復(fù)雜激光點(diǎn)云數(shù)據(jù)中路面自動(dòng)化提取技術(shù)

陳天珩，于 斌，馬 羊，張福儉

(1.東南大學(xué) 交通學(xué)院，江蘇 南京 211189;2.中交雄安投資有限公司，河北 保定 071000)

由車載激光雷達(dá)所生成的點(diǎn)云數(shù)據(jù)可以較為精確地反映道路三維環(huán)境。它的工作原理是用激光發(fā)射器向目標(biāo)發(fā)射激光信號(hào)，并接收目標(biāo)反射回來的激光信號(hào)，可以得到目標(biāo)點(diǎn)的相關(guān)信息，并結(jié)合激光發(fā)射器的位置、高度、激光發(fā)射方向和激光掃描角度，可以準(zhǔn)確計(jì)算出目標(biāo)點(diǎn)的坐標(biāo)，并獲得點(diǎn)的反射強(qiáng)度等相關(guān)信息。通過從采集的高精度點(diǎn)云數(shù)據(jù)中提取不同的道路信息可以實(shí)現(xiàn)道路基礎(chǔ)設(shè)施的數(shù)字化，也可以幫助構(gòu)建高精度地圖以及用于無人駕駛[1，2]。但由于激光雷達(dá)所獲得的數(shù)據(jù)量十分龐大，不能直接獲得所需的道路信息，因此需要先對(duì)其進(jìn)行處理，區(qū)分出路面點(diǎn)與非路面點(diǎn)，并進(jìn)一步提取相關(guān)道路要素。

Guan[3]提出了一種基于斜率與高程判斷道路邊界的路面提取方法，在對(duì)數(shù)據(jù)分層之后，根據(jù)斜率與高程篩選出可能是道路邊界的點(diǎn)。續(xù)東等[4]結(jié)合道路空間特征和測(cè)量距離進(jìn)行道路邊界的識(shí)別，方莉娜等[5]使用主動(dòng)輪廓模型算法識(shí)別道路邊界，但是這些方法在識(shí)別道路邊界時(shí)需要一定的先驗(yàn)知識(shí)。Guo等[6]將掃描角也用于判斷路面點(diǎn)的指標(biāo)之一，不過，并非所有的點(diǎn)云數(shù)據(jù)集中都含有掃描角這一數(shù)據(jù)。也有不少學(xué)者將聚類[7，8]與馬爾可夫隨機(jī)場(chǎng)[9]的方法用于路面點(diǎn)的提取中，不過這對(duì)點(diǎn)云降噪的要求較高。

區(qū)域生長(zhǎng)的方法直接利用路面點(diǎn)的特性，也是一種較為熱門的方法[10，11]。Li等[12]提出了一種基于鄰域數(shù)、曲率和高程的初始種子點(diǎn)選擇方法，并以種子點(diǎn)和鄰域點(diǎn)的連線與種子點(diǎn)切平面的夾角為區(qū)域生長(zhǎng)條件進(jìn)行路面點(diǎn)提取。在使用區(qū)域生長(zhǎng)算法對(duì)路面進(jìn)行分割時(shí)，由于道路環(huán)境的復(fù)雜性，區(qū)域有可能會(huì)被過度分割，并且區(qū)域生長(zhǎng)的方法可能會(huì)受到由于中央分隔帶或行駛車輛遮擋導(dǎo)致部分路面點(diǎn)缺失的影響。

近幾年神經(jīng)網(wǎng)絡(luò)[13-15]也逐漸被用于點(diǎn)云數(shù)據(jù)提取中。Engelmann等[16]研究了如何結(jié)合包括鄰域信息在內(nèi)的空間背景環(huán)境，從而改進(jìn)用于三維語義分割的神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)。Balado等[17]借助神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)并選擇可以對(duì)點(diǎn)進(jìn)行分類的相關(guān)特征，從而完成語義分割，識(shí)別出點(diǎn)屬于哪個(gè)元素。神經(jīng)網(wǎng)絡(luò)的方法需要有大量標(biāo)定好的樣本用于機(jī)器學(xué)習(xí)，對(duì)所擁有的標(biāo)定好的樣本數(shù)量要求較高。

本文提出了一種點(diǎn)云數(shù)據(jù)中路面點(diǎn)的識(shí)別方法，首先基于最近行車軌跡數(shù)據(jù)點(diǎn)進(jìn)行道路剖面的劃分，使用K維數(shù)據(jù)空間分割樹(K-dimensional tree，KD-Tree)搜索出每個(gè)點(diǎn)的最近行車軌跡點(diǎn)。并根據(jù)它們的編號(hào)進(jìn)行剖面的劃分。然后采用點(diǎn)到行車軌跡的距離、高程、兩個(gè)連續(xù)點(diǎn)的距離這三項(xiàng)指標(biāo)，通過它們的閾值進(jìn)行路面點(diǎn)的判定與提取。本方法所用到的數(shù)據(jù)包括點(diǎn)的坐標(biāo)以及行車軌跡數(shù)據(jù)，是通用點(diǎn)云數(shù)據(jù)集中都含有的數(shù)據(jù)。

1 道路邊界點(diǎn)的提取

1.1 道路剖面的劃分

在提取路面點(diǎn)時(shí)，在某些情況下，例如，行車軌跡與路線方向存在偏差、所在路段縱坡較大時(shí)，可能需要設(shè)置動(dòng)態(tài)的閾值。因此，需要先將其劃分為若干個(gè)剖面，從而便于根據(jù)剖面設(shè)置動(dòng)態(tài)閾值。本文采用的是基于最近行車軌跡點(diǎn)的剖面劃分方法，使用KD-Tree從行車軌跡數(shù)據(jù)點(diǎn)中搜索出點(diǎn)云數(shù)據(jù)中每個(gè)點(diǎn)的最近行車軌跡數(shù)據(jù)點(diǎn)，所有最近行車軌跡點(diǎn)相同的點(diǎn)云作為同一個(gè)剖面上的點(diǎn)，之后再根據(jù)具體需要按照最近行車軌跡點(diǎn)的編號(hào)進(jìn)行剖面的劃分。本次采用的數(shù)據(jù)集1共483個(gè)行車軌跡數(shù)據(jù)點(diǎn)，8 508 372個(gè)點(diǎn)云數(shù)據(jù)。初始點(diǎn)云數(shù)據(jù)見圖1，最近行車軌跡數(shù)據(jù)點(diǎn)編號(hào)為20～70的點(diǎn)云數(shù)據(jù)見圖2。

圖1 初始點(diǎn)云數(shù)據(jù)圖

圖2 最近行車軌跡數(shù)據(jù)點(diǎn)編號(hào)為20～70的點(diǎn)云數(shù)據(jù)

1.2 道路邊界點(diǎn)的提取

在橫斷面方向上，從行車軌跡點(diǎn)開始向兩邊延伸，在路面范圍內(nèi)點(diǎn)的相關(guān)特性不會(huì)發(fā)生大的變化，當(dāng)?shù)竭_(dá)道路邊界的時(shí)候，點(diǎn)的相關(guān)特征會(huì)有明顯改變。這些點(diǎn)的特征中，高程的變化最為顯著，因此可以依據(jù)高程的變化進(jìn)行道路邊界點(diǎn)的提取。圖3為道路可行駛區(qū)域示意圖。

圖3 道路可行駛區(qū)域示意圖

在根據(jù)高程變化進(jìn)行道路邊界點(diǎn)提取時(shí)，可能會(huì)受到中央分隔帶以及路面行駛車輛點(diǎn)的影響。依據(jù)高程變化點(diǎn)到行車軌跡點(diǎn)的距離以及道路邊界點(diǎn)的連續(xù)性特征可以進(jìn)一步判斷該高程變化點(diǎn)是否是邊界點(diǎn)。圖4為提取的道路邊界點(diǎn)。

圖4 道路邊界點(diǎn)

2 路面點(diǎn)的提取

2.1 路面點(diǎn)提取指標(biāo)

2.1.1 點(diǎn)到行車軌跡的距離

點(diǎn)到行車軌跡的距離可以用來判斷點(diǎn)在橫斷面方向上的位置，從而確定路面范圍。若行車軌跡為曲線，可以通過采用KD-Tree從行車軌跡數(shù)據(jù)中搜索出距離目標(biāo)點(diǎn)最近的行車軌跡點(diǎn)以及對(duì)應(yīng)的最短距離，作為點(diǎn)到行車軌跡的距離di。若行車軌跡為直線，則可直接將行車軌跡投影至XY平面并擬合為直線AX+BY+C=0，點(diǎn)到行車軌跡的距離即為點(diǎn)到該直線的距離。

(1)

本文中的坐標(biāo)皆為大地坐標(biāo)系，直接使用點(diǎn)云數(shù)據(jù)中的坐標(biāo)數(shù)據(jù)。di的值保留正負(fù)號(hào)用來判斷點(diǎn)在行車軌跡的哪一測(cè)。正號(hào)表示點(diǎn)在行車軌跡的右側(cè)，負(fù)號(hào)表示點(diǎn)的行車軌跡的左側(cè)。

2.1.2 兩個(gè)連續(xù)點(diǎn)的距離

兩個(gè)連續(xù)點(diǎn)的距離可以反映的是激光掃描點(diǎn)的密集程度，這和激光掃描儀與被掃描物體的距離以及入射角有關(guān)。兩個(gè)連續(xù)點(diǎn)的距離Li越小，激光掃描點(diǎn)的密集程度越密。

(2)

2.1.3 高程

高程包括掃描點(diǎn)的高程Zi以及兩個(gè)連續(xù)點(diǎn)的高程差▽hi，在路面可行駛區(qū)域的范圍內(nèi)，在到達(dá)邊界處的高程突變之前，兩個(gè)連續(xù)點(diǎn)的高程差是很小的。

▽hi=Zi+1-Zi

(3)

2.2 路面點(diǎn)提取方法

本文提出的方法思路如下。首先，根據(jù)點(diǎn)到行車軌跡的距離從行車軌跡點(diǎn)開始向兩邊延伸，直到延伸至道路邊界為止，從而初步確定路面范圍。接下來，由于路面點(diǎn)的部分特征具有相似性，因此再引入高程與兩個(gè)連續(xù)點(diǎn)的距離這兩個(gè)指標(biāo)，從行車軌跡點(diǎn)向兩側(cè)延伸至邊界的過程中，發(fā)生高程凸起或是兩個(gè)連續(xù)點(diǎn)的距離、高程差發(fā)生明顯變化的點(diǎn)則不屬于路面點(diǎn)。

根據(jù)2.1節(jié)中提出的3個(gè)指標(biāo)進(jìn)行路面點(diǎn)的提取，若這些指標(biāo)滿足以下4個(gè)條件，則將其視為路面點(diǎn)

dGmin

(4)

Zi

(5)

▽hi

(6)

Li

(7)

式中:dGmin、dGmax、ZG、hG和LG為各指標(biāo)的閾值。

dGmin和dGmax的取值由之前提取的道路邊界點(diǎn)至行車軌跡點(diǎn)的距離決定，從而實(shí)現(xiàn)從行車軌跡開始向兩側(cè)延伸直至道路邊界的搜索過程。ZG由每個(gè)剖面的行車軌跡高程決定，其值在每個(gè)剖面行車軌跡高程的基礎(chǔ)上略微取大一些作為保守值。對(duì)于路面點(diǎn)而言，兩個(gè)連續(xù)點(diǎn)的高程差與距離不會(huì)發(fā)生大的變化，通過人工選擇一些相鄰的路面點(diǎn)發(fā)現(xiàn)，兩個(gè)連續(xù)路面點(diǎn)的高程差一般小于0.02m，兩個(gè)連續(xù)路面點(diǎn)的距離一般小于0.12 m，hG和LG的取值在此基礎(chǔ)上再略微取大一些作為保守值。本文采用數(shù)據(jù)集1的閾值取值，見表1。

表1 數(shù)據(jù)集1閾值取值

2.3 其它道路要素點(diǎn)提取方法

在路面點(diǎn)的上方，可能還會(huì)有路面上行駛車輛的點(diǎn);在道路邊界附近，還會(huì)有路邊行道樹的點(diǎn)。在從行車軌跡點(diǎn)向兩側(cè)邊界延伸的過程中，在到達(dá)邊界之前發(fā)生高程凸起的地方即為有行駛車輛的地方;在到達(dá)邊界附近后高程明顯變高的即為路邊行道樹點(diǎn)。因此，根據(jù)每個(gè)剖面的高程變化并結(jié)合點(diǎn)到行車軌跡的距離可以實(shí)現(xiàn)路面行駛車輛點(diǎn)以及路邊行道樹點(diǎn)的提取。提取結(jié)果見圖5和圖6。

圖5 路面行駛車輛點(diǎn)

圖6 路邊行道樹點(diǎn)

最終提取出的路面點(diǎn)及其它道路要素點(diǎn)見圖7。

圖7 算法提取結(jié)果

3 點(diǎn)云數(shù)據(jù)缺失及應(yīng)對(duì)方案

3.1 點(diǎn)云數(shù)據(jù)缺失原因

當(dāng)激光雷達(dá)掃描道路周邊環(huán)境時(shí)，部分路面點(diǎn)可能會(huì)被路面上的其它行駛車輛遮擋導(dǎo)致無法被激光所捕捉到。如圖8所示，路面點(diǎn)缺失原因主要包括中央分隔帶，路面行駛車輛以及路邊行道樹的遮擋。

其中，如圖8(a)所示，圖中可以看到存在一個(gè)“斷層”區(qū)域。該“斷層”區(qū)域的路面點(diǎn)由于中央分隔帶的遮擋沒有被激光掃描到，而圖中卻能看到該“斷層”區(qū)域的行駛車輛，這是由于行駛車輛的高度一般大于中央分隔帶的高度，行駛車輛的大部分表面可以被激光掃描到，因此出現(xiàn)了圖8(a)中“斷層”區(qū)域沒有路面點(diǎn)，卻有行駛車輛點(diǎn)的情況。

圖8 路面點(diǎn)缺失原因

3.2 應(yīng)對(duì)方案

導(dǎo)致路面點(diǎn)缺失最多的原因是中央分隔帶的遮擋，行駛車輛遮擋與行道樹遮擋導(dǎo)致的路面點(diǎn)缺失相對(duì)較少。

如圖9所示，中央分隔帶遮擋住的區(qū)域大小與θ角有關(guān)，θ角與激光發(fā)射器高度，中央分隔帶高度以及兩者間的水平距離有關(guān)。

圖9 中央分隔帶遮擋示意圖

(8)

激光發(fā)射器越高，中央分隔帶越低，兩者間的水平距離越小，則θ角越大，中央分隔帶遮擋住的區(qū)域越小。不同道路之間的中央分隔帶高度相差不會(huì)特別大，激光發(fā)射器一般位于車頂，其高度也不會(huì)相差很大，所以激光發(fā)射器與中央分隔帶之間的水平距離是影響路面點(diǎn)缺失數(shù)量的主要因素。因此，為減少由于中央分隔帶遮擋導(dǎo)致的部分路面點(diǎn)缺失，載有激光雷達(dá)的車輛應(yīng)盡量靠近中央分隔帶行駛。若實(shí)際條件不允許靠近中央分隔帶行駛，實(shí)際路面點(diǎn)的缺失較大，那么載有激光雷達(dá)車輛可分別在中央分隔帶的兩側(cè)行駛一次，從而補(bǔ)充一開始被遮擋住的那一側(cè)的路面點(diǎn)。

4 算法適用性檢驗(yàn)

本文共采用3個(gè)南京市城市道路的數(shù)據(jù)集加以驗(yàn)證。前文已經(jīng)展示了數(shù)據(jù)集1的提取結(jié)果，接下來使用數(shù)據(jù)集2和3加以驗(yàn)證。數(shù)據(jù)集2共7 813 293個(gè)點(diǎn)云數(shù)據(jù)點(diǎn)，721個(gè)行車軌跡點(diǎn);數(shù)據(jù)集3共6 609 614個(gè)數(shù)據(jù)點(diǎn)，557個(gè)行車軌跡點(diǎn)。

其中，由于道路寬度、高程和行車軌跡位置等因素的不同，相關(guān)參數(shù)閾值的取值也有所不同，需要作一些調(diào)整。由于本文采用的數(shù)據(jù)集行車軌跡與路線方向基本一致，因此每個(gè)數(shù)據(jù)集的dGmin與dGmax設(shè)為定值即可，若行車軌跡與路線方向不一致，那么dGmin與dGmax需要設(shè)為動(dòng)態(tài)的閾值，由每個(gè)剖面上的邊界點(diǎn)至其最近行車軌跡點(diǎn)的距離決定。相關(guān)參數(shù)的取值見表2。

表2 3個(gè)數(shù)據(jù)集的參數(shù)閾值取值

數(shù)據(jù)集2和數(shù)據(jù)集3的提取結(jié)果見圖10和11。

圖10 數(shù)據(jù)集2提取結(jié)果

圖11 數(shù)據(jù)集3提取結(jié)果

由于數(shù)據(jù)集2和3中載有激光雷達(dá)車輛行駛位置與中央分隔帶較近，因此不存在數(shù)據(jù)集1提取結(jié)果中的“斷層區(qū)域”，只有部分因?yàn)檐囕v遮擋而沒有被激光掃描到的區(qū)域。結(jié)果表明3個(gè)數(shù)據(jù)集都有較好的提取效果。

5 結(jié)束語

(1)本文提出了一種基于最近行車軌跡點(diǎn)的道路剖面劃分方法，使用KD-Tree搜索出每個(gè)點(diǎn)的最近行車軌跡點(diǎn)并根據(jù)它們的編號(hào)來將整個(gè)路段劃分為若干個(gè)剖面。

(2)本方法提出了兩個(gè)連續(xù)點(diǎn)的距離、高程和點(diǎn)到行車軌跡的距離這三項(xiàng)指標(biāo)，并通過它們的閾值進(jìn)行路面點(diǎn)的提取。主要思路是以行車軌跡數(shù)據(jù)為依托，每個(gè)剖面從該剖面上的行車軌跡數(shù)據(jù)點(diǎn)開始向兩側(cè)延伸，直到延伸至道路邊界為止，從而初步確定路面范圍，再依據(jù)高程與兩個(gè)連續(xù)點(diǎn)的距離這兩個(gè)指標(biāo)，從行車軌跡點(diǎn)向兩側(cè)延伸至邊界的過程中，滿足其閾值條件的即為路面點(diǎn)。

(3)點(diǎn)云數(shù)據(jù)集中由于中央分隔帶，路面行駛車輛以及路邊行道樹的遮擋可能會(huì)存在部分路面點(diǎn)的缺失，其中中央分隔帶的影響最大。可以通過適當(dāng)抬高激光發(fā)射器高度，使載有激光雷達(dá)車輛靠近中央分隔帶行駛等措施減少被遮擋住的路面區(qū)域。

(4)本文采用3個(gè)南京市城市道路的數(shù)據(jù)集作算法的驗(yàn)證，經(jīng)過算法適用性檢驗(yàn)，最終得到了較好的提取結(jié)果。