基于車(chē)載激光掃描數(shù)據(jù)的城區(qū)道路自動(dòng)提取*

趙海鵬，習(xí)曉環(huán)，王 成，雷 釗

(1 中國(guó)科學(xué)院遙感與數(shù)字地球研究所 中國(guó)科學(xué)院數(shù)字地球重點(diǎn)實(shí)驗(yàn)室，北京 100094； 2 中國(guó)科學(xué)院大學(xué)資源與環(huán)境學(xué)院, 北京 100049)

道路信息在城市精細(xì)制圖、基礎(chǔ)設(shè)施管理、道路安全監(jiān)測(cè)和無(wú)人駕駛技術(shù)應(yīng)用中具有重要作用。傳統(tǒng)的測(cè)量手段或人工檢測(cè)道路、路沿、路燈、交通指示牌及人行道等設(shè)施，人力財(cái)力消耗大，精度和效率有待提高。激光雷達(dá)系統(tǒng)集成激光掃描儀、IMU、GNSS和CCD相機(jī)，能夠快速、直接獲取目標(biāo)表面的精細(xì)幾何信息，為提取道路及道路兩旁細(xì)小地物提供了新途徑[1]，如車(chē)載激光掃描系統(tǒng)(mobile laser scanning，MLS)更靠近地物，能夠采集物體表面垂直方向的信息，并且可在平臺(tái)移動(dòng)的同時(shí)記錄4 000點(diǎn)/m2密度的點(diǎn)云數(shù)據(jù)[2]。尤其在城市地區(qū)，地物類(lèi)型復(fù)雜多樣，往往包含大量不同類(lèi)型的地物，如建筑、綠地、道路、路燈、指示牌、人行道、車(chē)輛等，其中道路點(diǎn)占原始數(shù)據(jù)的比例通常大于50%[3]。有效分離出路面點(diǎn)，不僅可以減少數(shù)據(jù)量，還能提高路面標(biāo)識(shí)線提取與地物分割的效率，因此從原始點(diǎn)云數(shù)據(jù)中快速、準(zhǔn)確地提取道路點(diǎn)云是車(chē)載數(shù)據(jù)處理的關(guān)鍵環(huán)節(jié)。

國(guó)內(nèi)外學(xué)者在利用車(chē)載點(diǎn)云數(shù)據(jù)提取道路方面開(kāi)展了很多研究，如利用點(diǎn)云數(shù)據(jù)的高程差提取路沿作為道路邊界，進(jìn)而提取出道路點(diǎn)，其提取結(jié)果的精度較高[2,4-5]，前提是要求原始點(diǎn)云中存在與路面具有明顯高差的路沿，設(shè)置的高差閾值難以自適應(yīng)有一定高低起伏的路面環(huán)境，算法魯棒性較弱。另外在鄉(xiāng)鎮(zhèn)道路或公路橋梁等路沿相對(duì)較矮甚至沒(méi)有路沿的情況下難以應(yīng)用。一些學(xué)者將原始點(diǎn)云生成二維特征圖像，利用傳統(tǒng)的圖像分割算法提取路面[6-8]。由于轉(zhuǎn)化二維圖像的過(guò)程中會(huì)丟失點(diǎn)云垂直方向的信息，被車(chē)輛或行道樹(shù)遮蓋的部分路面無(wú)法得到有效提取，破壞了路面提取的完整性，且對(duì)道路邊界的識(shí)別度較低，無(wú)法實(shí)現(xiàn)道路精提取。還有學(xué)者基于地形擬合的方法，在路面平整的假設(shè)下，利用RANSAC(random sample consensus)和3D Hough變化檢測(cè)目標(biāo)平面，再計(jì)算所有點(diǎn)到該平面的距離，把距離閾值內(nèi)的點(diǎn)歸為路面點(diǎn)[9-10]。該方法在空間和時(shí)間上開(kāi)銷(xiāo)較大，并且容易將道路兩旁與路面高程相近的地物點(diǎn)錯(cuò)分為地面點(diǎn)。Kumar等[11]以及Boyko與Funkhouser[12]利用參數(shù)化活動(dòng)輪廓模型(snake)，結(jié)合影像地圖、點(diǎn)云的反射強(qiáng)度、脈沖寬度以及平臺(tái)的導(dǎo)航信息等輔助數(shù)據(jù)，提取道路兩側(cè)的邊緣線，不同的道路環(huán)境具有較強(qiáng)的適應(yīng)性，但較依賴(lài)于外部數(shù)據(jù)，而且需要先驗(yàn)知識(shí)以確定初始參數(shù)，可操作性較低?？梢钥闯?，MLS數(shù)據(jù)提取道路特征存在以下幾個(gè)難點(diǎn)：1)點(diǎn)云分布不均勻、無(wú)組織、數(shù)據(jù)量大；2)缺少輔助數(shù)據(jù)，由于車(chē)載平臺(tái)的移動(dòng)，激光會(huì)從不同方向、不同角度被接收，因此如RGB色彩信息和強(qiáng)度信息在未經(jīng)校正的情況下并不穩(wěn)定；3)除道路及鄰近區(qū)域外，還包含大量不同類(lèi)型的地物，如建筑、植被、車(chē)輛等，增加了道路邊界準(zhǔn)確識(shí)別的難度。

本文針對(duì)無(wú)明顯路沿的道路環(huán)境，提出一種基于道路邊緣線檢測(cè)的城區(qū)道路點(diǎn)云提取方法，即在對(duì)路面進(jìn)行分段預(yù)處理后，通過(guò)分析邊緣線與兩側(cè)路面存在的反射強(qiáng)度梯度與點(diǎn)云密度分布特點(diǎn)，提取特征點(diǎn)，再擬合生成邊緣線從而提取路面，最后利用車(chē)載掃描數(shù)據(jù)驗(yàn)證算法的有效性。

1 方法

1.1 基本原理

為了剔除車(chē)載激光掃描數(shù)據(jù)中非道路點(diǎn)云，本文首先根據(jù)路面平均高程設(shè)定閾值，對(duì)原始數(shù)據(jù)進(jìn)行高程濾波，再利用行車(chē)軌跡數(shù)據(jù)完成道路分段。單段路面可近似為平面，因此利用RANSAC平面擬合算法對(duì)路面建模，實(shí)現(xiàn)路面點(diǎn)粗提取，再利用道路邊緣線的反射強(qiáng)度梯度與密度分布特征提取邊緣線點(diǎn)，最后擬合生成邊緣線完成道路精提取，具體流程如圖1所示。

圖1 基于邊緣線的道路點(diǎn)云提取流程Fig.1 Flow chart of road surface extraction based on road boundary

1.2 高程閾值濾波與道路分段

1.3 道路粗提取

經(jīng)過(guò)高程濾波后的單個(gè)路段點(diǎn)云數(shù)據(jù)具有如下特點(diǎn)：1)路面點(diǎn)占數(shù)據(jù)總體的比例大于50%；2)分段后的路面近似為平面。利用RANSAC算法，首先隨機(jī)選取3個(gè)種子點(diǎn)，計(jì)算擬合平面參數(shù)，再統(tǒng)計(jì)點(diǎn)云中到該平面距離在閾值內(nèi)的點(diǎn)數(shù)，迭代取點(diǎn)數(shù)最多的平面為最終結(jié)果。在道路坐標(biāo)系中，Z坐標(biāo)方向與路面法向量方向一致。因此，在每次迭代中，如果α>ε，則該平面一定不是路面，直接進(jìn)入下次迭代，α為擬合平面法向量與坐標(biāo)Z軸的夾角，ε為閾值。計(jì)算滿(mǎn)足條件的擬合平面方差，取其中點(diǎn)數(shù)最多、方差最小的平面為路面。

1.4 道路邊緣線提取

城市地區(qū)一般以路沿作為道路邊界，但在鄉(xiāng)鎮(zhèn)或橋梁公路等道路環(huán)境中，往往無(wú)可識(shí)別的路沿。道路邊緣通常是指位于路面與人行道之間的連接區(qū)域，邊緣線的材質(zhì)區(qū)別于兩側(cè)表面，因此對(duì)激光具有不同的反射特性。為了獲取無(wú)明顯高差特征的道路邊緣線，本文通過(guò)分析邊緣線的形狀特征與反射強(qiáng)度特性提取特征點(diǎn)。以每個(gè)點(diǎn)pi為中心，通過(guò)鄰域搜索計(jì)算局部區(qū)域內(nèi)點(diǎn)云的平均強(qiáng)度值與密度值。

1.4.1 邊緣線點(diǎn)云提取

本文基于點(diǎn)云的反射強(qiáng)度和密度分布特征提取邊緣線點(diǎn)云。

1)反射強(qiáng)度特征

(1)

對(duì)每個(gè)點(diǎn)計(jì)算其所在鄰域與垂直道路方向兩側(cè)鄰域內(nèi)的強(qiáng)度平均值，邊緣線上的點(diǎn)云將滿(mǎn)足以下約束條件：

(2)

2)密度分布特征

統(tǒng)計(jì)以pi為中心、r為半徑的體元素vi內(nèi)所含的點(diǎn)云個(gè)數(shù)，記為DoVP(density of voxel points)[13]，再?gòu)膒i出發(fā)沿道路方向分別移動(dòng)一個(gè)距離di，以r為半徑統(tǒng)計(jì)各體元素內(nèi)的點(diǎn)數(shù)，點(diǎn)云密度梯度可表示為：

(3)

設(shè)定最小密度容差σ，對(duì)邊緣上的點(diǎn)云滿(mǎn)足

(4)

1.4.2 道路邊緣線擬合

不同區(qū)域的道路邊緣線在形態(tài)和反射強(qiáng)度上存在差異，無(wú)法利用固定閾值提取出所有邊緣點(diǎn)，造成結(jié)果中存在一定的稀疏性和間斷性。另外，帶有噪聲的觀測(cè)點(diǎn)也會(huì)影響路面提取的質(zhì)量，因此需要對(duì)提取出的離散邊緣點(diǎn)進(jìn)行矢量化，確定連續(xù)的道路邊界。由于道路邊緣線幾何性質(zhì)不均一，提取出的邊緣線離散點(diǎn)往往存在間斷與突變，加之誤差點(diǎn)，致使一般的曲線擬合方法如，多項(xiàng)式擬合、分段擬合，無(wú)法有效保留道路線的局部特征，并且受局部特征點(diǎn)影響會(huì)降低整體的擬合精度。相比之下B-spline是一種基于多項(xiàng)式方程、由多段曲線連接而成的曲線，具有局部數(shù)據(jù)點(diǎn)變化不影響整體形狀的特點(diǎn)，利用這一特點(diǎn)可以實(shí)現(xiàn)邊緣線的分段擬合，保留其局部特征。本文通過(guò)B-spline曲線擬合從包含噪聲的散亂點(diǎn)云中給出一條光滑曲線，從而確定道路邊緣線。

2 結(jié)果與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)為某一城市大橋周邊兩部分道路區(qū)域，每部分覆蓋道路長(zhǎng)約400 m，數(shù)據(jù)1為直線道路，路面起伏較小，路寬較一致，共有5 000 520個(gè)點(diǎn)；數(shù)據(jù)2在道路中央存在岔口，其余為直線路段，共有5 000 037個(gè)點(diǎn)。兩段數(shù)據(jù)均包含大量路燈、交通指示牌、行道樹(shù)、灌木、防護(hù)欄等地物；另有一段山區(qū)道路數(shù)據(jù)用以驗(yàn)證算法在道路具有較大起伏情況下的有效性，圖2為山區(qū)道路按高程顯示下的效果。

圖2 山區(qū)道路激光點(diǎn)云數(shù)據(jù)Fig.2 LiDAR data of road in mountain area

2.2 實(shí)驗(yàn)結(jié)果

根據(jù)最小間隔應(yīng)大于岔路口寬度且相對(duì)平整的路面可適當(dāng)增加間隔大小的原則，本文先對(duì)兩份數(shù)據(jù)分別以30和20 m間隔進(jìn)行分段，再利用不同路段的路面高程信息設(shè)置最小和最大高程閾值，完成高程濾波預(yù)處理。

RANSAC道路粗提取的目的是保留完整路面的同時(shí)剔除道路兩旁的細(xì)小物體，如低矮圍欄和植被等。路面點(diǎn)數(shù)最大值和點(diǎn)到平面的距離閾值是粗提取中的兩個(gè)關(guān)鍵參數(shù)，前者決定算法的迭代次數(shù)，次數(shù)越多，獲得目標(biāo)平面的概率越大，后者過(guò)小會(huì)影響路面點(diǎn)提取的完整性。通過(guò)對(duì)單個(gè)路段數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，確定路面最大點(diǎn)數(shù)為總點(diǎn)數(shù)的0.6倍，距離閾值為0.22 m。

在提取邊界點(diǎn)之前，首先需要確定鄰域搜索的最佳半徑r，r過(guò)大容易引入非邊界點(diǎn)，這里根據(jù)邊緣線的寬度范圍取0.15～0.2 m。確定強(qiáng)度梯度閾值和密度梯度閾值需要考慮不同的掃描儀、采集方式以及激光入射角和路面材質(zhì)等因素。本文通過(guò)對(duì)單段數(shù)據(jù)進(jìn)行試驗(yàn)，確定邊緣線與兩側(cè)路面的強(qiáng)度梯度和密度梯度范圍分別為10～15和5～10，最終分別取10和5作為參數(shù)閾值。由于兩組數(shù)據(jù)由相同儀器采集，采集方法相同，且路面狀況相似，因此該參數(shù)閾值對(duì)于兩份數(shù)據(jù)均適用。城區(qū)道路與山區(qū)道路的邊緣線提取結(jié)果見(jiàn)圖3。

最后根據(jù)道路的分段數(shù)均勻劃分B-spline曲線的參數(shù)域，對(duì)邊緣點(diǎn)進(jìn)行3次B-spline曲線擬合。

綜合上述實(shí)驗(yàn)參數(shù)對(duì)兩組數(shù)據(jù)進(jìn)行處理后，最終得到的路面提取結(jié)果如圖4所示。

為了對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行評(píng)估，通過(guò)手工選取實(shí)驗(yàn)數(shù)據(jù)中的路面點(diǎn)作為參考數(shù)據(jù)，再根據(jù)Wang等[14]提出的方法計(jì)算完整度p、準(zhǔn)確度r與提取質(zhì)量q，進(jìn)行算法的定量評(píng)估，如下：

(5)

式中：TP表示正確分類(lèi)的路面點(diǎn)個(gè)數(shù)；FN表示遺漏的路面點(diǎn)個(gè)數(shù)，即屬于路面點(diǎn)但未被歸為路面點(diǎn)的個(gè)數(shù)；FP表示錯(cuò)誤分類(lèi)的路面點(diǎn)個(gè)數(shù)，即不屬于路面點(diǎn)而被歸為路面點(diǎn)的個(gè)數(shù)。

圖3 道路邊緣線提取結(jié)果Fig.3 Results of road boundary extraction

表1為本文方法的精度評(píng)價(jià)指標(biāo)，可知算法對(duì)路面的提取結(jié)果較好，其中完整度、準(zhǔn)確度與提取質(zhì)量均超過(guò)90%，證明絕大部分的路面點(diǎn)均得到有效提取。

表1 道路提取結(jié)果精度分析Table 1 Accuracy analysis of road extraction results %

2.3 分析與討論

當(dāng)?shù)缆访娲嬖谄鸱鼤r(shí)會(huì)降低分段的準(zhǔn)確度，影響算法有效性，尤其在山區(qū)等地勢(shì)變化較大的地區(qū)。通過(guò)山區(qū)道路的實(shí)驗(yàn)結(jié)果，如圖4，大部分道路邊緣點(diǎn)得到有效提取，可見(jiàn)算法在路面具有較大高程起伏的環(huán)境下仍然有效。

與高差閾值法[2]和特征圖像法[6]在無(wú)路沿環(huán)境下的道路邊緣檢測(cè)效果相比，由于道路邊界與路面不存在明顯高差，且路面不平整的特點(diǎn)容易造成路面點(diǎn)被檢測(cè)為邊緣點(diǎn)，因此高差閾值法對(duì)道路邊緣的檢測(cè)幾近失效。而特征圖像法通過(guò)將三維點(diǎn)云轉(zhuǎn)換到二維平面，極大提高了算法的時(shí)間效率，在3類(lèi)方法中處于最優(yōu)。但應(yīng)用二維圖像的邊緣檢測(cè)方法容易將草坪邊緣、人行道等物理邊緣作為道路邊界，且容易將路面上方的地物歸為路面，因此在準(zhǔn)確率方面較低。本文提出的算法則具有較高的準(zhǔn)確性和穩(wěn)定性。

路面粗提取采用具有迭代過(guò)程的方法，是算法預(yù)處理部分中的主體，其運(yùn)行時(shí)間大約為每段20.6 s。道路邊緣提取作為算法流程中的主要步驟，要求通過(guò)遍歷所有點(diǎn)以求得最終結(jié)果，其在實(shí)驗(yàn)中的運(yùn)行時(shí)間大約為3.5 min。

在邊緣線提取部分，算法需要遍歷輸入點(diǎn)搜索出滿(mǎn)足條件的特征點(diǎn)，因此需要較大的時(shí)間開(kāi)銷(xiāo)。通過(guò)建立kd樹(shù)索引以及引入多線程并行編碼可在數(shù)據(jù)量較大的情況下有效提高搜索效率，降低運(yùn)行時(shí)間。

3 結(jié)束語(yǔ)

本文以車(chē)載激光點(diǎn)云數(shù)據(jù)為研究對(duì)象，提出一種基于道路邊緣線識(shí)別的路面提取方法，并利用實(shí)際獲取的城區(qū)車(chē)載激光掃描數(shù)據(jù)驗(yàn)證方法的有效性，特別是在無(wú)明顯路沿存在的道路環(huán)境下，本文方法也可以精確識(shí)別出道路邊緣線，為復(fù)雜道路環(huán)境中的道路提取問(wèn)題提供了一個(gè)新的解決思路。同時(shí)本文方法充分利用點(diǎn)云數(shù)據(jù)固有的三維信息，流程簡(jiǎn)單，無(wú)需輔助數(shù)據(jù)的支持。

由于城區(qū)道路的復(fù)雜性，加上本文方法涉及的參數(shù)較多，其中閾值參數(shù)無(wú)法在不同的道路環(huán)境中實(shí)現(xiàn)自適應(yīng)，特別是復(fù)雜的道路環(huán)境提取道路邊緣點(diǎn)精度有待提高，如對(duì)具有岔口的道路邊緣線擬合效果較差，降低了路面提取的質(zhì)量。針對(duì)本文方法的不足之處，今后將在以下幾個(gè)方面展開(kāi)進(jìn)一步研究：1)根據(jù)不同的道路環(huán)境，設(shè)計(jì)具有自適應(yīng)能力的閾值；2)優(yōu)化搜索半徑，提高邊緣點(diǎn)的識(shí)別準(zhǔn)確率；3)探索新的道路線擬合方法，提高復(fù)雜道路環(huán)境的邊緣線擬合質(zhì)量。

本文所用的車(chē)載激光掃描點(diǎn)云數(shù)據(jù)由易圖通科技(北京)有限公司提供，作者在此表示感謝。