馬茜芮 沈月千 黃騰

0 引言

精確道路三維信息在高精度地圖構(gòu)建、道路信息維護(hù)及城市三維可視化等方面具有重要作用[1-2].傳統(tǒng)道路信息的獲取主要通過人工測量進(jìn)行,作業(yè)周期長、效率低[3],存在一定交通安全隱患,且獲取的數(shù)據(jù)主要為道路二維信息[4],已經(jīng)無法滿足城市建設(shè)和管理的需要[5].而車載激光掃描系統(tǒng)的出現(xiàn)為道路三維信息的獲取提供了一種新的途徑,具有速度快、精度高、密度大、非接觸、靈活性強(qiáng)等優(yōu)點(diǎn)[6-7].然而,由于道路環(huán)境復(fù)雜以及遮擋等因素,如何從車載點(diǎn)云中快速、準(zhǔn)確地提取道路點(diǎn)云依然是一個亟待深入研究的問題.

現(xiàn)有研究中,文獻(xiàn)[8]將車載點(diǎn)云數(shù)據(jù)利用統(tǒng)計學(xué)方法生成高度直方圖,通過設(shè)置高度閾值提取路面點(diǎn)云;文獻(xiàn)[9]在文獻(xiàn)[8]的基礎(chǔ)上,根據(jù)道路先驗信息對道路提取結(jié)果進(jìn)行優(yōu)化.此類方法將三維點(diǎn)云信息降維表示,丟失其特有的空間分布信息,同時提取結(jié)果依賴于高度閾值的設(shè)定,只適用于簡單規(guī)則的道路環(huán)境.文獻(xiàn)[10]根據(jù)路面法向量的分布特征,利用迭代模糊聚類算法對路面點(diǎn)云進(jìn)行提取;文獻(xiàn)[11]利用高度差異對點(diǎn)云數(shù)據(jù)進(jìn)行KNN聚類,并根據(jù)路坎參數(shù)對提取結(jié)果進(jìn)行優(yōu)化.此類算法運(yùn)行效率較低且容易出現(xiàn)分割問題.文獻(xiàn)[12]使用深度學(xué)習(xí)方法對圖像進(jìn)行語義分割,并將語義化的圖像與點(diǎn)云數(shù)據(jù)融合進(jìn)行粗分類,之后通過霍夫變換和區(qū)域生長方法對點(diǎn)云數(shù)據(jù)進(jìn)行細(xì)分類,最終精確提取道路點(diǎn)云,但該類方法的語義分割結(jié)果受二三維數(shù)據(jù)融合質(zhì)量影響較大;文獻(xiàn)[13]構(gòu)造一種端到端深度學(xué)習(xí)網(wǎng)絡(luò),能夠?qū)Τ鞘写髨鼍包c(diǎn)云數(shù)據(jù)進(jìn)行高效準(zhǔn)確的語義標(biāo)識,但道路等實體目標(biāo)的提取效果還需要進(jìn)一步驗證;文獻(xiàn)[14]以掃描線為單位對點(diǎn)云數(shù)據(jù)進(jìn)行處理,首先利用移動窗口高差對掃描線進(jìn)行濾波,得到道路區(qū)域點(diǎn)云,然后根據(jù)高差、點(diǎn)密度和累計坡度三個特征指標(biāo)進(jìn)行路坎點(diǎn)的提取,最后通過優(yōu)化和跟蹤手段提取道路邊界;文獻(xiàn)[15]在文獻(xiàn)[14]的基礎(chǔ)上建立雙向掃描線索引,根據(jù)掃描線上不同地物目標(biāo)的空間分布特征,采用移動動態(tài)窗口分類法提取路面和路邊點(diǎn)云.此類方法往往需要顧及多個特征因子,且要求道路具有較為規(guī)則的路坎,而在現(xiàn)實情況中,有些道路兩側(cè)是草地,不存在路坎,以往利用路坎特征的道路提取方法不再適用.針對上述問題,本文引入相鄰點(diǎn)序號差這一特征,提出一種融合移動窗口高差和相鄰點(diǎn)序號差的道路自動提取方法,不僅實現(xiàn)了有規(guī)則路坎的結(jié)構(gòu)化道路的完整、準(zhǔn)確的提取,也實現(xiàn)了路邊為草地(本文統(tǒng)稱為偽路坎)的非結(jié)構(gòu)化道路完整、準(zhǔn)確的提取.

1 路面點(diǎn)云自動提取方法

本文所提方法的具體流程如圖1所示.

圖1 路面點(diǎn)云提取流程Fig.1 Road surface point cloud extraction process

1.1 掃描線提取

首先對點(diǎn)云數(shù)據(jù)進(jìn)行布料模擬濾波[16](Cloth Simulation Filtering,CSF)處理,濾除建筑物、樹木、車輛等非地面點(diǎn)云,得到主要包含道路、路邊草地以及周圍人行道等連續(xù)分布且高程變化不大的地面點(diǎn)云.然后基于濾波后的點(diǎn)云數(shù)據(jù)提取掃描線,掃描線的提取方法包括基于掃描角度差、基于GPS時間差、基于相鄰點(diǎn)間距跳躍等[17].若車載點(diǎn)云數(shù)據(jù)中記錄了掃描角度和GPS時間,則可用前兩種方法,否則可以使用第三種方法.由于本文所用的點(diǎn)云數(shù)據(jù)沒有掃描角度和GPS時間信息,故借鑒第三種方法(基于相鄰點(diǎn)間距跳躍)的思想,設(shè)計了本文掃描線的提取方法.

車載激光掃描點(diǎn)云的每個數(shù)據(jù)點(diǎn)是按激光腳點(diǎn)返回順序連續(xù)排列的,相鄰兩個點(diǎn)云序號相差1,當(dāng)掃描至天空視場角時無激光腳點(diǎn)返回,這樣會導(dǎo)致前一條掃描線的最后一點(diǎn)與后一條掃描線的第一點(diǎn)之間的距離產(chǎn)生顯著突變,記該突變距離為Ld.設(shè)相鄰兩個點(diǎn)云的平面坐標(biāo)分別為Pi-1(Xi-1，Yi-1)和Pi(Xi，Yi),下標(biāo)i為點(diǎn)云的返回序號,則相鄰點(diǎn)間平面距離:

通過設(shè)置閾值Ld,求出滿足Li>Ld的點(diǎn)對序號(k,k+1)(其中k為前一條掃描線的最后一點(diǎn)序號,k+1為后一條掃描線的第一點(diǎn)序號),最后加入原始點(diǎn)云首點(diǎn)序號1和末點(diǎn)序號N,這樣就能得到每條掃描線上的首末點(diǎn)對序號.比如若只有兩條掃描線,則第一條掃描線的首末點(diǎn)對序號為(1,k),最后一條掃描線的首末點(diǎn)對序號為(k+1,N).最后通過搜索點(diǎn)對序號之間的點(diǎn)云進(jìn)而提取每條掃描線.考慮到原始點(diǎn)云數(shù)據(jù)由于分割可能存在不完整的掃描路徑,不利于后續(xù)道路的提取研究,同時一些噪聲點(diǎn)的干擾可能導(dǎo)致某些掃描線中只包含少量雜點(diǎn),因此通過統(tǒng)計各條掃描線上的點(diǎn)數(shù)分布情況,將集中分布的掃描線點(diǎn)數(shù)最小值和最大值分別作為閾值邊界num1和num2,刪除點(diǎn)數(shù)在閾值邊界范圍之外的掃描線,保留點(diǎn)數(shù)在閾值邊界范圍以內(nèi)的掃描線,從而得到最終的掃描線點(diǎn)云.

1.2 道路邊界點(diǎn)提取

以上一節(jié)提取的單條掃描線為單位,首先利用移動窗口高差法識別出路坎點(diǎn)和偽路坎點(diǎn),然后根據(jù)相鄰點(diǎn)序號差的最大值提取出道路邊界點(diǎn).具體步驟如下:

1)路坎點(diǎn)和偽路坎點(diǎn)的提取

首先根據(jù)道路的實際情況確定路坎或偽路坎提取閾值hcurb和移動窗口點(diǎn)數(shù)n.對于一般路面,掃描線上局部路面點(diǎn)云高差hpavement較小,將略大于局部路面點(diǎn)云高差hpavement的值作為偽路坎提取閾值hcurb;而窗口點(diǎn)數(shù)n的確定則要同時考慮路面點(diǎn)云和偽路坎點(diǎn)云,使得n個點(diǎn)云確定的窗口高差h(窗口內(nèi)高程最高點(diǎn)與最低點(diǎn)之差)既能保護(hù)路面點(diǎn)云不被識別出來,同時能夠?qū)⑴c路面有顯著高差的路坎點(diǎn)或偽路坎點(diǎn)云提取出來.讓窗口在掃描線上移動,求取每個窗口高差大小,將窗口中滿足h>hcurb的第一點(diǎn)序號進(jìn)行存儲.對每條掃描線都進(jìn)行上述處理,得到所有路坎點(diǎn)或偽路坎點(diǎn)的索引號,進(jìn)而提取得到所有的路坎點(diǎn)或偽路坎點(diǎn).

2)道路邊界點(diǎn)的提取

路坎點(diǎn)和偽路坎點(diǎn)提取之后,考慮路坎或偽路坎的空間分布特征和掃描線上點(diǎn)云排列的順序性,求出同一條掃描線上的相鄰路坎點(diǎn)或偽路坎點(diǎn)的序號之差,將差值最大的點(diǎn)對提取出來.因移動窗口在掃描線上單向滑動,且取移動窗口中滿足h>hcurb的第一點(diǎn)作為路坎點(diǎn)或偽路坎點(diǎn),故需要結(jié)合路坎或偽路坎處相鄰掃描點(diǎn)的平均高差,確定上述提取出的點(diǎn)對序號分別需要增加的點(diǎn)數(shù)m1和m2,然后將第一點(diǎn)對應(yīng)的序號加上m1,將第二點(diǎn)對應(yīng)的序號和m2,得到新的點(diǎn)對,最后將所得新的點(diǎn)對作為最終的道路邊界點(diǎn).比如若路坎或偽路坎處相鄰掃描點(diǎn)平均高差為10 cm,窗口內(nèi)點(diǎn)數(shù)n為5個,路坎或偽路坎提取閾值hcurb為3 cm,則此處路坎或偽路坎上只要有的一個點(diǎn)云在移動窗口內(nèi),就能夠滿足提取條件,此時m1取1,m2取4,即點(diǎn)對中第一點(diǎn)序號加上1,第二點(diǎn)序號加上4.對每條掃描線都進(jìn)行上述處理,得到所有路邊點(diǎn)的索引號,進(jìn)而提取得到所有的道路邊界點(diǎn).

圖2 原始點(diǎn)云數(shù)據(jù)Fig.2 Original point clouds of data 1 (a) and data 2 (b)

1.3 道路邊界擬合

提取的道路邊界點(diǎn)是一些離散的點(diǎn),需要對其進(jìn)行矢量擬合.因車輛等地物的遮擋以及草地邊緣的不規(guī)則性,這些邊界點(diǎn)中難免存在噪聲.考慮RANSAC(RANdom SAmple Consensus,隨機(jī)抽樣一致)算法能夠在一組包含噪聲點(diǎn)的數(shù)據(jù)集中通過迭代計算自適應(yīng)尋找給定模型的最優(yōu)解,將數(shù)據(jù)點(diǎn)分為內(nèi)點(diǎn)和外點(diǎn),只對允許誤差范圍內(nèi)的內(nèi)點(diǎn)進(jìn)行擬合,故使用該算法對提取的道路邊界點(diǎn)進(jìn)行擬合,求得左右邊界的平面擬合方程.

1.4 道路提取

上一節(jié)已經(jīng)獲得道路邊界的擬合方程,將它們分別記為L(x,y)=0和R(x,y)=0,其中L(x,y)=0為道路左邊界一般式方程,R(x,y)=0為道路右邊界一般式方程.路面點(diǎn)云位于左右邊界方程所確定的曲線(直線)之間,根據(jù)線性規(guī)劃原理,若滿足式(1)則提取出路面點(diǎn)云.但此時提取的路面點(diǎn)云還包含車輛下部和車輪等噪聲點(diǎn),最后再次利用布料模擬濾波算法,將這些高出路面的噪聲點(diǎn)去除,從而得到最終的路面點(diǎn)云.

(1)

2 實驗結(jié)果及分析

2.1 實驗數(shù)據(jù)

本文利用MATLAB編程語言實現(xiàn)了第一章中的算法,采用車載移動測量系統(tǒng)提供的兩組道路數(shù)據(jù)進(jìn)行實驗.數(shù)據(jù)1是有規(guī)則路坎的結(jié)構(gòu)化道路,路面平均點(diǎn)云密度1 000個/m2,掃描線上平均點(diǎn)間距3 cm,道路長約80 m,路寬約10 m,包含樹木、路燈、車輛等干擾目標(biāo),路面有裂紋;數(shù)據(jù)2是路邊為草地的非結(jié)構(gòu)化道路,路面平均點(diǎn)云密度300個/m2,掃描線上平均點(diǎn)間距6 cm,道路長約40 m,路寬約23 m,包含建筑物、樹木、電線桿、橫桿等干擾目標(biāo),路面較為平整光滑.實驗數(shù)據(jù)如圖2所示.

2.2 實驗過程和結(jié)果

首先對原始點(diǎn)云數(shù)據(jù)進(jìn)行布料模擬濾波,設(shè)置布料網(wǎng)格尺寸為2 cm,最大迭代次數(shù)為500,分類閾值為0.5 m,將建筑物、電線桿、樹木、路燈和車輛等較高的地物濾除,保留高程變化不大的道路區(qū)域,濾波后的結(jié)果如圖3所示.

圖3 濾波后的點(diǎn)云Fig.3 Point clouds filtered from data 1 (a) and data 2(b)

接著,基于濾波后的道路區(qū)域點(diǎn)云數(shù)據(jù)根據(jù)上文1.1節(jié)所述算法進(jìn)行掃描線提取.數(shù)據(jù)1道路平均寬度為10 m,設(shè)置閾值Ld為15 m;數(shù)據(jù)2道路平均寬度為23 m,設(shè)置閾值Ld為25 m.考慮實驗點(diǎn)云中含有一部分不完整的掃描路徑和一些噪聲點(diǎn),對各條掃描線所含點(diǎn)數(shù)進(jìn)行統(tǒng)計,確定單條掃描線點(diǎn)數(shù)閾值邊界,直方圖分布如圖4所示.由直方圖可知,數(shù)據(jù)1中單條掃描線點(diǎn)數(shù)集中在270～360之間,數(shù)據(jù)2中單條掃描線點(diǎn)數(shù)集中在450～570之間,故數(shù)據(jù)1中閾值邊界num1和num2分別取270和360,數(shù)據(jù)2中閾值邊界num1和num2分別取450和570.將數(shù)據(jù)1中點(diǎn)數(shù)小于270和大于360的掃描線刪除,將數(shù)據(jù)2中點(diǎn)數(shù)小于450和大于570的掃描線刪除,最終提取的掃描線如圖5所示.為了便于觀察,數(shù)據(jù)1每隔50條掃描線抽取一條用不同顏色進(jìn)行顯示,數(shù)據(jù)2每隔20條掃描線抽取一條用不同顏色進(jìn)行顯示.

然后,基于提取的掃描線點(diǎn)云根據(jù)上文1.2節(jié)所述算法進(jìn)行道路邊界點(diǎn)提取.根據(jù)道路實際情況將路坎和偽路坎最低高度閾值hcurb設(shè)為3 cm.為了保護(hù)路面點(diǎn)云不被識別出來,同時較好地識別出偽路坎點(diǎn)云,本文取窗口點(diǎn)數(shù)n值為5,進(jìn)而提取出路坎點(diǎn)和偽路坎點(diǎn)云.在此基礎(chǔ)上,求每條掃描線上相鄰兩個路坎點(diǎn)或者偽路坎點(diǎn)的序號之差,得到序號差最大的點(diǎn)對.由于數(shù)據(jù)1路坎處相鄰點(diǎn)平均高差約為5 cm,移動窗口包含路坎上1個點(diǎn)與路面上4個點(diǎn)即可將路坎點(diǎn)識別出,故將點(diǎn)對第一點(diǎn)對應(yīng)的序號增加1,第二點(diǎn)對應(yīng)的序號增加4; 同理,由于數(shù)據(jù)2偽路坎處相鄰點(diǎn)平均高差約為2 cm,移動窗口包含偽路坎上2個點(diǎn)與路面上3個點(diǎn)即可將路坎點(diǎn)識別出,故將點(diǎn)對第一點(diǎn)對應(yīng)的序號增加2,第二點(diǎn)對應(yīng)的序號增加3,將所得新的點(diǎn)對提取出來作為道路邊界點(diǎn),結(jié)果如圖6所示.

圖4 各條掃描線所含點(diǎn)數(shù)分布直方圖Fig.4 Histogram of the distribution of points contained in each scan line from data 1 (a) and data 2 (b)

圖5 掃描線點(diǎn)云Fig.5 Scan line point clouds from data 1 (a) and data 2 (b)

因兩組試驗數(shù)據(jù)均為直線道路,且長度不超過100 m,故將其兩條邊界當(dāng)作直線處理.用RANSAC算法對道路邊界點(diǎn)進(jìn)行平面擬合,得到左右道路邊界的擬合方程,式(2)和式(3)為數(shù)據(jù)1中兩條道路邊界的擬合方程,式(4)和式(5)為數(shù)據(jù)2中兩條道路邊界的擬合方程.根據(jù)線性規(guī)劃原理,數(shù)據(jù)1中路面點(diǎn)云由式(2)所確定的直線與式(3)所確定的直線之間的點(diǎn)云組成,數(shù)據(jù)2中路面點(diǎn)云由式(4)所確定的直線與式(5)所確定的直線之間的點(diǎn)云組成,故滿足式(6)的點(diǎn)云即為數(shù)據(jù)1中的路面點(diǎn)云,滿足式(7)的點(diǎn)云即為數(shù)據(jù)2中的路面點(diǎn)云.最后利用布料模擬濾波算法對提取的路面點(diǎn)云進(jìn)行處理,設(shè)置布料網(wǎng)格尺寸為2 cm,最大迭代次數(shù)為500,分類閾值為0.1 m,將高出地面的車輛下部和輪胎等噪聲點(diǎn)濾除,得到最終的道路點(diǎn)云,結(jié)果如圖7中紅色區(qū)域所示.

-0.107 4x-y+12.181 6=0，

(2)

-0.007 9x-y+24.076 3=0，

(3)

-9.403 1x-y+214.725 9=0，

(4)

-16.162 8x-y+743.851 7=0，

(5)

(6)

(7)

2.3 實驗結(jié)果分析

首先從定性角度進(jìn)行分析,將本文算法提取的路面與濾波后點(diǎn)云進(jìn)行疊加顯示,觀察兩組數(shù)據(jù)的提取效果,分別如圖8和圖9所示.由圖8可知本文算法對于有規(guī)則路坎的結(jié)構(gòu)化道路路面可以取得很好的提取效果,提取的路面邊界與實際邊界位置偏差非常小.由圖9可知本文算法對于路邊為草地的非結(jié)構(gòu)化道路也可以取得不錯的提取效果.因數(shù)據(jù)2中道路兩側(cè)不是規(guī)則路坎,而是高度不規(guī)則的草地,故偽路坎處相鄰點(diǎn)高差差異較大,導(dǎo)致不同掃描線上的移動窗口在此處識別的偽路坎點(diǎn)個數(shù)不同,使得一些偽路坎點(diǎn)被錯誤識別成路面點(diǎn)并被提取出來.另外,因為道路右邊界有一段不是草地,而是樓房與道路連接處的平地(如圖10黃色方框中所示),此處識別出來的點(diǎn)是橫桿上的點(diǎn),而非道路邊界點(diǎn),因此右邊界有一處平面沒有被當(dāng)成路面提取出來是正確的,一定程度上驗證了RANSAC算法在道路邊界擬合上的可靠性.

圖6 提取的道路邊界點(diǎn)Fig.6 Road boundary points extracted from data 1 (a) and data 2 (b)

圖7 提取的路面點(diǎn)云(紅色區(qū)域)Fig.7 Road surface (red area) point clouds extracted from data 1 (a) and data 2 (b)

圖8 數(shù)據(jù)1提取的路面(紅色區(qū)域)與濾波點(diǎn)云疊加圖及其不同角度放大圖Fig.8 Overlay of the extracted road surface (red area) and the filtered point cloud of data 1 and its enlargements at different angles

圖9 數(shù)據(jù)2提取的路面(紅色區(qū)域)與濾波點(diǎn)云疊加圖及其不同角度放大圖Fig.9 Overlay of the extracted road surface (red area) and the filtered point cloud of data 2 and its enlargements at different angles

圖10 邊界非草地路段Fig.10 Non-grass section of the border

然后進(jìn)行定量分析,借鑒文獻(xiàn)[15]的方法,采用準(zhǔn)確率(Correctness)、完整率(Completeness)和提取質(zhì)量(Quality)對本文方法的提取效果進(jìn)行綜合評價.完整率的計算公式為Completeness=TP/(TP+FN),正確率的計算公式為Correctness=TP/(TP+FP),提取質(zhì)量的計算公式為Quality=TP/(TP+FP+FN),其中TP表示正確提取的路面點(diǎn)個數(shù),FP表示錯誤提取的路面點(diǎn)個數(shù)(即不是路面點(diǎn)卻被當(dāng)成路面點(diǎn)提取出來),FN表示漏提取的路面點(diǎn)個數(shù),統(tǒng)計結(jié)果如表1所示.由表1可知,對于兩組數(shù)據(jù)本文算法提取的路面完整率、準(zhǔn)確率和提取質(zhì)量都在99%以上,算法處理時間分別為2.23 min和1.02 min.

可見,本文算法對結(jié)構(gòu)化道路路面和非結(jié)構(gòu)化道路路面的提取均能夠取得很好的效果.

3 結(jié)束語

本文以車載激光掃描點(diǎn)云數(shù)據(jù)為研究對象,提出一種融合移動窗口高差和相鄰點(diǎn)序號差的路面自動提取方法.通過將提取結(jié)果與濾波后點(diǎn)云進(jìn)行疊加顯示,定性評價路面的提取效果.定量評價結(jié)構(gòu)化道路路面和非結(jié)構(gòu)化道路路面提取的完整率、正確率和質(zhì)量均在99%以上,算法運(yùn)行時間分別為2.23 min和1.02 min.定性和定量實驗結(jié)果表明,本文算法能夠同時實現(xiàn)結(jié)構(gòu)化道路路面點(diǎn)云和非結(jié)構(gòu)化道路路面點(diǎn)云的完整、準(zhǔn)確提取,解決了路邊為草地的非結(jié)構(gòu)化道路自動提取問題.

表1 路面提取結(jié)果定量評價