基于車載激光掃描的城市道路提取方法

張　達(dá)，李 霖，李　游

（武漢大學(xué)資源與環(huán)境科學(xué)學(xué)院，湖北武漢430079）

基于車載激光掃描的城市道路提取方法

張達(dá)，李 霖，李游

（武漢大學(xué)資源與環(huán)境科學(xué)學(xué)院，湖北武漢430079）

針對利用車載激光掃描數(shù)據(jù)進(jìn)行道路信息提取的問題，通過分析城市環(huán)境中道路與鄰近區(qū)域點(diǎn)云的高程差異，結(jié)合區(qū)域生長等圖像處理算法，提出了一種城市道路提取方法。該方法算法簡單，無需其他輔助數(shù)據(jù)，利用立得公司提供的兩份點(diǎn)云數(shù)據(jù)進(jìn)行試驗(yàn)，道路提取結(jié)果的正確性、完整性、提取質(zhì)量都超過97%，對于無固定寬度道路、曲線道路等的適應(yīng)情況也較好。

車載激光掃描；道路提??；高程梯度特征圖像；閾值分割；區(qū)域生長

道路信息作為一種重要的基礎(chǔ)地理信息，在城市規(guī)劃、智能交通、應(yīng)急響應(yīng)等領(lǐng)域都發(fā)揮著重要作用，如何高效率、高精度、低成本地進(jìn)行道路信息的采集也成為近年來的研究熱點(diǎn)［1-4］。車載激光掃描作為一種新的空間數(shù)據(jù)采集手段，以車輛為搭載平臺，集成GPS、INS、激光掃描儀、CCD相機(jī)等多種傳感器［5］，在車輛行進(jìn)途中實(shí)時(shí)采集建筑物、植被、道路等地物表面的三維數(shù)據(jù)，為道路信息的采集與更新提供了新途徑。

目前國內(nèi)外學(xué)者針對利用車載激光掃描數(shù)據(jù)提取道路環(huán)境信息展開了廣泛的研究，主要包括道路的提取［6-11］、道路交通標(biāo)線的識別與分類［12-13］，以及交通指示牌、路燈等桿狀地物的識別與分割［10］等方面。其中，在道路提取方面，文獻(xiàn)［6］提出將點(diǎn)云生成高程特征圖像后提取路沿石，并利用不規(guī)則三角網(wǎng)對路面進(jìn)行重建的方法，該方法只適用于簡單、規(guī)則的道路環(huán)境；文獻(xiàn)［7］利用最大熵模糊聚類的方法將散亂點(diǎn)云排列為掃描線，并從中提取近似水平的長直線作為路面，但當(dāng)路面有車輛等障礙物時(shí)算法的準(zhǔn)確性會明顯下降；文獻(xiàn)［8—9］均基于隨機(jī)抽樣一致性算法（RANSAC）提取路面點(diǎn)云，前者對掃描線進(jìn)行二次多項(xiàng)式模型擬合，后者對分段后的點(diǎn)云數(shù)據(jù)進(jìn)行三維平面擬合，但這類方法的計(jì)算效率并不高；文獻(xiàn)［10］利用掃描線上激光點(diǎn)的高程、點(diǎn)密度、坡度等空間分布特征，采用移動(dòng)窗口法對點(diǎn)云濾波后進(jìn)行道路邊界提取；文獻(xiàn)［11］根據(jù)點(diǎn)云的坡度、回波強(qiáng)度、脈沖寬度等信息生成柵格表面后，將GVF Snake模型和Balloon Snake模型結(jié)合來檢測道路邊界，該方法計(jì)算復(fù)雜且其準(zhǔn)確性有待提高。

針對以上問題，本文通過對城市環(huán)境中道路與鄰近區(qū)域之間的高程差異進(jìn)行分析，提出了根據(jù)點(diǎn)云數(shù)據(jù)生成高程梯度特征圖像后結(jié)合區(qū)域生長等圖像處理算法快速提取城市道路的方法。

一、車載點(diǎn)云的道路提取方法

為了從車載激光點(diǎn)云數(shù)據(jù)中提取道路，首先對原始數(shù)據(jù)進(jìn)行分段預(yù)處理，然后利用直方圖凹面分析法計(jì)算高程閾值對點(diǎn)云濾波。為了提高數(shù)據(jù)處理的速度并借鑒圖像處理領(lǐng)域的成熟方法，本文將濾波后的點(diǎn)云數(shù)據(jù)轉(zhuǎn)化為二維圖像，通過生成的高程梯度特征圖像，利用閾值分割、形態(tài)學(xué)處理、區(qū)域生長等方法對道路進(jìn)行提取和優(yōu)化，最后反算到點(diǎn)云數(shù)據(jù)中獲取道路點(diǎn)云數(shù)據(jù)。該方法的具體流程如圖1所示。

圖1　道路提取流程

1.預(yù)處理

隨著車載激光掃描技術(shù)的發(fā)展，其數(shù)據(jù)精度越來越高，數(shù)據(jù)量也越來越大，對原始數(shù)據(jù)直接進(jìn)行處理會造成計(jì)算速度緩慢，而且道路環(huán)境復(fù)雜，如道路兩側(cè)地物類型多、道路形態(tài)多變、路面起伏大等，各部分道路特點(diǎn)并不一致，難以構(gòu)建統(tǒng)一的道路模型，這些都增加了直接處理大范圍數(shù)據(jù)的難度。因此首先利用行車軌跡數(shù)據(jù)L對道路點(diǎn)云進(jìn)行分段，道路情況越復(fù)雜，分段數(shù)越多。如圖2所示，以間隔d對行車軌跡線進(jìn)行等距劃分得到一系列分割點(diǎn)，并在各點(diǎn)處分別作L的垂面，利用垂面將道路點(diǎn)云分段，針對各段數(shù)據(jù)依次處理。

圖2　道路點(diǎn)云分段示意圖

2.點(diǎn)云高程濾波

（1）點(diǎn)云直方圖凹面分析法

Rosenfeld等于1983年提出了一種新的圖像分割閾值選取方法——直方圖凹面分析法，通過構(gòu)造包含圖像灰度直方圖的最小凸多邊形確定最佳分割閾值［10］。該方法不僅可在直方圖為雙峰的情況下合理選取閾值，同時(shí)也可處理單峰、多峰等情況，是一種更為理想的基于灰度直方圖的閾值選取方法。

本文在該方法基礎(chǔ)上提出點(diǎn)云直方圖凹面分析法。首先針對掃描點(diǎn)的某一特征屬性F，如高程值、激光掃描強(qiáng)度等，以w為組距繪制特征屬性的頻數(shù)分布直方圖hs（如圖3所示），組數(shù)為n，各個(gè)矩形依次編號為i=0，1，…，n

對于第i個(gè)矩形，其上邊中點(diǎn)橫坐標(biāo)為特征屬性值fi，縱坐標(biāo)即矩形高度為hi

構(gòu)造包含點(diǎn)（f1，0）、（fn，0）及所有矩形上邊中點(diǎn)（fi，hi）在內(nèi)的最小凸多邊形HS，Hi為凸多邊形上與屬性值fi對應(yīng)的高度，定義Di為直方圖的凹面深度

在點(diǎn)云的特征屬性頻數(shù)直方圖中，凹面深度越大的位置，其兩側(cè)對象的特征屬性差異越大，因此當(dāng)Di取得局部最大值時(shí)得到點(diǎn)云分割閾值T T=fi， 當(dāng)Di=Dmax

圖3　直方圖凹面分析法

（2）高程濾波

由于道路環(huán)境復(fù)雜，道路兩側(cè)的行道樹、路燈、交通指示牌等對路面的準(zhǔn)確提取造成困難，如將點(diǎn)云向水平面投影時(shí)樹冠對道路邊界等可能有遮擋，因此有必要對點(diǎn)云進(jìn)行高程濾波。

分段后的各段道路路面都比較平坦，根據(jù)道路點(diǎn)云的分布規(guī)律，可知路面點(diǎn)的數(shù)量多且高程值變化較小，如圖4（c）所示，對應(yīng)于直方圖中的波峰，樹木等干擾地物的點(diǎn)云高程整體大于路面，且其高程值分布分散，對應(yīng)于波峰右側(cè)的肩部，據(jù)經(jīng)驗(yàn)可知高程分割閾值應(yīng)位于該肩部部分。

圖4　點(diǎn)云高程濾波示例

直方圖凹面分析法對于這種單峰直方圖分割效果較好，因此本文采用該方法選取高程分割閾值。令頻數(shù)最大值對應(yīng)的高程值為hf，掃描點(diǎn)最大高程值為hmax，利用點(diǎn)云直方圖凹面分析法在［hf，hmax］范圍內(nèi)選取分割閾值T，并保留高程值小于T的點(diǎn)云，如圖4所示，即可去除絕大部分非路面點(diǎn)。

3.高程梯度特征圖像

（1）道路的高程梯度特征

在大多數(shù)道路環(huán)境中，路面較為平坦，道路邊界處存在高程躍階，如圖5所示。根據(jù)道路設(shè)計(jì)規(guī)范，路面與兩側(cè)人行道等的高程差一般為10～25 cm。標(biāo)量場中的梯度反映了該標(biāo)量的變化率，路面的高程變化遠(yuǎn)小于道路邊界，因此選擇高程梯度衡量道路的平坦程度并作為后續(xù)提取路面的判斷指標(biāo)。

圖5　道路點(diǎn)云剖面圖

（2）高程梯度特征圖像的生成

首先將點(diǎn)云向XOY平面投影并格網(wǎng)化（如圖6所示），格網(wǎng)間隔為R，利用各格網(wǎng)內(nèi)的點(diǎn)進(jìn)行反距離權(quán)重插值計(jì)算出格網(wǎng)中心點(diǎn)的高程值后，由于部分格網(wǎng)中可能無掃描點(diǎn)分布，因此需再對格網(wǎng)進(jìn)行雙線性插值，然后將其歸一化得到灰度值并生成高程特征圖像I，最后依據(jù)式（1）由高程圖像I得到梯度圖像G，如圖7（a）所示。

圖6　格網(wǎng)示意圖

圖7　高程梯度特征圖像示例

（3）閾值分割與形態(tài)學(xué)處理

由于道路路面與邊界的高程梯度之間有較大差異，故設(shè)置閾值TG對高程梯度圖像進(jìn)行二值化處理，將像素值大于TG的格網(wǎng)灰度設(shè)為1，反之為0，閾值根據(jù)經(jīng)驗(yàn)獲取，結(jié)果如圖7（b）所示。為了填補(bǔ)邊界上存在的孔洞或間斷，使其可以將路面區(qū)域完整包圍在內(nèi)部，利于后續(xù)的區(qū)域生長等操作，筆者采取圖8中的結(jié)構(gòu)元素對二值圖像進(jìn)行膨脹處理，結(jié)果如圖7（c）所示，白色道路邊界明顯，其包圍的中央黑色區(qū)域即為路面，實(shí)現(xiàn)了邊界與路面的分類。

圖8　膨脹結(jié)構(gòu)元素

4.道路區(qū)域生長

任取行車軌跡數(shù)據(jù)上一點(diǎn)，確認(rèn)其對應(yīng)于二值圖像中的格網(wǎng)像素值為0后，以該格網(wǎng)作為種子點(diǎn)進(jìn)行區(qū)域增長。區(qū)域增長的方法過程如下:從已提取的種子點(diǎn)開始，搜索其8鄰域范圍的像素，如果可以滿足局部一致性的生長條件，即像素值也為0，則將該像素作為增長之后的區(qū)域，并作為新的種子點(diǎn)按照上述方法繼續(xù)進(jìn)行搜索，直到?jīng)]有點(diǎn)滿足條件，生長停止。該方法利用路面與邊界之間的梯度差異簡單快速地實(shí)現(xiàn)了路面區(qū)域的分割。

在之前對二值圖像膨脹處理時(shí)，道路邊界的膨脹造成了生長后路面邊緣部分的缺失，為了優(yōu)化分割結(jié)果，采用圖8中的結(jié)構(gòu)元素對提取到的路面進(jìn)行膨脹處理，兩次膨脹處理可以使分割誤差最大限度被抵消。根據(jù)優(yōu)化后的路面分割圖像結(jié)果即可反算得到道路點(diǎn)云數(shù)據(jù)。

最后，由于車輛或行人的遮擋，導(dǎo)致路面上還存在孔洞，填補(bǔ)方法為:根據(jù)高程特征圖像對孔洞所在格網(wǎng)進(jìn)行高程及點(diǎn)密度兩方面的二次插值處理，利用插值結(jié)果在各個(gè)格網(wǎng)范圍內(nèi)隨機(jī)生成掃描點(diǎn)，各點(diǎn)高程相同且設(shè)置為插值后的高程值，掃描點(diǎn)的數(shù)量則取決為插值后的點(diǎn)密度值。經(jīng)過填補(bǔ)對道路點(diǎn)云提取結(jié)果實(shí)現(xiàn)了進(jìn)一步優(yōu)化。

二、試驗(yàn)及分析

1.試驗(yàn)數(shù)據(jù)

本試驗(yàn)采用立得公司采集于武漢城區(qū)的兩份數(shù)據(jù)。數(shù)據(jù)1的掃描范圍大致為950 m×750 m，道路為彎曲道路，路面起伏較大，道路寬度較為一致，總長約為1150 m，共45 175 747個(gè)數(shù)據(jù)點(diǎn)；數(shù)據(jù)2的掃描范圍大致為780 m×300 m，道路平直但其不同路段的寬度變化較大，總長約為1000 m，共30 932 941個(gè)數(shù)據(jù)點(diǎn)。兩段數(shù)據(jù)中都包含大量行道樹、路燈、電力線、車輛等地物。

2.試驗(yàn)結(jié)果

根據(jù)道路復(fù)雜程度不同分別對兩份數(shù)據(jù)設(shè)置50 m、30 m的間隔分段，再利用直方圖凹面分析法對各段點(diǎn)云的高程進(jìn)行分析并獲取閾值，完成高程濾波后生成高程梯度特征圖像。格網(wǎng)的大小是生成圖像的重要參數(shù)，格網(wǎng)過小時(shí)部分格網(wǎng)內(nèi)沒有點(diǎn)或點(diǎn)數(shù)太少，高程梯度圖像中路面噪聲明顯；格網(wǎng)過大則分辨率降低。為了選取合適的格網(wǎng)大小，對兩份數(shù)據(jù)分別抽取部分樣本數(shù)據(jù)進(jìn)行試驗(yàn)，以數(shù)據(jù)1中樣本為例，以0.05、0.07、0.09、0.11 m的間隔生成4幅高程梯度特征圖像（如圖9所示），經(jīng)對比發(fā)現(xiàn)格網(wǎng)大小為0.09 m時(shí)圖像質(zhì)量最高，因此確定格網(wǎng)大小為0.09 m，同理選取數(shù)據(jù)2的格網(wǎng)間隔為0.15 m。

圖9　格網(wǎng)大小的確定

利用高程特征圖像生成梯度圖像后應(yīng)選取合理的梯度閾值進(jìn)行二值化處理。在高程梯度圖像中，路面較為平坦，灰度值一般在0～0.005之間，而邊界處灰度值通常大于0.015，因此選取0.005作為閾值，該參數(shù)對于兩份數(shù)據(jù)均適用。

最終，依據(jù)本文的方法，結(jié)合上述參數(shù)設(shè)置，對數(shù)據(jù)處理后得到的道路提取結(jié)果如圖10所示。

3.試驗(yàn)結(jié)果分析

為了對試驗(yàn)效果進(jìn)行評估，筆者手工提取了道路點(diǎn)云作為參考數(shù)據(jù)，并通過文獻(xiàn)［15］中的方法計(jì)算道路提取的正確性p、完整性r和提取質(zhì)量q作為評價(jià)指標(biāo)，公式如下

式中，TP是試驗(yàn)中正確檢測出的路面點(diǎn)個(gè)數(shù)；FP是檢測錯(cuò)誤的路面點(diǎn)個(gè)數(shù)，即不屬于路面但被歸類為路面點(diǎn)的個(gè)數(shù)；FN是未檢測出的路面點(diǎn)個(gè)數(shù)，即屬于路面但被歸類為非路面點(diǎn)的個(gè)數(shù)。

圖10　道路提取結(jié)果

對兩份數(shù)據(jù)的試驗(yàn)結(jié)果分別進(jìn)行分析，結(jié)果見表1。通過以下數(shù)據(jù)可知，道路提取的結(jié)果較好，兩份數(shù)據(jù)的正確性、完整性及提取質(zhì)量都超過了97%，絕大多數(shù)道路都被正確提取。

表1　試驗(yàn)結(jié)果分析　?。?）

三、結(jié)束語

本文以車載激光掃描數(shù)據(jù)為研究對象，通過分析道路與鄰近區(qū)域點(diǎn)云的高程差異，提出了利用點(diǎn)云生成高程梯度特征圖像，并結(jié)合閾值分割、區(qū)域生長等方法獲取道路點(diǎn)云，探索出了一種適合城市環(huán)境中快速提取道路點(diǎn)云的方法。

該方法算法簡單，無需其他輔助數(shù)據(jù)，而且通過借鑒圖像處理中的方法，避免了大量的幾何計(jì)算，提高了數(shù)據(jù)處理效率。筆者利用立得公司提供的點(diǎn)云數(shù)據(jù)對該方法進(jìn)行了試驗(yàn)驗(yàn)證，在無固定寬度道路、曲線道路等復(fù)雜情況下，道路提取的正確性、完整性、提取質(zhì)量等都較好。

后續(xù)的研究工作將以本文研究為基礎(chǔ)，利用該方法提取的道路數(shù)據(jù)，進(jìn)一步研究道路交通標(biāo)志與標(biāo)線的提取。

［1］ MIAO Zelang，WANG Bin，SHI Wenzhong，et al.A Semi-automatic Method for Road Centerline Extraction from VHR Images［J］.Geoscience and Remote Sensing Letters，2014，11（11）:1856-1860.

［2］ CHEN Hao，YIN Lili，MA Li.Research on Road Information Extraction from High Resolution Imagery Based on Global Precedence［C］∥ 2014 3rd International Workshop on Earth Observation and Remote Sensing Applications（EORSA）.Changsha:IEEE，2014:151-155.

［3］ XU S，VOSSELMAN G，ELBERINK S.Multiple-entity Based Classification of Airborne Laser Scanning Data in Urban Areas［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2014（88）:1-15.

［4］ HU Xiangyun，LI Yijing，SHAN Jie，et al.Road Centerline Extraction in Complex Urban Scenes from LiDAR Data Based on Multiple Features［J］.IEEE Transactions on Geoscience and Remote Sensing，2014，52（11）:7448-7456.

［5］ 楊必勝，魏征，李清泉，等.面向車載激光掃描點(diǎn)云快速分類的點(diǎn)云特征圖像生成方法 ［J］.測繪學(xué)報(bào)，2010，39（5）:540-545.

［6］ JAAKKOLA A，HYYPPA J，HYYPPA H，et al.Retrieval Algorithms for Road Surface Modelling Using Laser-based Mobile Mapping［J］.Sensors，2008，8（9）: 5238-5249.

［7］ YUAN Xia，ZHAO Chunxia，CAI Yunfei，et al.Roadsurface Abstraction Using Ladar Sensing［C］∥Proceedings of 10th International Conference on Control，Automation，Robotics and Vision.Hanoi:IEEE，2008: 1097-1102.

［8］ SMADJA L，NINOT J，GAVRILOVIC T.Road Extraction and Environment Interpretation from Lidar Sensors ［J］.IAPRS，2010（38）:281-286.

［9］ WANG Hanyun，CAI Zhipeng，LUO Huan，et al.Automatic Road Extraction from Mobile Laser Scanning Data ［C］∥Proceedings of 2012 International Conference on Computer Vision in Remote Sensing（CVRS）.Xiamen: IEEE，2012:136-139.

［10］ 方莉娜，楊必勝.車載激光掃描數(shù)據(jù)的結(jié)構(gòu)化道路自動(dòng)提取方法［J］.測繪學(xué)報(bào)，2013，42（2）:260-267.

［11］ KUMAR P，MCELHINNEY C，LEWIS P，et al.An Automated Algorithm for Extracting Road Edges from Terrestrial Mobile LiDAR data［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2013（85）:44-55.

［12］ GUAN Haiyan，JONATHAN L，YU Yongtao，et al. Using Mobile Laser Scanning Data for Automated Extraction of Road Markings［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2014（87）:93-107.

［13］ YANG Bisheng，F(xiàn)ANG Lina，LI Qingquan，et al.Automated Extraction of Road Markings from Mobile LiDAR Point Clouds［J］.Photogrammetric Engineering&Remote Sensing，2012，78（4）:331-338.

［14］ LEHTOMAKI M，JAAKKOLA A，HYYPPA J，et al. Detection of Vertical Pole-like Objects in a Road Environment Using Vehicle-based Laser Scanning Data［J］. Remote Sensing，2010，2（3）:641-664.

［15］ WANG Hanyun，WANG Cheng，CHEN Yiping，et al. Extracting Road Surface from Mobile Laser Scanning Point Clouds in Large Scale Urban Environment［C］∥2014 IEEE 17th International Conference on Intelligent TransportationSystems（ITSC）.Qingdao:IEEE，2014:2912-2917.

Urban Roads Automated Extracting from Mobile Laser Scanning Point Clouds

ZHANG Da，LI Lin，LI You

10.13474/j.cnki.11-2246.2016.0218.

P237

B

0494-0911（2016）07-0030-05

2015-08-10

國家863計(jì)劃（2013AA12A202）

張 達(dá)（1992—），女，碩士生，主要研究方向?yàn)檐囕d激光掃描數(shù)據(jù)處理。E-mail:zhangda_whu@163.com

李 霖

引文格式：張達(dá)，李霖，李游.基于車載激光掃描的城市道路提取方法［J］.測繪通報(bào)，2016（7）:30-34.