés által meghatározott területet érint, azonban a nemzetközi szintű versenyképességét biztosítani fogja a legújabb 3D szenzorok és modern térinformatikai adatbázisok rendelkezésre állása, az MTA SZTAKI és a projektcsapat szakmai tapasztalata és kiválósága 3D adatfeldolgozás és gépi felismerés területén, valamint a vezető ipari partnerekkel való együttműködés lehetősége. Az autós érzékelés oldaláról a projekt felhasználja a befogadó intézet 2015-ös akadémiai infrastruktúra pályázatában beszerzett lézerszkennereket és kamerákat. A Budapest Közút Zrt. Közúti Adatgyűjtő REndSzere (GIS) 3cm-es felbontású pontfelhő térképet biztosít a kutatáshoz.

A kutatás összefoglalója, célkitűzései laikusok számára
Ebben a fejezetben írja le a kutatás fő célkitűzéseit alapműveltséggel rendelkező laikusok számára. Ez az összefoglaló a döntéshozók, a média, illetve az érdeklődők tájékoztatása szempontjából különösen fontos az NKFI Hivatal számára.
Az önjáró autók működtetésének érzékelési, navigációs és irányítástechnikai kulcskérdéseit számos nagyvállalat kutatja világszerte: technológiai oldalról nézve már nagyon közel állunk ahhoz, hogy az önmagukat vezető járművek biztonsággal közlekedhessenek a közutakon. Ugyanakkor a kiszámíthatatlan nagyvárosi utcai forgalomban számos kihívást kell még megoldani: nem elég az előttünk haladó jármű távolságát felmérni, fel kell készülni a szabálytalankodó gyorshajtókra, hirtelen megjelenő gyalogosokra, útlezárásokra és változó forgalmi szituációkra. A projekt során bemutatjuk, hogy a folyamat hatékonyan támogatható lehet az autók és korszerű térinformatikai adatbázisok összekapcsolásával, amelyek a robotpilótának a hiányzó döntéstámogató információt szolgáltatják a pontos környezetről.
Eljárásokat dolgozunk ki annak támogatására is, hogy a komplex szenzorrendszerrel felszerelt autók aktívan részt vállalhassanak a dinamikus háromdimenziós környezet különböző elemzési, feltérképezési feladataiban, és képesek legyenek információt szolgáltatni közlekedéstervezés, hosszú távú forgalomelemzés, dugófigyelés, tömeg-csoportosulások kialakulásának jelzése, szokatlan események észlelése stb. területén. Ezeket az információkat később megoszthatjuk az adott pillanatban forgalomban lévő önjáró autók között is.
A kutatómunka fő célja az érzékelő autók és a térinformatikai rendszerek adatainak összekapcsolásával egy kölcsönös előnyöket hozó együttműködés kialakítása, amely valós idejű részletes adatokat szolgáltat a jövő önjáró autóinak, kiterjesztett szolgáltatásokat nyújtva az utasoknak, míg a városfelügyelet birtokában lévő adatbázisok gyors és olcsó karbantartását teszi lehetővé.
angol összefoglaló
Summary of the research and its aims for experts
Describe the major aims of the research for experts.
Up to date 3D sensors revolutionized the acquisition of environmental information. 3D vision systems of self driving vehicles can be used for -apart from safe navigation- real time mapping of the environment, detecting and analyzing static (traffic signs, power lines, vegetation, street furniture), and dynamic (traffic flow, crowd gathering, unusual events) scene elements. The onboard 3D sensors - Lidar laser scanners, calibrated camera systems and navigation sensors - record high frame-rate measurement sequences, however due to their limited spatial resolution, various occlusion effects in the 3D scenes, and the short observation time caused by the vehicle's driving speed, environment analysis purely based on onboard sensor measurements exhibits significant limitations.
The new generation geo-information systems (GIS) store extremely detailed 3D maps about the cities, consisting of dense 3D point clouds, registered camera images and semantic metadata. Here great challenges are also present yet, due to the large expenses of the environment scanning missions, the cost of evaluation of the tremendous data quantity, implementation of quick querying, and efficient updating of the semantic databases.
The main goal of the project is to facilitate the joint exploitation of the measurements from the cars' instant sensing platforms and offline spatial database content of the newest GIS solutions. We propose a new algorithmic toolkit which allows self driving cars to obtain in real time relevant GIS information for decision support, and provides opportunities for extending and updating the GIS databases based on the sensor measurements of the vehicles in the everyday traffic.

What is the major research question?
Describe here briefly the problem to be solved by the research, the starting hypothesis, and the questions addressed by the experiments.
We will propose new methods in the project, which support the collaboration of the vehicles equipped with complex sensor arrays, and the intelligent GIS database systems, exploiting and completing the functionalities of each other. Since the 3D sensors of self driving cars have limited field-of-view and resolution, their measurements will be supplemented with various sorts of meta-information extracted from detailed city maps, obtaining a complete and high level on-board interpretation of the environment. At the same time, the static and dynamic scene information collected by the cars will be utilized for the extension and update of the GIS database (e.g. dynamic traffic information, change of traffic signs, faded roadmarks, growing tree crowns).
For ensuring up-to-date GIS data provision for the cars, the planned project will put focus on real-time management, retrievability and visualization of large-scale GIS datasets, where existing solutions exhibit either low accuracy or limit the maximal usable point cloud size.
Further key tasks are the automatic registration and comparison of various 2D/3D spatial and 4D spatiotemporal measurement sequences with different modalities and characteristic parameters, and the automated mapping of the environment. These issues need to implement sensor registration and fusion, classification of datasets, object recognition with geometric and machine learning techniques, and context-based high level scene analysis. Important part of the research work will be creating new data structures and algorithms for the interpretation of dynamic scenes and events, used for representing, classifying and visualizing 4D spatio-temporal patterns.

What is the significance of the research?
Describe the new perspectives opened by the results achieved, including the scientific basics of potential societal applications. Please describe the unique strengths of your proposal in comparison to your domestic and international competitors in the given field.
The results of the project will allow progress in both the environment sensing abilities of self-driving cars, and in the usability of GIS solutions in city surveillance and management.
Although the autonomous cars are already equipped with efficient sensing and control mechanisms for lane detection and collision avoidance, their utilization is less established in a complex urban environment, where under normal driving speed one should expect the presence of numerous autonomous or human driven vehicles, and pedestrians with unexpected behavior. Measurement registration to GIS data will enable a self-localization with less than 1cm accuracy, detailed environment interpretation and dynamic agenda planning, while onboard visualization of the GIS data will provide a new information source for the passengers.
On the other hand, GIS technologies managing large point clouds suffer today from the high expenses of data acquisition and the time delay caused by slow data evaluation. The full survey of a Budapest-like city takes 2-3 years, and the data is loaded to the GIS with a continuous assistance of operators. The achievements of the project will decrease the expenses of the measurements and increase the frequency of possible data update, relying on the vehicle sensors from the regular traffic. Moreover, through automated processing, the evaluation will speed up significantly, while the dynamic event information perceived by the vehicles extend the usual GIS functionalities.
The proposed topic will address a field with high practical relevancy, where the background is determined by extremely quickly developing technology. High international competitiveness of the project is ensured through the availability of the latest 3D sensors, access to the most modern GIS databases, experience and excellence of MTA SZTAKI and the project team in 3D data processing and machine vision, and cooperation with outstanding industrial partners. For onboard 3D and visual test data collection the project will utilize the host institute's new laser scanners and cameras, obtained by an academic infrastructure grant in 2015. Relevant GIS data is available from the Budapest's Road Management Dept. (dense point cloud map with images).

Summary and aims of the research for the public
Describe here the major aims of the research for an audience with average background information. This summary is especially important for NRDI Office in order to inform decision-makers, media, and others.
Research efforts on sensing, navigation and control issues of self-driving cars are conducted by several great enterprises over the world. From a technological point of view, these vehicles may safely run on public roads with ordinary traffic very soon. However several challenges are yet to be solved in urban environments. Especially in the rush hour, apart from perceiving the distance of the obstacles in front of us, we have to prepare reaction for anomalous behavior of other vehicles, suddenly appearing pedestrians, road closures and changing traffic situations. This process can be largely supported by connecting the vehicles with new generation geo-information databases (GIS), which can provide the missing environmental information for the autonomous cars, supporting their decisions.
On the other hand, the vehicles equipped with complex visual and laser sensors could be efficiently involved in different environment analysis tasks, providing valuable information for traffic analysis, traffic jam perception, crowd gathering, unusual event detection. Thereafter the obtained instant scene information might be shared between the concurrently driving autonomous vehicles through the online GIS platforms.
The main target of the research work is to fuse the actual measurements of the newest available sensors used by self-driving vehicles and various sorts of data stored in the latest GIS architectures, enabling real time provision of detailed environmental data for autonomous navigation, offering new extended services for the vehicles' passengers, while city administrations get new tools for efficient and economic maintenance of the GIS databases.




 

Zárójelentés

  
kutatási eredmények (magyarul)
A kutatómunka során új gépi érzékelési és téradatelemzési megoldások készültek, melyek a forgalomban közlekedő járművek fedélzeti méréseinek és a városi térinformatikai rendszerek adatainak összekapcsolásával lehetővé teszik az önjáró autók biztonságosabb környezetérzékelését, valamint a városfelügyelet birtokában lévő adatbázisok gyors és olcsó karbantartását. A kutatócsoport új tudományos eredményeket ért el pontfelhőhelyszínek hatékony kezelése és automatikus elemzése, Lidar lézerszkenner alapú valós idejű tájékozódás és objektumfelismerés, gyalogosok biometrikus azonosítása és cselekvések felismerése területein. Új módszer készült az autóra szerelt optikai kamerák és Lidar szenzorok méréseinek online fuzionálására, valamint a járművek szenzorainak és a nagyfelbontású háromdimenziós térképek együttes kihasználására. A téradatok elemzésére szolgáló eljárások más kapcsolódó alkalmazási területekre is kiterjesztésre kerültek. Régészeti és építészeti alkalmazások számára új eljárás készült, amely különböző falazatokról készített fényképeken elkülöníti az egyes építőelemeket, valamint a hiányzó/takarásban lévő részeket automatikusan kipótolja, szem előtt tartva az élethű hatás követelményét. Térképészeti felhasználáshoz kidolgozásra került egy új mély tanuláson alapuló módszert, amely komplex hierarchikus funkcionális és stílusjegyeket tartalmazó szempontrendszer alapján képes épületek fotóit kategorizálni. Az új eredmények vezető szakmai fórumokon kerültek közlésre.
kutatási eredmények (angolul)
In the research project new machine perception and spatial data analysis solutions have been proposed which integrate onboard measurements of vehicles and data stored in Geo-Information Systems (GIS), making environment perception of vehicles safer, and maintenance of GIS databases quicker and cheaper. New scientific results have been obtain regarding efficient manipulation and automated analysis of point cloud scenes, Lidar laser scanner based real time navigation and object recognition, biometric identification of pedestrians and recognition of specific activities. New approaches have been proposed for online fusion of car-mounted optical camera and Lidar sensor data, and joint exploitation of onboard sensor measurements and 3D maps. The proposed spatial data analysis procedures have also been extended to further related application fields. For archeological and architectural applications, a new method has been developed, which can separate building stones in masonry wall images, and virtually inpaint the occluded/demolished wall segments, providing a realistic visual illusion. For mapping applications, a new deep learning based method has been introduced, which can classify photos of buildings, according to complex hierarchical functionality and style criteria. The new results have been published in leading scientific journals and conferences.
a zárójelentés teljes szövege https://www.otka-palyazat.hu/download.php?type=zarobeszamolo&projektid=120233
döntés eredménye
igen





 

Közleményjegyzék

  
B. Nagy, L. Kovács and Cs. Benedek: ChangeGAN: A deep/generative network for change detection in unregistered point clouds, IEEE Robotics and Automation Letters (under review), 2021
Ö. Zováthi, B. Nagy and Cs. Benedek: Change Detection in Urban Environment Using an Onboard Lidar Sensor and MLS Reference Data, IEEE Trans Geoscience and Remote Sensing, (under review), 2021
Benedek Csaba: Multi-level Bayesian Models for Environment Perception, Springer (under review), 2021
Cs. Benedek: Multi-sensorial Environment Perception in Urban Environment, invited paper of keynote lecture, International Conference on Robotics, Computer Vision and Intelligent Systems (ROBOVIS), Springer CCIS, (to appear), 2021
Ibrahim Y, Nagy B, Benedek Cs: Deep Learning-Based Masonry Wall Image Analysis, REMOTE SENSING 12: (23) 3918, 2020
Taoufiq S, Nagy B, Benedek Cs: HierarchyNet: Hierarchical CNN-Based Urban Building Classification, REMOTE SENSING 12: (22) 3794, 2020
Nagy B, Benedek Cs: On-the-Fly Camera and Lidar Calibration, REMOTE SENSING 12: (7) 1137, 2020
Nagy B, Benedek Cs: 3D CNN Based Semantic Labeling Approach for Mobile Laser Scanning Data, IEEE SENSORS JOURNAL 19: (21) pp. 10034-10045., 2019
Benedek Cs, Gálai B, Nagy B, Jankó Zs: Lidar-based Gait Analysis and Activity Recognition in a 4D Surveillance System, IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY 28: (1) pp. 101-113., 2018
Benedek Cs: An Embedded Marked Point Process Framework for Three-Level Object Population Analysis, IEEE T IMAGE PROCESS 26: (9) 4430-4445, 2017
Börcs A, Nagy B, Benedek Cs: Instant Object Detection in Lidar Point Clouds, IEEE GEOSCI REMOTE S 14: (7) 992-996, 2017
Nagy Balázs: Three-dimensional Scene Understanding in Mobile Laser Scanning data, PhD. disszertáció, Pázmány Péter Katolikus Egyetem, Infromációs Technológiai és Bionikai Kar, 2020
Börcs Attila: Four-dimensional Analysis of Dynamic UrbanEnvironments in Terrestrial and AirborneLiDAR Data, Ph.D. disszertáció, Budapesti Műszaki és Gazdaságtudományi Egyetem, 2018
Nagy B, Benedek Cs: Real-time point cloud alignment for vehicle localization in a high resolution 3D map, LECTURE NOTES IN COMPUTER SCIENCE 11129: pp. 226-239., 2019
B. Nagy, and Cs. Benedek: Real-time point cloud alignment for vehicle localization in a high resolution 3D map, Workshop on Computer Vision for Road Scene Understanding and Autonomous Driving at ECCV, 2018
Cs. Benedek, V. Czipczer, L. Kovács, A. Kriston, A. Manno-Kovács and T. Szirányi: Segmentation of multiple organs in Computed Tomography and Magnetic Resonance Imaging measurements, IV. Nemzetközi Interdiszciplináris 3D Konferencia, 2018
B. Nagy, Y. Ibrahim, P. Vámos, G. Bertók and Cs. Benedek: Detection of archaeological objects from radar and Lidar measurements, Workshop on Intelligent Data Analysis, 2018
Cs. Benedek, B. Nagy and Z. Jankó: Instant environment perception from a mobile platform with a new generation geospatial database background, EU-US Frontiers of Engineering Symposium, 2017
Cs. Benedek and B. Nagy: Lidar based environment perception and mapping for autonomous vehicles, AutoSens, Brussels, 2018
B. Nagy and Cs. Benedek: 3D CNN Based Semantic Labeling Approach for Mobile Laser Scanning Data, IEEE Sensors Journal, under review, 2019
B. Nagy and Cs. Benedek: 3D CNN Based Semantic Labeling Approach for Mobile Laser Scanning Data, IEEE Sensors Journal, 2019
B. Nagy, L. Kovács and Cs. Benedek: Online Targetless End-to-End Camera-LIDAR Self-calibration, International Conference on Machine Vision Applications (MVA), 2019
B. Nagy, L. Kovács and Cs. Benedek: SFM and Semantic Information Based Online Targetless Camera-Lidar Self-Calibration, IEEE International Conference on Image Processing (ICIP), 2019
Y. Ibrahim, B. Nagy and Cs. Benedek: CNN-based Watershed Marker Extraction for Brick Segmentation in Masonry Walls, nternational Conference on Image Analysis and Recognition (ICIAR), Lecture Notes in Computer Science, 2019
B. Nagy and Cs. Benedek: 3D CNN alapú MLS pontfelhőszegmentáció, Képfeldolgozók és Alakfelismerők Társaságának 12. konferenciája, 2019
Ö. Zováthi, B. Nagy and Cs. Benedek: Valós idejű pontfelhőillesztés és járműlokalizáció nagy felbontású 3D térképen, Képfeldolgozók és Alakfelismerők Társaságának 12. konferenciája, 2019
Ö. Zováthi, Lóránt Kovács, B. Nagy and Cs. Benedek: Multi-object Detection in Urban Scenes Utilizing 3D Background Maps and Tracking, International Conference on Control, Artificial Intelligence, Robotics and Optimization (ICCAIRO), 2019
Ö. Zováthi, B. Nagy and Cs. Benedek: Exploitation of Dense MLS City Maps for 3D Object Detection, International Conference on Image Analysis and Recognition (ICIAR), 2020
Zs. Németh and Cs. Benedek: Automatic tumuli detection in LiDAR based digital elevation maps, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2020
Y. Ibrahim, B. Nagy and Cs. Benedek: A GAN-based Blind Inpainting Method for Masonry Wall Images, International Conference on Pattern Recognition (ICPR), 2021
Zs. Jankó: A tool for manipulating huge point clouds, SZTAKI Technical Report, 2020
Gy. Horváth, Cs. Benedek: Szenzorfúziós és objektumkövető eljárások Lidar méréssorozatok felhasználásával, SZTAKI Technical Report, 2020
Gy. Horváth and Cs. Benedek: Környezetelemzés kompakt lézerszkennerekkel, SZTAKI Technical Report, 2018
Benedek Cs.: Képi alapú többszintű környezetelemzés, MTA Doktori Disszertáció, 2020
Nagy B, Benedek Cs: On-the-Fly Camera and Lidar Calibration, REMOTE SENSING 12: (7) 1137, 2020
Nagy B, Benedek Cs: Real-time point cloud alignment for vehicle localization in a high resolution 3D map, LECTURE NOTES IN COMPUTER SCIENCE 11129: pp. 226-239., 2019
Nagy B, Benedek Cs: 3D CNN Based Semantic Labeling Approach for Mobile Laser Scanning Data, IEEE SENSORS JOURNAL 19: (21) pp. 10034-10045., 2019
Benedek Cs, Gálai B, Nagy B, Jankó Zs: Lidar-based Gait Analysis and Activity Recognition in a 4D Surveillance System, IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY 28: (1) pp. 101-113., 2018
Benedek Cs: An Embedded Marked Point Process Framework for Three-Level Object Population Analysis, IEEE TRANSACTIONS ON IMAGE PROCESSING 26: (9) pp. 4430-4445., 2017
Börcs A, Nagy B, Benedek Cs: Instant Object Detection in Lidar Point Clouds, IEEE GEOSCI REMOTE S 14: (7) 992-996, 2017
B. Gálai, B. Nagy and Cs. Benedek: Crossmodal Point Cloud Registration in the Hough Space for Mobile Laser Scanning Data, International Conference on Pattern Recognition (ICPR), 2016
B. Gálai, and Cs. Benedek: Gait Recognition with Compact Lidar Sensors, International Conference on Computer Vision Theory and Applications (VISAPP), 2017
B. Nagy, and Cs. Benedek: 3D CNN Based Phantom Object Removing from Mobile Laser Scanning Data, International Joint Conference on Neural Networks (IJCNN), 2017
B. Gálai, and Cs. Benedek: Change Detection in Urban Streets by a Real Time Lidar Scanner and MLS Reference data, International Conference on Image Analysis and Recognition (ICIAR), 2017
B. Gálai and Cs. Benedek: Járás alapú személyazonosítás és cselekvésfelismerés LiDAR szenzorokkal, NJSZT Képfeldolgozók és Alakfelismerők Társaságának Konferenciája (Képaf), 2017
B. Nagy, B. Gálai and Cs. Benedek: Multimodális pontfelhőregisztráció Hough tér alapú előillesztéssel, NJSZT Képfeldolgozók és Alakfelismerők Társaságának Konferenciája (Képaf), 2017
Eichhardt, I., Chetverikov, D. and Z. Jankó: Image-guided ToF depth upsampling: a survey, Machine Vision and Applications, 2017
Benedek Cs: An Embedded Marked Point Process Framework for Three-Level Object Population Analysis, IEEE T IMAGE PROCESS 26: (9) 4430-4445, 2017
Börcs A, Nagy B, Benedek Cs: Instant Object Detection in Lidar Point Clouds, IEEE GEOSCI REMOTE S 14: (7) 992-996, 2017
O. Benis, Cs. Benedek: Hepatic vessel extraction using a 3D marked point process model and region growing, Képfeldolgozók és Alakfelismerők Társaságának 13. konferenciája (under review), 2021
Cs. Benedek, B. Nagy and Z. Jankó: Instant environment perception from a mobile platform with a new generation geospatial database background, EU-US Frontiers of Engineering Symposium, 2017



vissza »