劉正坤，蔡文婷，李衛(wèi)軍

（1.廣州中科智云科技有限公司，廣東 廣州 510660；2.南方電網(wǎng)數(shù)字電網(wǎng)研究院有限公司，廣東 廣州 510660；3.中國(guó)能源建設(shè)集團(tuán)廣東省電力設(shè)計(jì)研究院有限公司，廣東 廣州 510663）

車(chē)輛監(jiān)測(cè)是智能交通管理系統(tǒng)的前提和基礎(chǔ)，現(xiàn)有方法主要包括線(xiàn)圈監(jiān)測(cè)、微波監(jiān)測(cè)、超聲波監(jiān)測(cè)和視頻監(jiān)測(cè)等，但這些方法均受布設(shè)地域的限制，只能用于主干道交通監(jiān)控，難以做到大范圍全覆蓋。高分辨率遙感技術(shù)的發(fā)展使得細(xì)小地物提取與識(shí)別、大范圍動(dòng)態(tài)監(jiān)測(cè)成為可能，逐漸成為車(chē)輛監(jiān)測(cè)研究新的熱點(diǎn)。國(guó)際攝影測(cè)量與遙感學(xué)會(huì)（ISPRS）于2002年召開(kāi)了“交通遙感專(zhuān)題”會(huì)議，并于2006年出版了“航空與航天交通監(jiān)測(cè)”專(zhuān)刊[1]，對(duì)基于遙感影像的車(chē)輛提取和交通參數(shù)估計(jì)等方面的研究成果進(jìn)行了總結(jié)。然而，可見(jiàn)光遙感只能在白天使用，且易受云、霧等環(huán)境影響，難以實(shí)現(xiàn)全天候機(jī)動(dòng)監(jiān)測(cè)。機(jī)載激光雷達(dá)（LiDAR）技術(shù)能快速獲取大范圍地表三維空間坐標(biāo)數(shù)據(jù)，目前已提出了多種機(jī)載LiDAR車(chē)輛提取方法。Toth C K[2]等首先對(duì)點(diǎn)云進(jìn)行分割，再利用主成分分析方法識(shí)別，將LiDAR數(shù)據(jù)與航空影像相結(jié)合，實(shí)現(xiàn)了車(chē)輛監(jiān)測(cè)和車(chē)輛速度估計(jì)，但該系統(tǒng)僅在高速公路上進(jìn)行了測(cè)試，對(duì)于城市環(huán)境的適應(yīng)性還有待進(jìn)一步研究。YAO W[3-4]等提出了基于網(wǎng)格單元的車(chē)輛提取方法和基于三維目標(biāo)點(diǎn)云分析的車(chē)輛提取方法，并對(duì)這兩種方法進(jìn)行了比較[5]，前者通過(guò)分析車(chē)輛與建筑物、樹(shù)木、道路、空曠地之間的相互關(guān)系，采用地面分割、缺失數(shù)據(jù)插值、車(chē)輛頂部檢測(cè)與選擇、車(chē)輛分割4個(gè)步驟實(shí)現(xiàn)了車(chē)輛提?。缓笳咧苯訌纳y點(diǎn)云中提取目標(biāo)，避免了插值引入的信息損失，主要包括均值飄移分割和基于目標(biāo)特征分類(lèi)兩個(gè)步驟。對(duì)比實(shí)驗(yàn)表明，基于三維目標(biāo)點(diǎn)云分析的車(chē)輛提取方法具有更高的精度，且對(duì)運(yùn)動(dòng)狀態(tài)和速度信息的提取更加穩(wěn)?。欢诰W(wǎng)格單元的車(chē)輛提取方法更適用于靜止車(chē)輛的提取。劉珠妹[6]等提出了一種航空影像輔助下的城區(qū)車(chē)輛檢測(cè)方法，首先利用形態(tài)學(xué)濾波實(shí)現(xiàn)地面與地物的分類(lèi)，再通過(guò)歸一化植被指數(shù)（NDVI）特征去掉植被點(diǎn)，最后根據(jù)高程信息和形狀特征實(shí)現(xiàn)車(chē)輛提取。該方法需要影像數(shù)據(jù)輔助提取，因此限制了其適用性。

機(jī)載LiDAR作業(yè)過(guò)程中存在數(shù)據(jù)丟失的現(xiàn)象，主要包括3個(gè)方面的原因：①航帶間的重疊度太小，飛行平臺(tái)較大的姿態(tài)變化將導(dǎo)致航帶間的數(shù)據(jù)缺失；②儀器設(shè)備自身功能缺陷或工作不穩(wěn)定等；③由于地面目標(biāo)的鏡面反射或強(qiáng)吸收，導(dǎo)致激光信號(hào)無(wú)法返回激光探測(cè)單元。前兩種原因可通過(guò)精確的航線(xiàn)規(guī)劃、儀器操作和改進(jìn)儀器性能等措施加以避免[7]，但物體表面特征對(duì)掃描信號(hào)的影響難以徹底消除，如水體吸收使得激光點(diǎn)密度大幅減小，回波強(qiáng)度減弱[8]。對(duì)于大多數(shù)車(chē)輛而言，表面較光滑，激光信號(hào)易產(chǎn)生鏡面反射而導(dǎo)致車(chē)輛點(diǎn)云缺失。常規(guī)的形狀匹配方法難以實(shí)現(xiàn)數(shù)據(jù)缺失條件下的車(chē)輛提取，因此本文提出了一種基于地物聚類(lèi)和地面空白區(qū)搜索的車(chē)輛聯(lián)合提取方法。

1 車(chē)輛提取的主要流程

針對(duì)數(shù)據(jù)缺失條件下的車(chē)輛提取問(wèn)題，本文提出的方法主要包括數(shù)據(jù)預(yù)處理和聯(lián)合提取兩大步驟：①數(shù)據(jù)預(yù)處理，首先采用漸進(jìn)形態(tài)學(xué)濾波方法將原始LiDAR數(shù)據(jù)分類(lèi)為地物點(diǎn)和地面點(diǎn)，然后分別對(duì)地物點(diǎn)和地面點(diǎn)進(jìn)行聚類(lèi)和遮擋區(qū)搜索，為聯(lián)合車(chē)輛提取提供兩類(lèi)待分類(lèi)目標(biāo)；②聯(lián)合提取，首先利用單類(lèi)支持向量機(jī)對(duì)聚類(lèi)和搜索結(jié)果進(jìn)行分類(lèi)，提取屬于車(chē)輛的點(diǎn)云聚類(lèi)以及由于車(chē)輛遮擋形成的空白區(qū)，然后根據(jù)車(chē)輛拓?fù)浣Y(jié)構(gòu)約束進(jìn)行聯(lián)合評(píng)估，最終實(shí)現(xiàn)車(chē)輛提取。具體流程如圖1所示，本文重點(diǎn)介紹車(chē)輛聯(lián)合提取部分。

圖1 車(chē)輛聯(lián)合提取流程圖

2 數(shù)據(jù)預(yù)處理

2.1 漸進(jìn)形態(tài)學(xué)濾波與去噪

LiDAR濾波算法包括曲面擬合法[9-10]、TIN網(wǎng)格法[11]、坡度閾值法[12]、形態(tài)學(xué)濾波法[13]等，本文采用漸進(jìn)形態(tài)學(xué)濾波分離地面點(diǎn)和地物點(diǎn)[14]。該算法通過(guò)逐漸增加窗口大小并采用不同的高程差閾值實(shí)現(xiàn)濾波，能濾除不同尺度的地物[15]，其中每次迭代的濾波閾值dhi，T為：

式中，dh0為初始高程差閾值，一般取0.2～0.3 m；dhmax為最大高程差閾值；s為最大地面坡度；c為網(wǎng)格大??；wi為濾波窗口大小。

由形態(tài)學(xué)濾波特性可知，高程值較大的噪聲能被開(kāi)運(yùn)算剔除，但對(duì)于高程值比地面低的噪聲，形態(tài)學(xué)濾波無(wú)法自動(dòng)剔除，因此需在濾波后采用孤立點(diǎn)檢測(cè)的方法剔除低矮的噪聲點(diǎn)。

2.2 地物點(diǎn)聚類(lèi)與遮擋區(qū)搜索

漸進(jìn)形態(tài)學(xué)濾波后的地物包括建筑物、植被、車(chē)輛、橋梁、電線(xiàn)等點(diǎn)云，車(chē)輛檢測(cè)前需先將地物聚類(lèi)，以便提取各類(lèi)地物的特征，從而采用分類(lèi)方法進(jìn)行提取。DBSCAN算法[14]是一種基于密度的空間聚類(lèi)算法，聚類(lèi)速度快且無(wú)需設(shè)定聚類(lèi)個(gè)數(shù)，適用于數(shù)據(jù)量較大且分布均勻的點(diǎn)云數(shù)據(jù)聚類(lèi)。其基本思想是對(duì)于一個(gè)聚類(lèi)中的每個(gè)點(diǎn)，在給定的鄰域包含的對(duì)象個(gè)數(shù)不少于給定閾值。該算法需要進(jìn)行大量鄰域搜索，為提高聚類(lèi)效率，先對(duì)點(diǎn)云進(jìn)行規(guī)則網(wǎng)格劃分。

濾波后的地面點(diǎn)云中含有大量空白區(qū)，大部分是由建筑物、樹(shù)木、車(chē)輛等地物遮擋形成的，也有一部分是由物體表面吸收或鏡面反射導(dǎo)致的。對(duì)遮擋區(qū)進(jìn)行搜索，便于在分類(lèi)時(shí)提取遮擋區(qū)特征。本文先將地面點(diǎn)轉(zhuǎn)換為二值圖像，再通過(guò)閉運(yùn)算剔除細(xì)小的空白區(qū)，最后采用連通區(qū)搜索方法實(shí)現(xiàn)遮擋區(qū)提取。

3 車(chē)輛聯(lián)合提取

3.1 地物聚類(lèi)與地面遮擋區(qū)的支持向量機(jī)分類(lèi)

為實(shí)現(xiàn)車(chē)輛提取，本文首先分別對(duì)地物聚類(lèi)和地面遮擋區(qū)進(jìn)行特征提取，再利用支持向量機(jī)進(jìn)行車(chē)輛識(shí)別。地物聚類(lèi)特征屬性包括面積、平均高度、高差、長(zhǎng)寬比、平面性、圓形度和矩形度，遮擋區(qū)屬性包括面積、長(zhǎng)寬比、圓形度和矩形度。各類(lèi)屬性的具體含義描述為：①面積S，目標(biāo)的平面投影所占面積；②平均高度Ah，目標(biāo)上所有點(diǎn)的高程值與最低點(diǎn)高程值之差的平均值，；③高差dh，目標(biāo)上最大高程值與最小高程值之差，dh=max(h)-min(h)；④長(zhǎng)寬比M，目標(biāo)長(zhǎng)度與寬度之比，汽車(chē)的長(zhǎng)寬比一般大于1小于4；⑤平面性P，設(shè)目標(biāo)上所有點(diǎn)的協(xié)方差矩陣的特征值分別為λ1、λ2、λ3，則，該值越大，表明目標(biāo)越接近平面；⑥圓形度E，目標(biāo)與圓形的接近程度，，其中L為目標(biāo)周長(zhǎng)，當(dāng)E=1時(shí)，目標(biāo)為標(biāo)準(zhǔn)圓形，E越小與圓形的差距越大；⑦矩形度R，目標(biāo)面積S與外接矩形的面積Sr之比，該值為1時(shí)為標(biāo)準(zhǔn)矩形，越接近1，表明越接近矩形。

在提取特征后，將特征值歸一化到[-1，1]，再采用單類(lèi)支持向量機(jī)對(duì)目標(biāo)進(jìn)行分類(lèi)識(shí)別。本文選用RBF核函數(shù)，正則化參數(shù)γ和核函數(shù)參數(shù)δ由十折交叉驗(yàn)證訓(xùn)練得到。

3.2 聯(lián)合提取

設(shè)支持向量機(jī)識(shí)別的車(chē)輛聚類(lèi)結(jié)果為χ(Oi)∈[-1，1]，其中Oi為聚類(lèi)點(diǎn)集，χ(Oi)=1表示該點(diǎn)集為車(chē)輛點(diǎn)集，否則為非車(chē)輛點(diǎn)集；遮擋區(qū)識(shí)別結(jié)果為γ(Ψi)∈[-1，1]，其中Ψi為遮擋區(qū)，γ(Ψi)=1表示該空白區(qū)是車(chē)輛遮擋形成的。由于地物遮擋形成的空白區(qū)可能與車(chē)輛空白區(qū)相似，進(jìn)而導(dǎo)致支持向量機(jī)分類(lèi)錯(cuò)誤，因此需進(jìn)一步結(jié)合該遮擋區(qū)內(nèi)點(diǎn)集的高程信息進(jìn)行修正。對(duì)于?pm，pn，p′g∈P(Ψvi) ，P(Ψvi) 為車(chē)輛遮擋區(qū)內(nèi)的點(diǎn)集，修正后的識(shí)別結(jié)果為：

式中，dh(pm，pn)為點(diǎn)pm與pn的高程差；dhv為汽車(chē)高度閾值，一般為4.5 m；為遮擋區(qū)范圍中心虛擬地面點(diǎn)，其高程由附近地面點(diǎn)插值得到；hv為汽車(chē)最高點(diǎn)到地面的距離閾值，一般為4.5 m。

通過(guò)式（2）能將大部分與車(chē)輛相似的地物遮擋區(qū)剔除。?(Ψvi)=0則表示無(wú)法判斷該遮擋區(qū)是否為車(chē)輛遮擋區(qū)。

基于地物聚類(lèi)的車(chē)輛提取方法與基于地面遮擋區(qū)的車(chē)輛提取方法各有優(yōu)勢(shì)，前者對(duì)表面反射點(diǎn)較多且分布均勻的目標(biāo)提取效果較好；后者受表面反射點(diǎn)多少與分布影響較小，只與地物的遮擋區(qū)域形狀有關(guān)，對(duì)反射點(diǎn)少的目標(biāo)提取效果較好。因此，可將這兩種方法進(jìn)行聯(lián)合提取，以提高提取的精度和完整度，降低虛警率和漏檢率。

聯(lián)合提取的基本原則為：①地物聚類(lèi)識(shí)別結(jié)果和遮擋區(qū)識(shí)別結(jié)果若均為1，則聯(lián)合提取結(jié)果為1，若均為-1，則聯(lián)合提取結(jié)果為-1；②當(dāng)?shù)匚锞垲?lèi)點(diǎn)較少時(shí)，以遮擋區(qū)識(shí)別結(jié)果為聯(lián)合提取結(jié)果；③當(dāng)?shù)匚锞垲?lèi)點(diǎn)較多時(shí)，以地物聚類(lèi)識(shí)別結(jié)果為聯(lián)合提取結(jié)果；④若遮擋區(qū)識(shí)別結(jié)果為0或地物聚類(lèi)識(shí)別結(jié)果為1、遮擋區(qū)識(shí)別結(jié)果為-1，則聯(lián)合提取結(jié)果為0。

根據(jù)上述原則，地物點(diǎn)聚類(lèi)識(shí)別與遮擋區(qū)識(shí)別聯(lián)合提取結(jié)果為：

式中，Num(Oi)為地物聚類(lèi)Oi的點(diǎn)數(shù)；Nv為其閾值。

4 實(shí)驗(yàn)數(shù)據(jù)與結(jié)果分析

本文通過(guò)實(shí)驗(yàn)驗(yàn)證聯(lián)合車(chē)輛提取方法的性能，選用ISPRS提供的用于檢驗(yàn)城區(qū)地物提取方法的參考數(shù)據(jù)Toronto數(shù)據(jù)集[15]，其中LiDAR數(shù)據(jù)由Optech ALTMORION M機(jī)載激光掃描系統(tǒng)于2009年2月采集，飛行高度為650 m，速度為220 km/h，整個(gè)數(shù)據(jù)包括6個(gè)條帶，點(diǎn)密度為6 pts/m2。本文選取其中具有代表性的3塊數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，如圖2所示，實(shí)驗(yàn)區(qū)分別包含277輛、275輛和435輛汽車(chē)。本文分別對(duì)3個(gè)實(shí)驗(yàn)區(qū)進(jìn)行漸進(jìn)形態(tài)學(xué)濾波與去噪，首先將房屋、樹(shù)木和車(chē)輛等地物點(diǎn)與地面點(diǎn)分離；然后采用DBSCAN算法對(duì)地物進(jìn)行聚類(lèi)，并對(duì)遮擋區(qū)進(jìn)行搜索。單類(lèi)支持向量機(jī)的訓(xùn)練數(shù)據(jù)采用人工識(shí)別提取，選取不同類(lèi)型具有代表性的車(chē)輛共30輛，分別計(jì)算各類(lèi)屬性特征，統(tǒng)計(jì)結(jié)果如表1所示。

表1 訓(xùn)練數(shù)據(jù)屬性統(tǒng)計(jì)

圖2 實(shí)驗(yàn)區(qū)原始點(diǎn)云圖

4.1 定性分析

3個(gè)實(shí)驗(yàn)區(qū)的車(chē)輛提取結(jié)果如圖3～5所示，圖中紅色為地物聚類(lèi)識(shí)別提取的車(chē)輛，藍(lán)色為遮擋區(qū)識(shí)別增加提取的車(chē)輛，右側(cè)分別為A、B區(qū)域的原始點(diǎn)云。區(qū)域1的聯(lián)合提取結(jié)果（圖3）中包含正在施工的工地，底部為火車(chē)軌道，A為停車(chē)場(chǎng)，大部分車(chē)輛被正確提取，B為兩棟樓之間的狹長(zhǎng)地帶，建筑結(jié)構(gòu)較復(fù)雜，其中的兩輛車(chē)均被正確提取。區(qū)域2的聯(lián)合提取結(jié)果（圖4）中包含4條道路，其中一條道路中間有隔離帶，點(diǎn)云分布與車(chē)輛較相似，聯(lián)合提取方法能正確地將其與車(chē)輛區(qū)分；由右側(cè)原始點(diǎn)云可知，其中有一部分車(chē)輛點(diǎn)云較稀疏，有的甚至只有3個(gè)點(diǎn)，地物聚類(lèi)方法未能提取出這部分車(chē)輛，而聯(lián)合提取方法對(duì)這些表面點(diǎn)稀疏的車(chē)輛提取效果較理想。區(qū)域3的聯(lián)合提取結(jié)果（圖5）中包含大量并排停放且靠近建筑物的車(chē)輛（A、B區(qū)域），聯(lián)合提取方法能正確提取該類(lèi)型的車(chē)輛，B區(qū)域中有帶樹(shù)木的道路，部分車(chē)輛被樹(shù)木遮擋，僅有部分激光穿透到車(chē)輛表面，聯(lián)合提取方法同樣能正確提取這部分車(chē)輛。綜上所述，聯(lián)合提取方法在復(fù)雜城區(qū)環(huán)境下的車(chē)輛提取效果較理想，能正確區(qū)分類(lèi)似車(chē)輛的地物，在激光穿透率較高的情況下不受樹(shù)木遮擋影響，對(duì)表面點(diǎn)極為稀疏的車(chē)輛提取效果較理想。

圖3 區(qū)域1聯(lián)合提取結(jié)果與A、B區(qū)域原始點(diǎn)云

圖4 區(qū)域2聯(lián)合提取結(jié)果與A、B區(qū)域原始點(diǎn)云

圖5 區(qū)域3聯(lián)合提取結(jié)果與A、B區(qū)域原始點(diǎn)云

4.2 定量分析

為進(jìn)一步分析聯(lián)合提取結(jié)果，本文采用正確度和完整度兩個(gè)指標(biāo)對(duì)提取結(jié)果進(jìn)行定量評(píng)價(jià)[16-17]。正確度，完整度，其中TP為正確提取的車(chē)輛數(shù)，F(xiàn)P為錯(cuò)誤提取的車(chē)輛數(shù)，F(xiàn)N為未被提取的車(chē)輛數(shù)。進(jìn)而可知，虛警率Fa=，漏檢率In。由于該區(qū)域的航空影像與LiDAR數(shù)據(jù)采集的時(shí)間不同，且車(chē)輛具有流動(dòng)性，無(wú)法將影像直接作為參考對(duì)車(chē)輛提取結(jié)果進(jìn)行評(píng)判，因此本文采用人工識(shí)別方法，將識(shí)別的車(chē)輛與航空影像進(jìn)行對(duì)比，以排除被錯(cuò)分的類(lèi)似車(chē)輛的地物。

3個(gè)區(qū)域的聯(lián)合提取精度如表2所示，可以看出，地物聚類(lèi)識(shí)別的精度較高但完整度較低，該方法通過(guò)提取車(chē)輛表面點(diǎn)集特征實(shí)現(xiàn)車(chē)輛識(shí)別，虛警率較低，但對(duì)于表面點(diǎn)集較少的車(chē)輛，提取的特征不能很好地反映車(chē)輛實(shí)際特征，因此漏檢率較高；遮擋區(qū)提取結(jié)果的完整度高但精度低，該方法通過(guò)提取地物遮擋區(qū)的特征實(shí)現(xiàn)車(chē)輛識(shí)別，一般情況下，車(chē)輛都會(huì)形成遮擋區(qū)，即使表面點(diǎn)集較少的車(chē)輛同樣具有相似的遮擋區(qū)，因此漏檢率低，但該方法易受與車(chē)輛遮擋區(qū)特征相似地物的影響，虛警率較高；聯(lián)合提取方法同時(shí)具有較高的精度和完整度，綜合了上述兩種方法的優(yōu)點(diǎn)，克服了各自的缺點(diǎn)，提取效果較理想。

表2 聯(lián)合提取結(jié)果

5 結(jié)語(yǔ)

針對(duì)沒(méi)有影像輔助情況下的機(jī)載LiDAR車(chē)輛提取問(wèn)題，本文提出了基于地物聚類(lèi)與遮擋區(qū)搜索的支持向量機(jī)車(chē)輛聯(lián)合提取方法。實(shí)驗(yàn)結(jié)果表明：①地物聚類(lèi)方法受車(chē)輛表面點(diǎn)集分布和數(shù)量的影響較大，特別是較難提取表面反射點(diǎn)稀疏的車(chē)輛目標(biāo)，因此完整度較低，但該方法精度較高；②基于遮擋區(qū)搜索的提取方法不受表面點(diǎn)集分布和數(shù)量的影響，只與遮擋區(qū)的形狀特征相關(guān)，而一般情況下車(chē)輛均能形成相似的遮擋區(qū)，因此該方法的完整度較高，但易將遮擋區(qū)以及與車(chē)輛相似的地物識(shí)別為車(chē)輛，精度較低；③聯(lián)合提取方法綜合了兩種方法的優(yōu)點(diǎn)，較好地避免了稀疏點(diǎn)集與相似遮擋區(qū)地物的影響，同時(shí)提高了車(chē)輛提取的精度和完整度。