基于車載激光掃描的城市道路提取方法

張　達，李 霖，李　游

（武漢大學資源與環境科學學院，湖北武漢430079）

基于車載激光掃描的城市道路提取方法

張達，李 霖，李游

（武漢大學資源與環境科學學院，湖北武漢430079）

針對利用車載激光掃描數據進行道路信息提取的問題，通過分析城市環境中道路與鄰近區域點云的高程差異，結合區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，無需其他輔助數據，利用立得公司提供的兩份點云數據進行試驗，道路提取結果的正確性、完整性、提取質量都超過97%，對于無固定寬度道路、曲線道路等的適應情況也較好。

車載激光掃描；道路提??；高程梯度特征圖像；閾值分割；區域生長

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

目前國內外學者針對利用車載激光掃描數據提取道路環境信息展開了廣泛的研究，主要包括道路的提?。?-11］、道路交通標線的識別與分類［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［6］提出將點云生成高程特征圖像后提取路沿石，并利用不規則三角網對路面進行重建的方法，該方法只適用于簡單、規則的道路環境；文獻［7］利用最大熵模糊聚類的方法將散亂點云排列為掃描線，并從中提取近似水平的長直線作為路面，但當路面有車輛等障礙物時算法的準確性會明顯下降；文獻［8—9］均基于隨機抽樣一致性算法（RANSAC）提取路面點云，前者對掃描線進行二次多項式模型擬合，后者對分段后的點云數據進行三維平面擬合，但這類方法的計算效率并不高；文獻［10］利用掃描線上激光點的高程、點密度、坡度等空間分布特征，采用移動窗口法對點云濾波后進行道路邊界提??；文獻［11］根據點云的坡度、回波強度、脈沖寬度等信息生成柵格表面后，將GVF Snake模型和Balloon Snake模型結合來檢測道路邊界，該方法計算復雜且其準確性有待提高。

針對以上問題，本文通過對城市環境中道路與鄰近區域之間的高程差異進行分析，提出了根據點云數據生成高程梯度特征圖像后結合區域生長等圖像處理算法快速提取城市道路的方法。

一、車載點云的道路提取方法

為了從車載激光點云數據中提取道路，首先對原始數據進行分段預處理，然后利用直方圖凹面分析法計算高程閾值對點云濾波。為了提高數據處理的速度并借鑒圖像處理領域的成熟方法，本文將濾波后的點云數據轉化為二維圖像，通過生成的高程梯度特征圖像，利用閾值分割、形態學處理、區域生長等方法對道路進行提取和優化，最后反算到點云數據中獲取道路點云數據。該方法的具體流程如圖1所示。

圖1　道路提取流程

1.預處理

隨著車載激光掃描技術的發展，其數據精度越來越高，數據量也越來越大，對原始數據直接進行處理會造成計算速度緩慢，而且道路環境復雜，如道路兩側地物類型多、道路形態多變、路面起伏大等，各部分道路特點并不一致，難以構建統一的道路模型，這些都增加了直接處理大范圍數據的難度。因此首先利用行車軌跡數據L對道路點云進行分段，道路情況越復雜，分段數越多。如圖2所示，以間隔d對行車軌跡線進行等距劃分得到一系列分割點，并在各點處分別作L的垂面，利用垂面將道路點云分段，針對各段數據依次處理。

圖2　道路點云分段示意圖

2.點云高程濾波

（1）點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。

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

對于第i個矩形，其上邊中點橫坐標為特征屬性值fi，縱坐標即矩形高度為hi

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

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

圖3　直方圖凹面分析法

（2）高程濾波

由于道路環境復雜，道路兩側的行道樹、路燈、交通指示牌等對路面的準確提取造成困難，如將點云向水平面投影時樹冠對道路邊界等可能有遮擋，因此有必要對點云進行高程濾波。

分段后的各段道路路面都比較平坦，根據道路點云的分布規律，可知路面點的數量多且高程值變化較小，如圖4（c）所示，對應于直方圖中的波峰，樹木等干擾地物的點云高程整體大于路面，且其高程值分布分散，對應于波峰右側的肩部，據經驗可知高程分割閾值應位于該肩部部分。

圖4　點云高程濾波示例

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。令頻數最大值對應的高程值為hf，掃描點最大高程值為hmax，利用點云直方圖凹面分析法在［hf，hmax］范圍內選取分割閾值T，并保留高程值小于T的點云，如圖4所示，即可去除絕大部分非路面點。

3.高程梯度特征圖像

（1）道路的高程梯度特征

在大多數道路環境中，路面較為平坦，道路邊界處存在高程躍階，如圖5所示。根據道路設計規范，路面與兩側人行道等的高程差一般為10～25 cm。標量場中的梯度反映了該標量的變化率，路面的高程變化遠小于道路邊界，因此選擇高程梯度衡量道路的平坦程度并作為后續提取路面的判斷指標。

圖5　道路點云剖面圖

（2）高程梯度特征圖像的生成

首先將點云向XOY平面投影并格網化（如圖6所示），格網間隔為R，利用各格網內的點進行反距離權重插值計算出格網中心點的高程值后，由于部分格網中可能無掃描點分布，因此需再對格網進行雙線性插值，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　格網示意圖

圖7　高程梯度特征圖像示例

（3）閾值分割與形態學處理

由于道路路面與邊界的高程梯度之間有較大差異，故設置閾值TG對高程梯度圖像進行二值化處理，將像素值大于TG的格網灰度設為1，反之為0，閾值根據經驗獲取，結果如圖7（b）所示。為了填補邊界上存在的孔洞或間斷，使其可以將路面區域完整包圍在內部，利于后續的區域生長等操作，筆者采取圖8中的結構元素對二值圖像進行膨脹處理，結果如圖7（c）所示，白色道路邊界明顯，其包圍的中央黑色區域即為路面，實現了邊界與路面的分類。

圖8　膨脹結構元素

4.道路區域生長

任取行車軌跡數據上一點，確認其對應于二值圖像中的格網像素值為0后，以該格網作為種子點進行區域增長。區域增長的方法過程如下:從已提取的種子點開始，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域，并作為新的種子點按照上述方法繼續進行搜索，直到沒有點滿足條件，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現了路面區域的分割。

在之前對二值圖像膨脹處理時，道路邊界的膨脹造成了生長后路面邊緣部分的缺失，為了優化分割結果，采用圖8中的結構元素對提取到的路面進行膨脹處理，兩次膨脹處理可以使分割誤差最大限度被抵消。根據優化后的路面分割圖像結果即可反算得到道路點云數據。

最后，由于車輛或行人的遮擋，導致路面上還存在孔洞，填補方法為:根據高程特征圖像對孔洞所在格網進行高程及點密度兩方面的二次插值處理，利用插值結果在各個格網范圍內隨機生成掃描點，各點高程相同且設置為插值后的高程值，掃描點的數量則取決為插值后的點密度值。經過填補對道路點云提取結果實現了進一步優化。

二、試驗及分析

1.試驗數據

本試驗采用立得公司采集于武漢城區的兩份數據。數據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個數據點；數據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個數據點。兩段數據中都包含大量行道樹、路燈、電力線、車輛等地物。

2.試驗結果

根據道路復雜程度不同分別對兩份數據設置50 m、30 m的間隔分段，再利用直方圖凹面分析法對各段點云的高程進行分析并獲取閾值，完成高程濾波后生成高程梯度特征圖像。格網的大小是生成圖像的重要參數，格網過小時部分格網內沒有點或點數太少，高程梯度圖像中路面噪聲明顯；格網過大則分辨率降低。為了選取合適的格網大小，對兩份數據分別抽取部分樣本數據進行試驗，以數據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），經對比發現格網大小為0.09 m時圖像質量最高，因此確定格網大小為0.09 m，同理選取數據2的格網間隔為0.15 m。

圖9　格網大小的確定

利用高程特征圖像生成梯度圖像后應選取合理的梯度閾值進行二值化處理。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，該參數對于兩份數據均適用。

最終，依據本文的方法，結合上述參數設置，對數據處理后得到的道路提取結果如圖10所示。

3.試驗結果分析

為了對試驗效果進行評估，筆者手工提取了道路點云作為參考數據，并通過文獻［15］中的方法計算道路提取的正確性p、完整性r和提取質量q作為評價指標，公式如下

式中，TP是試驗中正確檢測出的路面點個數；FP是檢測錯誤的路面點個數，即不屬于路面但被歸類為路面點的個數；FN是未檢測出的路面點個數，即屬于路面但被歸類為非路面點的個數。

圖10　道路提取結果

對兩份數據的試驗結果分別進行分析，結果見表1。通過以下數據可知，道路提取的結果較好，兩份數據的正確性、完整性及提取質量都超過了97%，絕大多數道路都被正確提取。

表1　試驗結果分析　?。?）

三、結束語

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

該方法算法簡單，無需其他輔助數據，而且通過借鑒圖像處理中的方法，避免了大量的幾何計算，提高了數據處理效率。筆者利用立得公司提供的點云數據對該方法進行了試驗驗證，在無固定寬度道路、曲線道路等復雜情況下，道路提取的正確性、完整性、提取質量等都較好。

后續的研究工作將以本文研究為基礎，利用該方法提取的道路數據，進一步研究道路交通標志與標線的提取。

［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云快速分類的點云特征圖像生成方法 ［J］.測繪學報，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.車載激光掃描數據的結構化道路自動提取方法［J］.測繪學報，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，FANG 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計劃（2013AA12A202）

張 達（1992—），女，碩士生，主要研究方向為車載激光掃描數據處理。E-mail:zhangda_whu@163.com

李 霖

引文格式：張達，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，2016（7）:30-34.