车载激光扫描数据路坎点云提取方法

来源：《地球信息科学学报》2017年19卷7期

作者：罗海峰，方莉娜， 陈崇成

摘要：车载激光扫描系统能够快速准确地获取街道环境的点云数据,但由于扫描点云的点密度高、数据量大、空间分布不均匀、地物相互遮挡及城市街道环境复杂等特点,难以直接从原始点云数据中提取出路坎点云。本文首先通过分析路坎点云的空间分布特征和局部几何特征,构建包含相对高程、法向量方向、多尺度高程差及多尺度高程方差的点云特征向量;然后,采用SVM提取城市街道环境车载激光扫描数据中的路坎点云,并对提取结果进行聚类去噪,优化路坎点云。最后,通过Street Mapper 360系统和Lynx Mobile Mapper V100 系统采集的4份不同城市街道环境车载激光扫描数据对本文方法进行验证,其中路坎点云提取结果的完整度均超过了94.99%、准确度均超过91.88%、精度亦均达到了90.55%以上。实验结果表明,本文方法能够精确地提取复杂城市街道环境中规则或不规则的路坎点云,且具有较强的稳健性,适用于各类复杂的城市街道环境。

关键词：车载激光点云; 支持向量机(SVM); 多尺度点云特征; 点云特征向量; 路坎点云提取;

1 、引言

　　车载激光扫描系统作为近年来迅速发展的高新测绘技术,能够快速精确地获取道路及道路两侧地物的三维空间信息[1]。车载激光扫描数据具有点密度高、数据量大、空间分布不均匀、地物相互遮挡及场景复杂等特点[2],相比于车载激光扫描系统硬件的快速发展,其数据处理方法仍较为滞后。目前,国内外专家学者主要围绕着车载激光点云的高程阈值[3]、投影密度[4-5]、特征图像[6]、法向量[7]等特征进行地物点云分类,提取建筑物立面、车辆、树木、杆状地物等目标,而针对复杂城市街道环境中路坎点云提取的相关研究较少。

　　目前车载激光扫描数据道路提取的相关研究中,一些学者将车载激光扫描数据转化成二维的特征图像,然后结合图像处理技术提取道路。其中,Jaakkola等[8]将车载激光扫描数据生成强度特征图像和高程特征图像,然后利用图像处理算子检测路坎位置。Boyko等[9]利用二维的路网数据将车载激光扫描数据分段,并转化成基于高程的特征图像,然后采用Snake模型提取图像中路坎的位置。Serna等[10]将车载激光扫描数据投影成距离图像,距离扫描仪近的点设置较大像素值,结合路坎的高差和长度约束条件,利用数学形态学的算法分割距离图像,进而提取道路边界。此类方法虽然具有较高的效率,但均依赖大量的人工经验阈值,提取精度受限于阈值的选择,而位置误差易受特征图像分辨率的影响。一些学者根据不同类型地物在扫描线上具有不同的空间分布特征,提出基于扫描线的道路点云提取方法。如Zhang[11]在每条扫描线中利用高斯低通滤波器提取路面点云,然后基于Hough变换检测垂直分布的点作为道路边界点,该方法仅适用于垂直形态的路坎。方莉娜等[12]采用移动窗口法先提取扫描线上的地面点云,然后根据路坎与路面之间的高程、坡度、点密度的变化提取路坎点云,该方法同样依赖大量经验阈值,且提取精度受窗口大小影响。Guan等[13]结合轨迹辅助数据划分数据块,将数据块投影至道路横截面,提取横截面上的主点,根据主点高差、坡度检测路坎位置,由于路坎点不一定是主点,因此这种基于主点检测路坎位置的策略也将会造成一定的路坎位置误差。

　　一些学者根据道路点云在一定邻域范围中具有相似的形态特征,提出基于聚类分析的方法检测路坎。如闫利等[7]基于扫描点云的法向量采用模糊聚类的方法提取道路;Zhou等[14]通过检测高程差异提取道路边界,利用KNN算法对路坎点云进行聚类,并结合长度、宽度信息优化聚类结果,这类仅采用了单一特征进行聚类分析的方法,难以应用于复杂的街道环境中。Ibrahim等[15]首先利用点密度分割地面点,然后结合地面点的高程离散度、法方向及高程梯度等信息,采用高斯滤波器提取路坎,该方法虽然克服了单一特征聚类的缺陷,但仍需依赖大量人工经验阈值的选择。Zhan等[16]通过计算每个点的法向量、法向量残差、离散度,利用SVM将点云数据分为地面、斜坡及树木等;Varney等[17]利用地物点云的体积特征作为SVM的输入,将点云数据分为地面、植被、建筑物等,这类基于SVM的点云分类方法虽能有效地提取地面点云,但未能精细准确地提取出路坎点云。针对以上问题,本文结合SVM应用于目标提取的优势,首次将其引入至车载激光扫描数据路坎点云提取的算法研究中,通过分析车载激光扫描数据中路坎点云的空间分布特征和局部几何特征,构建包含相对高程、法向量方向、多尺度高程差及多尺度高程方差共六维的点云特征向量;利用SVM初步提取路坎点云,并通过聚类去噪优化提取结果;最终实现基于SVM的车载激光扫描数据路坎点云提取方法。在保持较高提取精度的同时有效提高了车载激光扫描数据路坎点云提取方法的稳健性,能够适用于各类复杂的城市街道环境,并且无需依赖辅助数据。

2、 基于SVM的路坎点云提取方法

　　本方法首先对原始车载激光扫描数据进行抽稀和分段处理;然后结合点云的空间分布特征和局部几何特征构建包含相对高程、法向量方向、多尺度高程差及多尺度高程方差共六维的点云特征向量,采用SVM初步提取路坎点云;最后对提取结果进行聚类去噪,从而实现车载激光扫描数据路坎点云的提取。该方法的具体流程如图1所示。

图1 路坎点云提取流程

　　由于车载激光点云的数据量庞大,本文对原始车载激光扫描数据进行抽稀和分段处理提高数据处理的效率。同时基于车载激光扫描系统作业方式的特点,能够准确获取各类地物在竖直方向上的空间分布信息,但在地势起伏较大的区域,地物点云的绝对高程并不能准确地表征各类地物的空间分布特征,因此本文采用地物点云的相对高程表征地物的空间分布特征。首先搜索目标点Px | 所在街道横断面上的所有点,记为点集Pi|,如图2所示;然后根据式(1)计算目标点的相对高程。

图2 街道横截面点云分布

　　利用相对高程作为路坎点云提取的特征之一,在后续路坎点云提取中能够有效克服地形起伏的影响,准确地将提取结果约束在路坎的高度。如图3所示,由于沿街道方向的地势存在较大的起伏,导致图3(a)中街道两端同为路面点云的绝对高程差近达10 m,经过高程改正预处理后该区域中街道两端路面的相对高程差仅为0.08 m(图3(b)),因此点云的相对高程能够更加准确地表征地物在竖直空间的分布特征。

图3 点云绝对高程和相对高程的空间分布

2.2 构建点云特征向量

　　原始车载激光扫描数据中,虽然每个离散点都具有空间坐标信息,但并无关联,且单独一个离散点无法描述被扫描物体的整体或局部信息,因此本文针对路坎点云的提取,构建点云邻域内的法向量方向、多尺度高程差及多尺度高程方差作为描述被扫描物体的局部几何特征。

　　2.2.1 法向量方向

　　在城市街道环境车载激光点云中,不同类型的地物,其点云法向量方向存在明显差异。例如,路面点云法向量方向为竖直方向,建筑物立面点云法向量方向一般情况为水平方向,树木枝叶点云法向量方向则无规律、朝向各方向等,因此点云的法向量方向信息可以作为目标点云识别分类的特征。本文定义目标点云法向量方向(Normal Direction,ND)为目标点云的法向量与坐标系Z轴的夹角,当法向量朝向Z轴正值方向时,计算法向量与向量(0,0,1)的夹角,当法向量朝向Z轴负值方向时,计算法向量与向量(0,0,-1)的夹角。如图4所示的城市 街道点云不同类型地物的法向量方向分布状况中,路坎点云法向量方向分布与路面、树木及建筑物立面等点云的法向量方向具有较明显的区分性,因此将点云的法向量方向作为提取路坎点云的特征 之一。

图4 街道点云法向量方向分布

　　2.2.2 局部高程特征

　　在城市街道车载激光点云中,不同类型地物的局部点云的高程差和高程方差存在明显差异,如局部路面点云高程变化较小,则其高程差较小,高程方差也较小;相比较于路面点云,路坎点云高程略有变化,则路坎点云具有一定的高程差,且其高程方差也略大于路面点云的高程方差;而建筑物、树木等地物在局部范围内高程值变化较大,则其高程差较大,高程方差也远大于路面和路坎,因此局部高程差和高程方差可作为本文提取路坎点云的特征。

图5(a)为局部高程差的分布,图5(b)为局部高程方差分布。

图5 局部高程特征分布

　　由于目标点的局部高程特征是由其一定搜索半径邻域内的点集决定的,不同的搜索半径将会导致不同地物具有不同的局部高程特征。本文针对路坎点云,采用图6所示的2种大小不同的搜索半径r₁和r₂（r_1、r₂均大于路坎高度),其中 r₁<r₂ 。在这2种尺度下,路坎点云的高程差基本保持不变,而在较小尺度下可能与路坎点云具有相似的高程差的建筑物斜面点云或树冠的散乱点云等的高程差将随着邻域搜索半径的扩大而增大。同样在这2种尺度下,路面点云的高程方差随着邻域搜索半径的扩大基本保持不变;路坎点云的高程方差随着邻域搜索半径的扩大而减小;而建筑物点云及树木点云的高程方差则随着邻域半径的扩大而增大。利用不同尺度(不同邻域搜索半径)下不同目标点云所表现的局部高程特征变化趋势,将多尺度的高程差和多尺度的高程方差作为提取路坎点云的特征,能够克服单一尺度下不同地物具有相同的局部高程特征,从而影响路坎点云的提取结果。

图6 目标点的多尺度邻域

　　2.2.3 交界点云特征细化

　　在城市街道环境车载激光点云中,如建筑物立面底部或栅栏底部与路面交界处的局部点云形态特征与路坎较为相似,且相对高程也较为近似,难以进行区分,如图7所示的法向量方向分布。如直接利用这些特征提取路坎点云,将会导致建筑物底部或栅栏底部与地面交界处的点云错分为路坎点云,且在后续聚类去噪的路坎点云优化处理中难以将其剔除。

图7 交界点云法向量方向分布

　　针对以上问题,本文首先基于法向量方向特征值计算交界点云系数 α 区分交界点和非交界点：

　　式中：为搜索半径 r₁ 邻域内法向量方向最小值; 为邻域内法向量方向最大值;为目标点的法向量方向。若 α<1 时,目标点标记为交界候选点。若 α≥1 时,目标点标记为非交界候选点。

　　如图8所示,蓝色部分为交界候选点集 Pc ,黄色部分为非交界候选点集 Pnonc 。

图8 交界点云划分结果

　　在交界候选点集p_c中,包含路坎点云和所有地物底部点云等,然后采用搜索半径r₁邻域内点集特征值的平均值作为目标点的特征值,一方面使得路坎点云的各特征值均保持较为一致的数值范围,另一方面将各地物底部点云特征值向数值正方向拉伸;在非交界候选点集p_nonc中则采用搜索半径r₁邻域内点集特征值的最小值作为目标点的特征值,将非交界候选点集中与地物底部邻接点云的特征值向数值负方向收缩,从而实现交界点云特征细化。图9为交界处点云法向量方向特征细化结果。

图9 交界点云法向量方向细化结果

　　最后构建包括相对高程及交界点云特征细化后的法向量方向、两个不同尺度的局部高程差和局部高程方差组成的点云特征向量F,如式(5)所示。

2.3 基于SVM提取路坎点云

　　支持向量机(SVM)作为机器学习领域极为重要的发展成果之一,在解决非线性、高维模式识别等问题中表现出许多独有的优势[18]。本文通过人工提取少数路坎与非路坎点云作为训练样本,将上文所得的车载激光点云特征向量F作为SVM的输入特征,选择应用最广泛的径向基函数(Radial Basis Function,RBF)作为核函数,采用粒子群优化算法(Particle Swarm Optimization,PSO)进行惩罚因子C及核函数参数γ 的寻优,然后通过SVM的训练与分类,实现车载激光扫描数据中路坎点云的初步提取。由于提取结果中仍存在着大量散乱的噪点,如图10(a)所示,本文通过对提取结果进行聚类分析,设定聚类阈值N(点云数量),当聚类簇中点云数量小于阈值N时,将该簇点云视为噪点剔除,最终得到路坎点云如图10(b)所示。

图10 路坎点云提取结果

3、 实验与分析

　　本文实验采用Cloud Compare软件对原始点云数据进行抽稀和分段处理,其余实验在Matlab R2010b平台下实现,SVM采用的是Faruto先生在台湾大学林智仁教授设计的开源库LIBSVM的基础上开发的LIBSVM加强工具箱,其中包含本文采用的SVM模型参数寻优的粒子群优化算法的辅助函数。

3.1 实验数据

　　实验共选用4份不同的城市街道环境车载激光扫描数据,每份原始数据均包含大量的树木、栅栏、车辆、交通指示牌及建筑物等地物。其中图11(a)数据1是由Street Mapper 360系统采集的长约197 m的城市街道扫描点云数据,其特点是存在较大的地势起伏,且点云密度较大,共有14 568 794个数据点;图11(b)数据2为长约175 m的城市街道扫描点云数据,其主要特点是街道中只存在一边的路坎,且部分路坎被灌木遮盖,同时在道路中存在一个圆形转盘,其共有8 546 051个数据点;图11(c)数据3为长约694 m的城市街道数据,该数据主要特点是点云密度较小、场景非常复杂,在道路中央存在大量形状各异且非规则的隔离带等,其共有7 209 113个数据点;图11(d)数据4为长约570 m的城市街道点云,其特点为街道比较狭窄,路坎被大量停放在道路两旁的车辆遮挡,造成路坎点云缺失严重,该数据共有15 481 507个点,数据2、3、4均由Lynx Mobile Mapper V100 系统采集。

图11 城市街道环境车载激光扫描数据

3.2 实验结果

　　实验中,数据1的点云抽稀两点间最小距离阈值为0.05 m,数据2、3、4中的点云抽稀两点间最小距离阈值为0.02 m,邻域半径r₁=0.3m ,r₂=0.5m 经过多次试验比较,设置粒子群优化算法中的点群半径为0.2 m,种群数量为20,最大、最小惩罚因子分别为100和0.01,最大、最小核函数参数 γ 亦分别为100和0.01,最大迭代次数为100,学习因子分别为c₁=1.5 、 c₂=1.7 。根据以上设置的参数值,得到4份实验数据路坎点云提取结果,如图12-15所示。其中,图12(a)、13(a)、14(a)、15(a)分别为4份实验数据基于SVM提取的路坎点云初步结果;图12(b)、13(b)、14(b)、15(b)分别为4份实验数据初步提取路坎点云的聚类结果;通过多次试验比较设定数据1、数据2、数据3、数据4的聚类阈值分别为150、200、300、100,最终得到路坎点云如图12(c)、13(c)、14(c)、15(c)所示。

图12 数据1实验结果

图13 数据2实验结果

　　通过路坎点云提取结果可以看出,本文方法能够准确地提取各种复杂街道环境车载激光扫描数据中的路坎点云,且对于道路中转弯处、圆形转盘、规则或非规则花坛等的路坎点云均能准确提取。但仍存在一些错误提取的路坎点,这主要是因为在复杂的街道环境中不可避免地存在与路坎分布极为相似的地物,如图14(c)道路中央花坛中成排低矮的灌木,其激光扫描点云与路坎点云的空间分布特征和局部几何特征均极为相似,导致路坎点云的错分现象。同时还存在着一些漏提取的路坎点,从图15(c)可以看出,路坎点云提取结果中存在着部分路坎漏提的现象,这主要是由于原始数据中的路坎被遮挡较为严重,其次是因为在聚类去噪过程中,部分路坎点云聚类簇中点云数量小于设定的阈值被错误当成噪点剔除。

图14 数据3实验结果

图15 数据4实验结果

3.3 实验结果分析

　　实验中处理数据1、2、3、4所消耗的时间分别为684、720、1296和1512 s。由于原始车载激光扫描数据中没有提供路坎或道路边界等参考数据,因此本文无法直接对实验结果进行精度评价。本文通过与Cloud Compare软件交互的方式测量出实验结果中正确提取的路坎长度TP,即实际中存在且被正确提取出来的路坎;错误提取的路坎长度FP,即所提取出的路坎在实际中并不存在;未被提取的路坎长度FN,即在实际中存在的路坎,但没有被提取出来的部分,分别取多次测量结果的均值作为最终实验结果,如表1所示。同时,采用目前道路边界提取与识别中应用较广泛的客观评价指标完整度(Completeness)、准确度(Correctness)和精度(Quality)进行结果评价,如表2所示。

　　通过表2中4份实验数据的路坎点云提取结果评价指标可以看出,采用本文方法提取路坎点云结果的完整度均超过了94.99%、准确度均超过91.88%、精度亦均达到了90.55%以上。由于原始数据3中路坎点云被遮挡较少,其初步提取结果中路坎点云均较为完整,在聚类去噪中,其聚类簇点云个数均大于阈值,不会被错误剔除,因此该数据结果具有较高的完整度;而该数据实验结果准确度较低是由于在道路中央的花坛中存在大量成排的几何形状与路坎极为相似的低矮灌木,实验将这些点云错分为路坎点云导致该数据实验结果的准确度较低。

4、 结论

　　本文通过分析车载激光扫描数据中路坎点云的空间分布特征和局部几何特征,并对交界处点云特征进行细化,构建包含相对高程、法向量方向、多尺度高程差及多尺度高程方差的点云特征向量,然后利用SVM初步提取路坎点云,最后对提取结果进行聚类去噪优化。并通过4份不同城市街道环境的车载激光扫描数据对本文方法进行验证,实验结果的3个评价指标的最小值均超过了90%,表明本文方法能够精确地提取复杂城市街道环境中规则或不规则的路坎点云,且具有较强的稳健性,适用于各类复杂的城市街道环境。但由于车载激光扫描数据中路坎点云容易被其他地物遮挡,根据本文的方法直接从点云数据中提取出的路坎点云将缺失被遮挡部分的路坎点云;同时笔者通过对比实验选取特征,因此本文构建的特征向量并非最优,实验结果中仍存在少部分错分的路坎点云。在后续的学习工作中结合这些问题进一步研究,将缺失的路坎点云进行正确的补充,以提高整个道路边界的完整性,且对目前的特征向量进行优化,进一步提高路坎点云提取结果的精度。

参考文献

　　[1]Tan B, Zhong R.Objects classification with vehicle-borne laser scanning data[J]. Journal of Remote Sensing, 2012,16(1):50-66. DOI:10.11834/jrs.20120408 [本文引用:1] [CJCR: 1.077]

　　[2]陈昌鸣,向煜,龙川.基于车载激光雷达的行道树提取研究[J].北京测绘,2015(1):18-21. DOI:10.3969/j.issn.1007-3000.2015.01.005 [本文引用:1] [CJCR: 0.502]

　　[ Chen C M, Xiang Y, Long C.The research of street trees extraction based on vehicle-borne LiDAR[J]. Beijing Surveying and Mapping, 2015,1:18-21. ]

　　[3]吴芬芳,李清泉,熊卿.基于车载激光扫描数据的目标分类方法[J].测绘科学,2007,32(4):75-77.

　　[本文引用:1]

　　[ Wu F F, Li Q Q, Xiong Q.Target classification method based on vehicle-borne laser scanning data[J]. Science of Surveying and Mapping, 2007,32(4):75-77. ]

　　[4]李必军,方志祥,任娟.从激光扫描数据中进行建筑物特征提取研究[J].武汉大学学报·信息科学版,2003,28(1):65-70. DOI:10.3969/j.issn.1671-8860.2003.01.013 [本文引用:1]

　　[ Li B J, Fang Z X, Ren J.Extraction of building's feature from laser scanning data[J]. Geomatics and Information Science of Wuhan University, 2003,28(1):62-70. ]

　　[5]Shi W Z, Wu F F.Feature extraction and modeling of urban building from vehicle- borne laser scanning data[J]. Mccarthy, 2004. [本文引用:1]

　　[6]杨必胜,魏征,李清泉,等.面向车载激光扫描点云快速分类的点云特征图像生成方法[J].测绘学报,2010,39(5):540-545. DOI:10.1017/S0004972710001772 [本文引用:1] [CJCR: 1.503]

　　[ Yang B S, Wei Z, Li Q Q, et al.Point cloud feature image generation method for rapid classification of vehicle-borne laser scanning point cloud[J]. Acta Geodaetica et Cartographica Sinica, 2010,39(5):540-545. ]

　　[7]闫利,张毅.基于法向量模糊聚类的道路面点云数据滤波[J].武汉大学学报·信息科学版,2007,32(12):1119-1122.

　　[本文引用:2]

　　[ Yan L, Zhang Y.Road points cloud filtering based on fuzzy clustering of normal vectors[J]. Geomatics and Information Science of Wuhan University, 2007,32(12):1119-1122. ]

　　[8]Jaakkola A, Hyyppä J, Hyyppä H, et al.Retrieval algorithms for road surface modelling using laser-based mobile mapping[J]. Sensors, 2008,8(9):5238-5249. DOI:10.3390/s8095238 PMID:3705502 [本文引用:1] [JCR: 2.677]

　　[9]Boyko A, Funkhouser T.Extracting roads from dense point clouds in large scale urban environment[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2011,66(6):S2-S12. DOI:10.1016/j.isprsjprs.2011.09.009 [本文引用:1] [JCR: 6.387]

　　[10]Serna A, Marcotegui B.Urban accessibility diagnosis from mobile laser scanning data[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2013,84(84):23-32. DOI:10.1016/j.isprsjprs.2013.07.001 [本文引用:1] [JCR: 6.387]

　　[11]Zhang W.LIDAR-based road and road-edge detection[J]. IEEE Intelligent Vehicles Symposium, 2010,46(6):845-848. DOI:10.1109/IVS.2010.5548134 [本文引用:1]

　　[12]方莉娜,杨必胜.车载激光扫描数据的结构化道路自动提取方法[J].测绘学报,2013,42(2):260-267. [本文引用:1] [CJCR: 1.503]

　　[ Fang L N, Yang B S.Automated extracting structural roads from mobile laser scanning point clouds[J]. Acta Geodaetica et Cartographica Sinica, 2013,42(2):260-267. ]

　　[13]Guan H, Li J, Yu Y, et al.Automated road information extraction from mobile laser scanning data[J]. IEEE Transactions on Intelligent Transportation Systems, 2015,16(1):194-205. DOI:10.1109/TITS.2014.2328589 [本文引用:1] [JCR: 3.724]

　　[14]Zhou L, Vosselman G.Mapping curbstones in airborne and mobile laser scanning data[J]. International Journal of Applied Earth Observation and Geoinformation, 2012, 18(18): 293-304. DOI:10.1016/j.jag.2012.01.024 [本文引用:1] [JCR: 3.93]

　　[15]Ibrahim S, Lichti D. Curb-based street floor extraction from mobile terrestrial LIDAR point cloud[J]. ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2012, XXXIX-B5:193-198. DOI:10.5194/isprsarchives-XXXIX-B5-193-2012 [本文引用:1]

　　[16]Zhan Q, Yu L.Objects classification from laser scanning data based on multi-class support vector machine[C]. International Conference on Remote Sensing, Environment and Transportation Engineering, 2011:520-523.

　　[本文引用:1]

　　[17]Varney N M, Asari V K.Volumetrie features for object region classification in 3D LiDAR point clouds[C]. Applied Imagery Pattern Recognition Workshop. IEEE, 2014:1-6.

　　[本文引用:1]

　　[18]张琴,蔡勇.支持向量学习机在点云去噪中的应用[J].计算机技术与发展,2011(6):85-88. DOI:10.3969/j.issn.1673-629X.2011.06.023 [本文引用:1] [CJCR: 0.63]

　　[ Zhan Q, Cai Y.Application of support vector machine in point clouds denoising[J]. Computer Technology and Development, 2011,6:85-88. ]

声明：勘测联合网转载本文仅限行业学习交流之用，版权、著作权归原载平台及作者所有。

推荐阅读

----------------    推  广    ---------------