基于车载点云数据的道路边界点提取方法
蒋华兵
（浙江省测绘科学技术研究院，浙江 杭州 310000）
摘要：本文针对以往道路边界信息获取存在的效率差、精度低等问题，提出一种基于移动车载激光扫描点云数据的道路边界点提取方法。首先，为减少道路原始点云数据量，提高后续处理算法的效率，使用Volex Grid 滤波器下采样原始车载点云数据，得到抽稀后道路点云数据；其次，使用直通滤波算法对抽稀后点云数据进行滤波处理，剔除高大建筑物、植被等点云数据并使用梯度滤波算法分离地面点与非地面点；最后，使用边界特征估计法完成道路三维边界点的提取。使用两组不同类型路段点云数据进行实验，结果显示本文方法提取直线路段道路边线的完整率与准确率为96.3%、98.8%，提取弯曲路段道路边线的完整率与准确率为91.8%、96.7%，表明本文方法能够有效提取道路边界点，具有较高的准确性，能够为高精地图制作提供可靠的数据支撑。
0 引言
在交通管理中，三维道路边界的语义、几何、地形等信息对于交通事故分析、车道导航具有一定参考价值，因此，面向智能交通管理与高精地图制作，快速获取道路边界信息是目前智慧城市建设的研究热点［1-3］。以往道路边界信息的提取主要基于全站仪与遥感影像技术，这些方法存在效率低、道路边界提取信息不全、精度受限等问题。三维激光扫描技术能够在短时间内采集海量点云数据，具有实时、高效、快速等特征，该技术凭借其较强的穿透能力能够适应各种天气因素，已逐渐成为测绘、市政、应急救援等领域重要的数据采集手段［4-6］，能够解决以往道路边界信息获取存在的不足。
如何从海量的道路点云数据中有效准确提取道路边界点已成为点云分类与提取领域的热点，众多学者进行了研究并取得了积极进展。其中马新江等［7］提出了基于路缘特征的城市道路边界提取方法，首先对原始点云数据进行滤波处理，其次根据不同类型的路缘石边界实现道路边界点的精确提取；吕亚磊等［8］构建基于点云回波强度梯度与局部邻域高差梯度的联合特征，通过联合特征实现道路边界点提取，然而该方法较为复杂；ZHANG W 等［9］通过检测地面小的高度跃迁点定位路缘石位置，从而实现道路边界点提取；YANG B 等［10］通过GPS 时间与角度获取扫描线信息，根据扫描线上点的累计坡度、密度与高程差实现路坎点的提取。
然而，目前基于点云数据的道路边界点提取普遍存在提取精度低、空间环境依赖性高等问题，本文提出了一种基于车载激光扫描点云数据的道路边界点提取方法。首先通过Volex Grid 滤波器对原始点云数据进行抽稀处理，并通过直通滤波、梯度滤波算法实现地面点、非地面点的分离，在以后使用边界特征估计算法提取完整的道路边界点，使用两段不同类型道路点云数据进行实验，以验证本文方法的有效性。
1 道路边界提取方法
1.1 技术流程
目前，城市道路及两侧道路设施较多，环境复杂，利用车载激光扫描技术能够一次性将道路及两侧所有地物、地貌点云数据采集［11］，可通过不同地物点的平面与高程信息实现地物点的分类。本文基于道路场景中不同地物点云的几何与语义特征，构建道路边界点提取流程，如图1所示。首先对原始点云数据进行抽稀、直通滤波、梯度滤波等预处理，其次使用边界特征估计算法实现道路边界点的准确提取。
图1 基于车载点云数据的道路边界点提取技术流程
1.2 数据预处理
1.2.1 点云抽稀
由于原始车载点云数据密度大、范围广，直接对其进行算法处理将严重影响效率，针对此问题，本文在进行后续算法处理前对原始车载点云数据进行预测处理。主要使用Volex Grid 滤波器下采样原始车载点云数据，对点云分布不均匀且密度较大区域进行抽稀，在保证点云整体数据形态的前提下降低点云数据量，提高后续算法的处理效率［12-14］。
1.2.2 点云滤波与梯度滤波
城市道路两侧均为高大地物，与道路面点云在高程上存在很大差异。对于抽稀后的点云数据，使用直通滤波器进行直通滤波，有效去除空间干扰点云。主要方式为根据试验路段点云高程范围设置高程阈值，将高于此高程阈值的点云剔除，只保留道路面及绿化等高程较小点云，得到完整清晰的道路点云数据。
通过八叉树对道路点云数据进行划分，得到若干个长方体点云，在树的等级足够高的前提下每个单元仅包含一种实体点云［15］。使用每个单元内点梯度的模长对标量场值的变化趋势进行反映，经八叉树分割的单元内值变化很小，并且地面点的梯度变化具有连续性与稳定性，通常梯度的模值变化在0～1，假设设置梯度模值阈值为0.3，将小于0.3 的点确定为地面点，将大于0.3的点确定为非地面点，其中包括了道路边界候选点集。通过梯度滤波能够实现地面点、非地面点的有效精准分离。
1.3 边界特征估计算法
将梯度滤波法提取非地面点作为研究对象，使用边界特征估计提取算法进行道路边界点云提取。首先构建法线估计对象与邻域查询阈值K，设置法线角度阈值与估计半径；其次使用KDtree 遍历所有点云数据进行道路边界点云提取，提取过程中K 值的调节非常重要，将直接影响提取结果；最后，通过设置循环分别存储边界点与非边界点，通过计时器记录耗时。
边界特征估计算法提取道路边界点中参数选取尤为重要，如邻域半径的设置法线估计问题，领域半径设置过大会导致提取耗时增加，过小会受到噪声影响［16-17］。同样，法线提供了曲面的曲率信息，对点进行法线估计可以表示为对近似判断表面法线，可以看作是搜寻周围点组成的平面。
2 试验与结果分析
2.1 试验数据
为验证本文道路边界点提取方法的有效性，使用杭州市某地两段不同类型道路进行试验，直线路段长度约为150 m，弯曲路段长度约为100 m，该试验区具有典型的城市道路特征，道路两侧植被与建筑物林立，同时存在多种城市部件，数据采集激光扫描系统为华测导航AS-900HL 车载移动扫描系统。使用IE 软件进行车载扫描轨迹解算与点云数据解算，能够得到厘米级的道路车载点云数据。试验点云数据如图2所示。
图2 试验点云数据
2.2 试验结果
针对两段道路数据集分别进行试验，首先对两段道路进行点云抽稀与点云滤波等预处理，经点云抽稀与直通滤波后，两段道路点云数据集如图3、图4 所示。通过图3 可以看到路面几乎没有遮挡，一些高大植被、建筑物等点云数据基本被滤除，点云数据量大大降低，道路边界清晰，为道路边界点提取做好了准备。
图3 点云抽稀后道路点云数据
图4 直通滤波后道路点云数据
对经点云抽稀、直通滤波后的点云数据集进行梯度滤波，城市道路路缘石高度通常为0.12 m左右，根据路缘石高度将直线路段的梯度阈值考虑在0.1～0.2 m，将弯曲路段的梯度阈值考虑在0.2～0.3 m。将试验间隔设置为0.01 m，通过多次试验当直线路段的梯度阈值设置为0.18 m、弯曲路段的梯度阈值设置为0.25 m 取得最佳试验效果，没有出现欠分割或者过分割的情况。直线路段、弯曲路段通过梯度滤波分割得到的地面点、非地面点如图5、图6所示。
图5 直线路段经梯度滤波结果
图6 弯曲路段经梯度滤波结果
直接使用边界特征估计算法对非地面点进行处理，算法运行时，为了扩大搜索量与减少噪声影响，提高估计值精度，适当调大搜索K 值，然而K 值过大又会降低估计速度［18］。根据经验分析将K 值设置为10 的倍数具有更好的提取结果，文中通过设置不同的K 值得到不同边界提取结果，如图7、图8所示。
图7 直线路段不同K值边界提取结果
图8 弯曲路段不同K值边界提取结果
2.3 结果分析
为定量反映不同K值下的两路段边界提取效果，统计不同K 值下道路边界提取结果的整体点云量、耗时情况以及精度［19-21］，结果如表1、表2所示。
表1 直线路段道路边界提取精度
表2 弯曲路段道路边界提取精度
通过表1、表2可知，对于直线路段，当K值取40 时，道路边界提取耗时最少，精度最高，可知K=40为最佳阈值；对于弯曲路段，当K值取40或者50 时，道路边界提取精度最高，但值取50 时提取耗时较长，总体效率较低，综合考虑K=40 更合适，为最佳阈值。
为了对提出道路边线提取结果进行定量分析与评价，使用完整率、准确率这两个评价指标进行定量评价。完整率CR定义为
式中，Ls表示正确提取道路边线长度；L 表示实际道路边线长度，该值为人工提取道路边线得到。准确率AR定义为
式中，Le表示错误提取道路边线长度。
根据式（2）对提取结果进行统计，结果如表3所示。
表3 道路边线提取结果定量统计 单位：%
由表3 可知，本文方法对两组数据道路边线提取结果的完整率、准确率均在90%以上，具有非常高的提取精度，验证了本文道路边线提取方法的可靠性。
3 结束语
本文基于移动车载激光扫描点云数据，提出了一种三维道路边界点提取方法，该方法实现道路边界点提取主要有点云抽稀、点云滤波以及边界点提取。首先，为尽可能在保证道路地物完整的前提下对原始点云数据进行抽稀处理，尽可能减少点云数据对后续算法处理的影响；其次，根据试验路段点云高程范围设置高程阈值，将高于此高程阈值的点云剔除，只保留道路面及绿化等高程较小点云，得到完整清晰的道路点云数据，同时使用梯度滤波算法实现地面点、非地面点分离，其中道路边界点存在于非地面点中；最后，使用边界特征估计提取算法进行道路边界点云提取。通过实际道路场景点云数据验证了本文方法在直线型道路与弯曲型道路边界点提取的有效性与准确性，为后续道路矢量线的生成与高精地图生产提供了方法依据。本文方法的缺陷在于需要人工试验设置参数阈值，需要多次试验才能得到理想结果。同时，对于地面起伏较大区域，本文方法无法完全提取地面点，道路点云缺失、边界跟踪预测等方面将是下一步的研究重点。
参考文献
［1］ 王艳军，林云浩，王书涵，等.OSM 辅助车载LiDAR 点云三维道路边界精细提取［J］.测绘通报，2022，（7）：18-25.
［2］ 臧静，李永强，赵上斌，等.车载激光点云道路场景杆状地物分类研究［J］.测绘科学，2022，47（4）：122-128.
［3］ 续东，柳景斌，花向红，等.道路空间特征与测量距离相结合的LiDAR道路边界点提取算法［J］.测绘学报，2021，50（11）：1534-1545.
［4］ 胡啸，黄明，周海霞.车载激光扫描数据的高速道路自动提取方法［J］.测绘科学，2019，44（3）：101-106，158.
［5］ 杨伟，艾廷华.运用约束Delaunay 三角网从众源轨迹线提取道路边界［J］.测绘学报，2017，46（2）：237-245.
［6］ 肖信峰，余敏，高飞，等.车载点云数据高速公路路面提取方法［J］.遥感信息，2021，36（6）：147-152.
［7］ 马新江，刘如飞，蔡永宁，等.一种基于路缘特征的点云道路边界提取方法［J］.遥感信息，2019，34（2）：80-85.
［8］ 吕亚磊，李永强，范辉龙，等.基于车载LiDAR 点云联合特征的道路边界提取研究［J］.地理与地理信息科学，2019，35（1）：30-37.
［9］ ZHANG W M，QI J B，WAN P，et al.An easy-to-use airborne LiDAR data filtering method based on cloth simulation［J］.Remote Sensing，2016，8（6）：501.
［10］ YANG B S，DONG Z，LIU Y，et al.Computing multiple aggregation levels and contextual features for road facilities recognition using mobile laser scanning data［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2017，126：180-194.
［11］ 李鹏飞，刘中华，刘如飞.车载移动测量系统在路面平整度评价中的应用［J］.北京测绘，2019，33（1）：67-70.
［12］ 刘如飞，马新江，卢秀山，等.利用多元LBP 特征自动提取城市道路边界［J］.遥感学报，2022，26（3）：541-554.
［13］ 邓烨.基于无人机点云数据的道路标志提取与规则化［D］.淮南：安徽理工大学，2021.
［14］ 姚连璧，秦长才，张邵华，等.车载激光点云的道路标线提取及语义关联［J］.测绘学报，2020，49（4）：480-488.
［15］ 李通.车载LiDAR技术在高速公路改扩建勘测中的应用［J］.北京测绘，2022，36（5）：611-614.
［16］ 方莉娜，卢丽靖，赵志远，等.车载激光点云道路边界提取的Snake方法［J］.测绘学报，2020，49（11）：1438-1450.
［17］ 米晓新，杨必胜，董震.车载激光点云道路场景可视域快速计算与应用［J］.武汉大学学报（信息科学版），2020，45（2）：258-264.
［18］ 成斌，管海燕，季秋菊，等.车载LiDAR 数据的道路裂缝信息自动提取［J］.测绘科学，2018，43（8）：130-134，140.
［19］ 刘亮.基于激光雷达的结构化道路环境感知及避障路径规划方法研究［D］.西安：长安大学，2021.
［20］ 谢宏全，汪秋玲，蔡东健，等.利用车载LiDAR 点云数据提取城市道路边界［J］.测绘通报，2021（2）：64-67.
［21］ 满丹，王慧，李烁，等.车载激光扫描数据的道路边界线提取方法［J］.测绘科学技术学报，2017，34（6）：612-616.
引文格式：蒋华兵.基于车载点云数据的道路边界点提取方法［J］.北京测绘，2023，37（9）：1243-1247.
作者简介：蒋华兵（1990—），男，浙江临海人，大学本科，工程师，从事测绘地理信息工作。
E-mail: 3402650949@qq.com
转自：“测绘学术资讯”微信公众号
如有侵权，请联系本站删除！
