袁晨鑫 陳良良

(中陜核工業(yè)集團(tuán)測(cè)繪院有限公司, 陜西 西安 710100)

0 引言

道路和人們的日常生活密切相關(guān),是城市道路信息是“智慧交通”的重要數(shù)據(jù)源。道路信息無(wú)論是在城市規(guī)劃、交通控制以及應(yīng)急響應(yīng)等很多行業(yè)都具有重要的作用,準(zhǔn)確的道路提取對(duì)一個(gè)城市而言十分重要。道路在使用過(guò)程中影響道路路面結(jié)構(gòu)的因素比較多,如天氣溫度、濕度、熱化以及超載都會(huì)對(duì)整個(gè)路基、路表面產(chǎn)生不利影響,道路上的標(biāo)識(shí)線(xiàn)損毀缺失。道路損害極大地降低了路面的使用性能和舒適度,道路標(biāo)識(shí)線(xiàn)的缺失可能引發(fā)交通事故等。傳統(tǒng)的標(biāo)識(shí)線(xiàn)檢測(cè)方法主要依據(jù)的是傳統(tǒng)測(cè)量以及遙感影像數(shù)據(jù),通過(guò)傳統(tǒng)測(cè)量和遙感來(lái)對(duì)道路路面的健康情況進(jìn)行檢測(cè),為道路養(yǎng)護(hù)和維護(hù)提供信息。但是這種方法耗時(shí)耗材。機(jī)載激光雷達(dá)(light detection and ranging,LiDAR)技術(shù)作為一種新型遙感數(shù)據(jù)獲取手段,在各個(gè)領(lǐng)域有著廣泛的應(yīng)用。該技術(shù)可獲取道路路面的三維坐標(biāo)信息,同時(shí)也可以獲取道路路面的邊緣線(xiàn)、標(biāo)識(shí)線(xiàn)、完整性、損毀程度等為道路的養(yǎng)護(hù)和維修提供關(guān)鍵信息[1-3]。

基于LiDAR點(diǎn)云的道路特征信息提取是近些年研究的一個(gè)熱點(diǎn)。眾多學(xué)者對(duì)利用LiDAR點(diǎn)云數(shù)據(jù)提取道路特征信息進(jìn)行了相關(guān)研究?；菡耜?yáng)等人[4]提出了一種基于偏度平衡算法的道路提取方法,該方法可以較為自動(dòng)地獲取最佳的反射強(qiáng)度閾值。Zhao等人[5]先利用數(shù)學(xué)形態(tài)學(xué)方法對(duì)原始數(shù)據(jù)進(jìn)行濾波,運(yùn)用張量投票提取地面點(diǎn)的道路區(qū)域,根據(jù)平整度和凹凸性提取非地面的道路區(qū)域做補(bǔ)充,該方法能夠較完整提取道路,特別是高架道路提取效果較好。李靜怡等人[6]提出了一種信息融合的道路提取方法,該方法首先根據(jù)濾波后的點(diǎn)云反射強(qiáng)度粗提取道路中心線(xiàn)和關(guān)鍵點(diǎn),并融合離散度、強(qiáng)度和灰度圖像來(lái)優(yōu)化,最終利用動(dòng)態(tài)規(guī)劃法提取道路,但整體較多的閾值需要人為設(shè)定。高利鵬等人[7]首先將遙感影像和點(diǎn)云數(shù)據(jù)進(jìn)行配準(zhǔn),利用點(diǎn)云高程信息剔除建筑物和遙感影像分類(lèi)出植被等偽信息,進(jìn)而提取出道路。但該方法精度依賴(lài)于配準(zhǔn)精度。本文提出一種基于LiDAR點(diǎn)云數(shù)據(jù)的道路標(biāo)識(shí)線(xiàn)提取方法,方法分為兩部分,一是道路標(biāo)識(shí)線(xiàn)粗提取,首先將點(diǎn)云數(shù)據(jù)進(jìn)行點(diǎn)云地面點(diǎn)濾波(cloth simulation filter,CSF)處理,生成強(qiáng)度特征圖像,采用K-means聚類(lèi)進(jìn)行分割,然后通過(guò)雙邊濾波Canny算法進(jìn)行道路標(biāo)識(shí)線(xiàn)粗提取;二是道路標(biāo)識(shí)線(xiàn)精細(xì)化,利用Two-Pass方法進(jìn)行連通域分析及制定約束識(shí)別規(guī)則進(jìn)行道路標(biāo)識(shí)線(xiàn)精細(xì)化。

1 道路點(diǎn)云數(shù)據(jù)獲取及預(yù)處理

1.1 道路點(diǎn)云數(shù)據(jù)獲取

研究中所采用的飛行平臺(tái)為飛馬D2000無(wú)人機(jī),搭載的是機(jī)載LiDAR掃描儀,在2021年6月采集了福銀高速陜西路段的路面的LiDAR點(diǎn)云數(shù)據(jù),所獲取的原始點(diǎn)云數(shù)據(jù)共約5368萬(wàn)個(gè)點(diǎn),點(diǎn)云密度約400～600 pts/m2。原始點(diǎn)云數(shù)據(jù)包括以質(zhì)心坐標(biāo)系為基準(zhǔn)的目標(biāo)點(diǎn)XYZ坐標(biāo)、掃描角、回波數(shù)量、采樣所選取的回波束、數(shù)據(jù)采集時(shí)間和回波反射強(qiáng)度等屬性。

1.2 道路點(diǎn)云數(shù)據(jù)預(yù)處理

所獲取的原始點(diǎn)云空間坐標(biāo)因?yàn)椴捎觅|(zhì)心坐標(biāo)系而不能直接進(jìn)行路面表面模型的構(gòu)建,而且原始點(diǎn)云存在較多的噪點(diǎn)數(shù)據(jù)。利用配套的后處理軟件進(jìn)行數(shù)據(jù)的預(yù)處理,將點(diǎn)云數(shù)據(jù)轉(zhuǎn)換成以.las為擴(kuò)展名的標(biāo)準(zhǔn)格式后,將質(zhì)心直角坐標(biāo)系轉(zhuǎn)換為大地坐標(biāo)系以提取高程信息,接著提取路面區(qū)域的點(diǎn)云數(shù)據(jù)。

在進(jìn)行點(diǎn)云數(shù)據(jù)后續(xù)處理時(shí),若需要提取道路邊界線(xiàn)和路面標(biāo)識(shí)線(xiàn)等特征信息,就需要對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行濾波處理。本次采用CSF濾波算法進(jìn)行濾波處理,濾波步驟如圖1所示。

圖1 布料模擬濾波處流程圖

2 道路邊界線(xiàn)及標(biāo)識(shí)線(xiàn)提取的方法

2.1 道路強(qiáng)度特征圖像生成

將點(diǎn)云數(shù)據(jù)投影到M行C列的網(wǎng)格中,在整個(gè)點(diǎn)云數(shù)據(jù)區(qū)域中,最大值坐標(biāo)(Xmax,Ymax),最小值坐標(biāo)(Xmin,Ymin)。將所有點(diǎn)云數(shù)據(jù)坐標(biāo)投影到XOY平面,則可以生成像素值為N的M行C列的網(wǎng)格。采用落在每個(gè)網(wǎng)格內(nèi)所有的掃描點(diǎn)的平均強(qiáng)度作為該網(wǎng)格上的灰度值(像素值),最后將灰度值歸一化到0～255之間得到強(qiáng)度特征圖像[8]，如式(1)所示。

(1)

式中,M為網(wǎng)格行數(shù);C為網(wǎng)格為列數(shù);N為像素值;(X,Y)為點(diǎn)云坐標(biāo)。

由于路面是水平面,同一個(gè)水平面的高程方向?yàn)橐粋€(gè)點(diǎn),因此將路面點(diǎn)云數(shù)據(jù)投影成強(qiáng)度特征圖像,能夠很好地保留道路特征信息。

2.2 道路特征信息提取

通過(guò)檢測(cè)強(qiáng)度特征圖像灰度值的差異,利用邊緣檢測(cè)算法進(jìn)行提取道路邊緣線(xiàn)以及標(biāo)識(shí)線(xiàn)提取。傳統(tǒng)的Canny濾波算法采用高斯函數(shù)濾波,需設(shè)置閾值及高斯方差。雙邊濾波主要是計(jì)算領(lǐng)域灰度值的加權(quán)平均值來(lái)代替該點(diǎn)的灰度值進(jìn)行去噪濾波,并不需要人為設(shè)置閾值及高斯高程方差,自適應(yīng)性比較好。因此,本文采用雙邊濾波代替高斯濾波來(lái)進(jìn)行路面邊緣線(xiàn)及標(biāo)識(shí)線(xiàn)提取,這樣可以在有效消除干擾的同時(shí)保留路面邊緣信息,最后采用OTSU算法確定Canny算法的閾值,提高算法的自適應(yīng)能力[9]。

雙邊濾波Canny算法提取建筑物輪廓線(xiàn)的步驟如下：

2.2.1雙邊濾波進(jìn)行強(qiáng)度特征圖像去噪

雙邊濾波主要是通過(guò)組合高斯濾波的模型函數(shù)和像素差值所產(chǎn)生的一種卷積模板的方法來(lái)保持邊緣特征的。該卷積模板公式為式(2)、式(3)。

式中,c和s表示closeness和similarity函數(shù);x表示像素點(diǎn);h(x)表示卷積之后的中心像素值;k(x)表示歸一化參數(shù);f(§)表示卷積前的像素值。

2.2.2計(jì)算梯度幅度和方向

通常使用一階偏導(dǎo)的有限差分計(jì)算圖像邊緣方向和梯度方向，如式(4)、式(5)所示。

式中,G(x,y)表示幅度值反映圖像的邊緣強(qiáng)度;θ(x,y)表示方位角反映梯度方向。

2.2.3采用OTSU算法確定閾值

OTSU算法的思想是將強(qiáng)度特征圖像分為背景數(shù)據(jù)和目標(biāo)數(shù)據(jù),利用二者做類(lèi)間方差,其值越大,兩者區(qū)別就越大。通過(guò)使用最OTSU算法,獲取兩個(gè)閾值R1和R2(R1==KR2,0

2.3 連通性分析

通過(guò)采用雙邊濾波CANNY算法提取圖像邊緣,并進(jìn)行連通區(qū)域分析,將彼此連通的區(qū)域標(biāo)記為一個(gè)連通,每個(gè)對(duì)連通區(qū)域?qū)?yīng)個(gè)道路標(biāo)線(xiàn)邊緣。本文采用Two-Pass算法進(jìn)行連通域分析,步驟如圖2所示。

圖2 Two-Pass連通域分析圖

通過(guò)TWO-PASS算法對(duì)邊緣圖像進(jìn)行連通區(qū)域分析,將彼此連通的像素標(biāo)記為一個(gè)連通可以看出邊緣檢測(cè)之后會(huì)有一些噪聲。每個(gè)連通區(qū)域?qū)?yīng)每個(gè)道路標(biāo)線(xiàn)邊緣?？梢钥闯鲞吘墮z測(cè)之后點(diǎn)云中存在輕度突變引起的噪聲點(diǎn)，而且道路面修補(bǔ)部分也存在噪聲[13]。

因此，需要通過(guò)設(shè)置連通區(qū)域的最小像素個(gè)數(shù)大于閾值P，以及連通區(qū)域內(nèi)部像素平均灰度值大于邊緣像素平均灰度值。

2.4 道路標(biāo)識(shí)線(xiàn)點(diǎn)云提取與精化

提取出標(biāo)線(xiàn)邊緣后,可以直接在二維圖像中恢復(fù)道路標(biāo)線(xiàn),但是由于投影分辨率的原因,這種方法得到的道路標(biāo)線(xiàn)精準(zhǔn)度不高,且缺乏高程信息。

強(qiáng)度特征圖像帶有地理特征參考,每個(gè)像素對(duì)應(yīng)N·N的路面點(diǎn)云區(qū)域。由于投影分辨率低,每個(gè)像素對(duì)應(yīng)的點(diǎn)云區(qū)域可能既包含標(biāo)線(xiàn)點(diǎn)云又包含路面點(diǎn)云,因此要去除路面點(diǎn)云噪聲。本文采用高斯混合模型(Gaussian mixture model,GMM)的期望最大化(expectation-maximum,EM)聚類(lèi)的方法進(jìn)行對(duì)道路標(biāo)識(shí)線(xiàn)進(jìn)行精細(xì)化處理[14]。

假設(shè)路面點(diǎn)云和道路標(biāo)識(shí)點(diǎn)云兩類(lèi)數(shù)據(jù)服從高斯混合分布,則把該數(shù)據(jù)看作從許多個(gè)高斯分布中生出來(lái)。然后建立聯(lián)合分布。

高斯分布見(jiàn)式(6)。

(6)

式中,x是d維列向量；u是期望；Σ是方差。

高斯混合模型見(jiàn)式(7)、式(8)。

(1)選擇簇的數(shù)量并隨機(jī)初始化每個(gè)簇的高斯分布參數(shù)(均值和方差)[15]。

(2)給定每個(gè)簇的高斯分布,計(jì)算每個(gè)數(shù)據(jù)點(diǎn)屬于每個(gè)簇的概率。

(3)基于這些概率計(jì)算高斯分布參數(shù)使得數(shù)據(jù)點(diǎn)的概率最大化,可以使用EM算法來(lái)計(jì)算這些新的參數(shù)。

(4)重復(fù)迭代(2)和(3)直到在迭代中的變化不大。

通過(guò)GMM的EM聚類(lèi)的方法對(duì)道路邊緣信息提取的候選道路標(biāo)識(shí)線(xiàn)點(diǎn)云數(shù)據(jù)進(jìn)行去噪,將點(diǎn)云附近非道路邊緣線(xiàn)點(diǎn)云及標(biāo)識(shí)線(xiàn)點(diǎn)云的路面點(diǎn)作為噪聲點(diǎn)剔除掉,從而得到精細(xì)化后的道路邊緣線(xiàn)和標(biāo)識(shí)線(xiàn)點(diǎn)云。

3 結(jié)果與分析

3.1 數(shù)據(jù)獲取與預(yù)處理

本實(shí)驗(yàn)共采用兩組實(shí)驗(yàn)數(shù)據(jù),都選擇了道路中具有代表性的標(biāo)識(shí)符號(hào)信息,該區(qū)域包含水系、道路、建筑物、草地、樹(shù)林及信號(hào)塔。實(shí)驗(yàn)數(shù)據(jù)A區(qū)域包含125 750個(gè)數(shù)據(jù)點(diǎn),道路標(biāo)識(shí)線(xiàn)為直行線(xiàn)。實(shí)驗(yàn)數(shù)據(jù)B的區(qū)域包含114 327個(gè)數(shù)據(jù)點(diǎn),道路標(biāo)識(shí)為轉(zhuǎn)向。本文采用CSF算法進(jìn)行濾波處理,A組數(shù)據(jù)濾波如圖3所示,B組數(shù)據(jù)濾波如圖4所示。

(a)A組原始點(diǎn)云數(shù)據(jù) (b)CSF濾波地面點(diǎn) (c)CSF濾波非地面點(diǎn)

(a)B組原始點(diǎn)云數(shù)據(jù) (b)CSF濾波地面點(diǎn) (c)CSF濾波非地面點(diǎn)

3.2 道路標(biāo)識(shí)線(xiàn)提取

將利用CSF濾波后的路面點(diǎn)云投影到XOY平面上,得到帶有路面特征信息的強(qiáng)度特征信息,之后利用雙邊濾波Canny算法對(duì)圖像進(jìn)行道路邊緣線(xiàn)以及道路標(biāo)識(shí)線(xiàn)信息提取。從圖5和圖6可以看出,獲取的強(qiáng)度特征影像可以很好地保留路面的特征信息,利用邊緣檢測(cè)算法可以很好地提取道路路面邊緣線(xiàn)以及標(biāo)識(shí)線(xiàn)。

(a)A組強(qiáng)度特征影像數(shù)據(jù)1 (b)A組強(qiáng)度特征影像數(shù)據(jù)2 (c)B組強(qiáng)度特征影像數(shù)據(jù)

(a)A組特征信息提取1 (b)A組特征信息提取2 (c)B組特征信息提取

3.3 道路標(biāo)識(shí)線(xiàn)點(diǎn)云提取

通過(guò)邊緣檢測(cè)算法提取的道路特征信息,可以看出道路邊緣線(xiàn)以及標(biāo)識(shí)線(xiàn)附近存在著噪聲,影響提取道路標(biāo)識(shí)線(xiàn)的準(zhǔn)確性,因此采用Two-pass方法進(jìn)行連通域分析,通過(guò)設(shè)置連通區(qū)域的最小像素個(gè)數(shù)大于閾值及連通區(qū)域內(nèi)部像素平均灰度值大于邊緣像素值平均灰度值的兩個(gè)約束條件來(lái)消除噪聲,結(jié)果如圖7所示。提取道路邊緣線(xiàn)及道路標(biāo)識(shí)線(xiàn)后,在強(qiáng)度特征圖像中直接恢復(fù)道路邊緣線(xiàn)及標(biāo)識(shí)線(xiàn)點(diǎn)云,強(qiáng)度特征圖像帶有地理特征參考,每個(gè)像素對(duì)應(yīng)著多個(gè)路面點(diǎn)云區(qū)域,由于投影分辨率,致使每個(gè)像素對(duì)應(yīng)的點(diǎn)云區(qū)域可能存在道路邊緣點(diǎn)及標(biāo)識(shí)線(xiàn)點(diǎn)的同時(shí)也存在路面點(diǎn)云,本文通過(guò)GMM的EM聚類(lèi)去除路面點(diǎn)云噪聲,實(shí)現(xiàn)道路邊緣線(xiàn)及標(biāo)識(shí)線(xiàn)精化,結(jié)果如圖8所示。

(a)A組特征信息提取1 (b)A組特征信息提取2 (c)B組特征信息提取

(a)A組特征信息提取1 (b)A組特征信息提取2 (c)B組特征信息提取

4 結(jié)束語(yǔ)

在分析了道路標(biāo)識(shí)線(xiàn)的基礎(chǔ)上,從邊緣檢測(cè)的角度入手,通過(guò)將點(diǎn)云數(shù)據(jù)投影到XOY平面上,進(jìn)行道路標(biāo)識(shí)線(xiàn)檢測(cè),但是由于投影分辨率,從而導(dǎo)致提取的道路標(biāo)識(shí)線(xiàn)的精度不高,并且缺少高程點(diǎn)信息。強(qiáng)度特征圖像可以很好地保留道路特征信息,本文通過(guò)利用雙邊濾波代替高斯濾波的方法進(jìn)行邊緣檢測(cè),并結(jié)合Two-pass算法進(jìn)行連通域分析,并采用GMM的EM聚類(lèi)的方法,解決了道路標(biāo)識(shí)點(diǎn)缺少高程點(diǎn)信息和道路標(biāo)識(shí)點(diǎn)云中存在路面點(diǎn)云,影響道路標(biāo)識(shí)線(xiàn)準(zhǔn)確性的問(wèn)題,從而實(shí)現(xiàn)道路標(biāo)識(shí)線(xiàn)的精化。實(shí)驗(yàn)表明,該方法能夠準(zhǔn)確地提取道路標(biāo)識(shí)線(xiàn)信息,具有一定的實(shí)用性。同時(shí)該方法存在一些不足：對(duì)于道路復(fù)雜以及標(biāo)識(shí)線(xiàn)遮擋破損需要結(jié)合其他數(shù)據(jù)來(lái)人工修復(fù),對(duì)于提取破損標(biāo)識(shí)線(xiàn)有待進(jìn)一步研究。