王 亮

（太原市測繪研究院，山西 太原 030002）

0 引言

作為一種移動主動式空間數(shù)據(jù)采集的傳感器，車載激光掃描系統(tǒng)能夠在車輛行駛過程中快速、準(zhǔn)確獲取道路面及道路兩側(cè)城市部件點云數(shù)據(jù)，采集點云數(shù)據(jù)具有精度高、分辨率高、密度大等特征，從而實現(xiàn)真實道路空間特征的準(zhǔn)確還原［1-2］。車載激光掃描技術(shù)憑借其優(yōu)勢目前已經(jīng)在高精地圖制作、無人駕駛、地形測量、智慧城市建設(shè)等領(lǐng)域發(fā)揮著積極作用，掃描點云數(shù)據(jù)可為道路要素采集提供可靠的數(shù)據(jù)來源。車載激光掃描技術(shù)在道路工程中的應(yīng)用尤為廣泛，采集的點云數(shù)據(jù)為道路設(shè)施管理、路面安全監(jiān)測及道路改擴建等提供重要的基礎(chǔ)數(shù)據(jù)［3］，研究如何能夠從車載激光掃描點云數(shù)據(jù)中高效、快速提取道路面點云是道路工程應(yīng)用的基礎(chǔ)。

目前，基于車載激光掃描點云數(shù)據(jù)的道路面提取方法主要分為3種，分別為基于聚類分析、基于掃描線以及基于點云特征圖像的道路面提取方法［4-6］。其中，基于聚類分析方法是根據(jù)地物的局部特征實現(xiàn)道路面提取，然而該類方法存在過分割與欠分割現(xiàn)象；基于掃描線的道路面提取方法是根據(jù)掃描線與車輛前進方向垂直的特征進行道路面提取，然而該類方法涉及的參數(shù)較多，并且參數(shù)自適應(yīng)性低；基于點云特征圖像的道路面提取方法是將三維離散點進行投影轉(zhuǎn)換，生成二維圖像，并將數(shù)字圖像處理算法應(yīng)用于二維圖像處理中，根據(jù)處理結(jié)果提取道路面，然而該方法的缺陷在于易造成精度損失。

考慮到目前基于車載激光掃描點云數(shù)據(jù)道路面提取存在的問題，本文根據(jù)道路面點的空間分布特征，提出了一種基于最大類間方差（Otsu）算法與改進區(qū)域生長算法的道路面提取方法，并通過實測點云數(shù)據(jù)對本文提出方法的有效性進行驗證。

1 道路面點云提取方法

本文基于車載點云數(shù)據(jù)的城市道路面提取目的在于提出道路兩側(cè)地物、交通設(shè)施以及道路車輛等點云數(shù)據(jù)，提取完整的道路面點云數(shù)據(jù)，主要可分為道路點云分段、非地面點濾波、改進區(qū)域生長算法進行道路面點提取三個步驟。其中本文的創(chuàng)新之處在于將曲率最小點作為種子點、法向量相似度作為約束條件進行區(qū)域生長，獲取精細(xì)化道路面點云數(shù)據(jù)，具體步驟如圖1所示。

圖1 道路面點云提取流程圖

1.1 點云分段

基于車載激光掃描技術(shù)采集道路點云密度大，數(shù)據(jù)量巨大，因此對整段道路進行統(tǒng)一處理尤為困難。同時，不同里程道路點云數(shù)據(jù)的高程變化較大，在進行點云濾波時不利于高程閾值的設(shè)置。因此，在進行路面點提取前對道路點云數(shù)據(jù)進行分段處理。道路點云分段常采用兩種方式，一是將點云分段為若干個數(shù)據(jù)量相同的部分；二是按照道路前進方向根據(jù)固定行駛軌跡間隔進行點云分割［7］。為了保證局部點云高程跨度在一定范圍內(nèi)，本文選擇第一種點云分段方法。

1.2 非地面點過濾

道路車載激光掃描點云包含沿路建筑物點、城市部件點、行道樹點、灌木叢點以及地面點等。海量的點云數(shù)據(jù)影響后續(xù)算法處理效率，相較于地面點，其他地物點的高程明顯更高，因此可通過設(shè)置高程閾值的方式將非地面點濾除。對于不同里程道路，選擇適合該段道路點云的高程閾值尤為重要。

本文引入Otsu 算法計算不同路段的高程分割閾值，保留低于高程分割閾值的點，將高于分割閾值的點剔除。該算法的具體實現(xiàn)步驟為［8］：

（1）輸入數(shù)據(jù)量為N的點云數(shù)據(jù)，獲取場景中點的最大高程值與最小高程值，根據(jù)高程最大值與最小值將高程分為L個等級，那么每個等級出現(xiàn)概率pi為

式中，ni表示每個等級中點云的個數(shù)。

（2）根據(jù)高程閾值k 將原始點云分為兩個部分，各部分出現(xiàn)概率為

式中，C0為高于高程閾值的部分；C1為低于高程閾值的部分；P(C0)為高于高程閾值出現(xiàn)概率，使用ω0表示；P(C1)為低于高程閾值出現(xiàn)概率，使用ω1表示。高程平均值為

式中，μ0為高于高程閾值的平均高程；μ1為低于高程閾值的平均高程；μ(k)為高程閾值；w(k)為高于高程閾值出現(xiàn)概率；μT為點云總體平均高程。

（3）計算地面點與非地面點間的高程類間方差g為

（4）重復(fù)上述步驟，將最大類間方差對應(yīng)閾值δ為最優(yōu)分割閾值，保留高程小于δ的點，剔除高程大于δ的點。

1.3 法向量及曲率估算

1.3.1 k鄰域搜索

由于點云場景中各激光點為相互之間沒有聯(lián)系的散點，因此不存在幾何拓?fù)湫畔?，通過構(gòu)建離散點之間的幾何拓?fù)潢P(guān)系實現(xiàn)鄰域查找。K維樹（k-dimensional tree，KD-tree）是一種用于分割多為數(shù)據(jù)空間的算法［9］，本文選用該算法進行k鄰域搜索。

1.3.2 法向量估計

單一的激光點沒有方向，無法計算點的法向量，本同通過鄰域點構(gòu)建的擬合平面法向量表征鄰域激光點法向量，如圖2所示，將法向量方向相似度作為路面點云提取約束條件之一。

通過鄰域點局部擬合平面進行鄰域點法向量估計的具體實現(xiàn)步驟為［10-11］：

（1）假設(shè)存在激光點pi（xi，yi，zi），通過KD-tree算法搜索得到該激光點k各鄰域點，通過鄰域點構(gòu)建擬合平面P為

式中，n為擬合平面P的法向量；d為擬合平面與坐標(biāo)原點的間距；arg min 表示取目標(biāo)函數(shù)最小的變量值。

（2）為了求解激光點法向量，引入主成分分析法，根據(jù)構(gòu)建鄰域點構(gòu)建協(xié)方差陣C并計算矩陣C特征值及特征值對應(yīng)特征向量為

式中，k為鄰域點個數(shù)；λi為矩陣C特征值；vi為矩陣C特征值對應(yīng)特征向量即為激光點法向量。

可通過激光點特征值大小表征3方向上的變化程度，因此激光點pi的曲率Ki可表示為

式中，λ0、λ1、λ2為矩陣C特征值。

1.4 改進區(qū)域生長算法

道路路面點法向量方向與路緣石等點法向量方向存在較大差異，其中路面點法向量方向呈集中豎直向上分布狀態(tài)，路緣石等點法向量方向分布不規(guī)則，因此可以將點云法向量方向相似性作為約束條件，使用改進區(qū)域區(qū)域生長算法提取道路路面點。

原始區(qū)域生長算法進行點云分割時存在效率低、過分割以及種子點選取隨意等問題，因此，本文通過優(yōu)化種子點選取規(guī)則實現(xiàn)區(qū)域生長算法的改進。城市典型道路空間結(jié)構(gòu)特征如圖3所示。

圖3 城市典型道路空間結(jié)構(gòu)

可以看到城市典型道路路面較路側(cè)地物、人行道更為平坦且高程更低，因此通過對濾波后點云數(shù)據(jù)進行高程升序排列并選取曲率最小激光點為種子點實現(xiàn)道路路面點提取，具體步驟為：

（1）對輸入點云數(shù)據(jù)按照高程升序進行排列，計算激光點的法向量ni與曲率Ki，將曲率最小的點作為種子點。

（2）選擇一激光點作為中心點，計算該點鄰域范圍內(nèi)激光點的法向量以及法向量與當(dāng)前點法向量方向夾角Si。

（3）設(shè)置曲率閾值Kt與平滑閾值Sθ，如果同時滿足條件Ki＜Kt及Si＜Sθ，那么將當(dāng)前種子點加入種子點集中。

（4）遍歷步驟（1）至步驟（3），直至完成所有激光點的判斷與分類。

完成上述步驟后，得到所有路面點以及某些近似平面點群區(qū)域，相較于某些近似平面點群區(qū)域，路面點所在部分為最大連通區(qū)域且平均高程較低，因此可通過設(shè)置閾值參數(shù)實現(xiàn)最終路面點提取。

2 試驗與結(jié)果分析

2.1 試驗數(shù)據(jù)

為了評估本文道路面點云提取算法的性能，選擇兩段城市典型道路車載激光掃描點云數(shù)據(jù)進行試驗，試驗數(shù)據(jù)通過國產(chǎn)自主集成的AS900-HL 移動車載激光掃描系統(tǒng)采集得到，該車載激光掃描系統(tǒng)由全景相機、里程計、慣性導(dǎo)航裝置、衛(wèi)星定位模塊、三維激光掃描儀組成。在進行道路點云數(shù)據(jù)采集過程中，為盡可能采集高密度完整點云成果，將車速控制在30 km/h 左右，并且不與大車并行行駛。圖4（a）為路段1 道路點云數(shù)據(jù)，該段道路坡度較大，寬度較為規(guī)則，為直線型路段，點云數(shù)據(jù)長度約為300 m，包含激光點數(shù)為3 758 943 個；圖4（b）為路段2 道路點云數(shù)據(jù)，該段道路坡度較小，不同里程道路寬度存在一定差異，為彎曲型路段，點云數(shù)據(jù)長度約為150 m，包含激光點數(shù)為1 895 341個，兩段道路均包含低矮植被、行道樹、路燈桿、交通指示牌等對象。

圖4 道路點云數(shù)據(jù)

2.2 試驗結(jié)果與分析

首先對原始點云進行分段處理，其次對不同分段點云分別進行點云濾波處理，根據(jù)Otus 算法自適應(yīng)計算得到高程閾值實現(xiàn)非地面點過濾，兩段道路進行非地面點過濾后的結(jié)果如圖5所示。

圖5 非地面點過濾結(jié)果

由圖5可知，非地面點濾波后，原始點云數(shù)據(jù)的桿類、行道樹等高程較大的地物基本被濾除，避免了上述地物對路面點提取的影響，同時可見車輛被濾波后留下的空洞區(qū)域。

使用C++語言實現(xiàn)道路面點云提取算法，使用KNN 鄰域查找方法，搜索參數(shù)設(shè)置為30。在進行改進區(qū)域生長算法進行路面點提取時，根據(jù)道路點云的分布狀態(tài)以及分析不同參數(shù)設(shè)置下的試驗結(jié)果，當(dāng)路段1 點云數(shù)據(jù)在曲率閾值Kt為0.04、法向量夾角閾值Sθ為8°時試驗結(jié)果最好，因此設(shè)置曲率閾值Kt為0.04、法向量夾角閾值Sθ為8°；當(dāng)路段2點云數(shù)據(jù)在曲率閾值Kt為0.04、法向量夾角閾值Sθ為5°時試驗結(jié)果最好，因此設(shè)置曲率閾值Kt為0.04、法向量夾角閾值Sθ為5°。兩段道路的最終路面點提取結(jié)果如圖6所示。

圖6 道路面點云提取結(jié)果

通過圖6 可以看到，使用本文方法可以有效地將道路面以外的地面點、非地面點剔除，保證了道路面點云的完整性，驗證了本文方法的可靠性。

為了對本文方法提取道路面點進行定量評價，將準(zhǔn)確度CR、完整度CP以及提取質(zhì)量Q作為評價指標(biāo)定量評估道路面點提取結(jié)果［12-15］。

式中，TP為正確提取路面點數(shù)量；FN為錯誤提取路面點數(shù)量；FP為未能正確提取路面點數(shù)量，將手工獲取道路面點數(shù)據(jù)作為真實參考數(shù)據(jù)。

對本文提取路面點數(shù)據(jù)與真實參考數(shù)據(jù)進行對比得到精度統(tǒng)計結(jié)果，如表1所示。

表1 路面點提取結(jié)果精度統(tǒng)計 單位：%

由表1可知，兩段道路的寬度、形態(tài)均存在一定差異，然而使用本文方法提取道路面點云結(jié)果的CR、CP、Q均超過了94%，驗證了本文方法的魯棒性。同時可以看到準(zhǔn)確度CR較完整度CP略高，在于路面局部區(qū)域受車輛等障礙物遮擋存在少量缺失。通過試驗結(jié)果可以看出，本文方法可準(zhǔn)確有效地提取城市道路面，受道路形態(tài)、道路寬度、道路坡度等因素影響較小。

3 結(jié)束語

本文提出了一種基于車載激光掃描點云數(shù)據(jù)的城市道路面點云提取方法，該方法首先根據(jù)路面點的地面屬性，使用Otsu 算法計算不同路段的高程分割閾值實現(xiàn)非地面點濾除，實現(xiàn)路面點粗提取，消除非地面點對路面點提取的影響。在提取地面點的基礎(chǔ)上，根據(jù)路面點法向量分布特征，提出使用改進區(qū)域生長算法進行道路面點云精確提取。為了對本文提出路面點提取方法的有效性與可靠性進行檢驗，使用兩段典型城市道路點云數(shù)據(jù)進行試驗，結(jié)果表明，使用本文方法提取道路面點云結(jié)果的準(zhǔn)確度CR、完整度CP以及提取質(zhì)量Q均大于94%，具有較好的適應(yīng)性。下一步的研究重點將是路面局部區(qū)域及邊緣區(qū)域點云缺失部分的修補。