基于多特征联合分析的车载点云市区道路边界线提取_王静.pdf

第 46 卷 第 1 期2023 年 1 月测绘与空间地理信息GEOMATICS&SPATIAL INFORMATION TECHNOLOGYVol.46,No.1Jan.,2023收稿日期:2022-01-17作者简介:王 静(1980-),女,山东菏泽人,高级工程师,硕士,2013 年毕业于山东科技大学测绘工程专业,主要从事基础测绘工程及地图制图等方面的应用研究工作。通信作者:范维锋(1980-),男,山东泰安人,高级工程师,硕士,2014 年毕业于山东科技大学测绘工程专业,主要从事摄影测量与遥感方面的应用研究工作。基于多特征联合分析的车载点云市区道路边界线提取王 静,范维锋,孔昭龙(山东省国土测绘院,山东 济南 250000)摘要:车载激光扫描系统目前已应用于智慧城市建设、道路资产管理等多个方面。本文针对车载 LiDAR 点云数据道路边界提取问题,提出基于多特征联合且适应多类道路的边界提取方法。构建点云局部邻域高差梯度、回波梯度与曲率梯度,通过设置阈值提取道路边线。结果表明,该方法在直行道路、曲弯、直弯等代表性道路环境中均取得了较好的结果,验证了算法的鲁棒性,对扩展研究车载 LiDAR 在道路场景中的应用具有重要价值。关键词:车载 LiDAR;点云;道路边界;多特征联合中图分类号:P225 文献标识码:A 文章编号:1672-5867(2023)01-0185-04Extraction of Urban Road Boundary Lines from Vehicle-borne Point Cloud Based on Multi-feature Joint AnalysisWANG Jing,FAN Weifeng,KONG Zhaolong(Shandong Institute of Land Surveying and Mapping,Jinan 250000,China)Abstract:Vehicle-borne laser scanning system has been applied in many aspects,such as smart city construction,road asset manage-ment and so on.Aiming at the problem of road boundary extraction based on vehicle-borne LiDAR point cloud data,a boundary ex-traction method based on multi-feature joint analysis and suitable for multi-class roads is proposed.The local neighborhood height difference gradient,echo gradient and curvature gradient of point cloud are constructed,and the road edge is extracted by setting the threshold.The results show that the method has achieved good results in representative road environments such as straight road,curved and straight curved road,which verifies the robustness of the algorithm,and is of great value to expand the research on the ap-plication of vehicle LiDAR in road scene.Key words:vehicle LiDAR;point cloud;road boundary;multi-feature combination0 引 言道路边界是道路信息的重要组成部分,道路边界信息的提取不仅对道路管理与智慧交通具有重要作用,在无人驾驶、高精度导航地图制作等方面也具有重要意义。车载 LiDAR 在空间数据获取方面具有一定优势,该系统能够快速获取道路数据与地物数据各自的特点与空间分布,能够详细描述地物形态,用于道路信息的获取具有明显优势,为道路各部件形态特征、空间特征及反射强度特征的构建提供数据支持,完成道路边界信息提取2-3。国内外学者对激光点云道路边界提取开展了一定的研究,对道路边界信息的提取方法主要分为:1)基于空间分布特征的提取方法。如王果等通过计算点云邻域内的高程突变特征提取边界;JG Segovia-Hernndez 等使用较平坦地面算法和相邻区域高差来确定相应的路面边界1。2)基于横断面分割的方法。如方莉娜等将激光扫描数据分割为扫描线形式,后采用移动窗口方法计算邻域内点云高程差、点密度与坡度值等指标构建路肩模型,分析扫描线点云分布的统计特征获取道路信息6。3)基于点云回波强度提取方法。闫兆进等采用点云生成强度图像,利用 LSD 直线检测提取道路边界7。基于以上研究,获取多类型道路点云数据,首先通过迭代 TIN 加密算法,完成数据初始滤波分离地面点与非地面点,然后通过构建点局域邻域空间特征、回波强度特征等共同分析提取道路边界。实践表明,在直行道、曲弯道、垂直弯道等道路类型中能得到较好的提取效果。1 研究方法道路部件种类多样,空间分布、组成材质具有一定的差别,车载 LiDAR 扫描系统可无区别获取所能获取的所有目标的空间分布、反射强度等一系列信息。车载 LiDAR扫描系统所获取点云数据点间距可达 1 cm,能够准确描述地物的空间细节特征;道路边界处与路面在空间结构及材料材质等方面与路面及其他道路附属物存在差异性,具体表现在点云空间分布以及点云反射强度特征中。以上特征在进行点云数据处理分类、道路边界信息提取等方面提供了充足的信息来源。结合点云空间分布特征、反射强度特征,本文提出道路边界线提取方法具体过程如下:1)依据航迹线信息对数据进行精简,减少后期运算量;2)采用迭代 TIN 加密算法完成数据滤波,去除道路附属物,避免道路边界线信息提取;3)结合目标点及其邻域范围内点数据,构建局部特征向量集,并结合点云回波强度信息完成对边界线粗提取工作;4)完成对提取结果的聚类,剔除误提取数据,细化提取结果。1.1 数据预处理路面的平整性使得路面点云数据排列整齐,点位之间高差较小且高程相对地物较低。道路附属物如树木、路灯、花坛等位于路面以上,地物形状不规则等特性使得点云数据呈现一定的离散型,同时附属物在 Z 方向呈现分层结构。路面点云信息与道路附属物存在差异性。点云数据冗余、数据量大,为完成单一目标进行提取,需对其他地物数据完成滤波,做数据精简。当前使用较为广泛的点云滤波主要有:1)数学形态学滤波算法。数学形态学滤波算法是首先将点数据分散归入到固定尺寸的网格内,通过形态学腐蚀膨胀运算,计算膨胀高程与腐蚀高程差作为阈值,完成地面点与非地面点有效分离。数学形态学滤波算法滤波精度主要取决于窗口尺寸以及高程差阈值 2 个参数,受人工主观因素影响较大,且草地等紧贴地面,在进行滤波处理时无法进行有效滤除。2)布料模拟滤波。布料模拟滤波算法是基于布料形态进行物理模拟,首先模拟滤波目标的 DSM,后完成点云数据的高程反转,再将模拟的 DSM 数据放置在地形表面即为 DEM 数据。该算法参数设置简单,但在进行滤波时容易忽略地形细节特征,如花坛边缘、道路路坎等信息。3)迭代 TIN加密算法。迭代 TIN 加密算法是以三角高程算法为基础的改进算法,首先将点数据分散归入到一定尺寸的网格内,选取网格高程最低点作为种子点,由种子点构建初始三角网,再根据一定规则选取剩余点作为地面点加入到运算中,逐渐加密三角网,直到满足条件。算法同样受参数影响,但能很好地保留地物细节特征。因此本文采用迭代 TIN 加密算法,对原始数据做滤波处理。1.2 点云局部特征构建采用迭代加密算法完成原始点云初始滤波后,将数据分割为地物数据与地面数据。由于路缘石及花坛护壁一定高度范围内的点云数据紧邻路面,通过阈值设置保留细节特征,路缘石等目标数据得以保留,同时数据得到很大精简,提高运算效率,为完成目标快速提取做准备。数据得到精简后,构建点局部邻域空间分布特征、回波强度等进行联合分析。空间分布特征包括高程信息、坡度值信息,描述了地面的起伏度;回波强度信息反映了地物材质与光滑度的不同。联合特征是集合点云空间分布特征与点云回波强度特征,组建二维向量 x=(xH,xI)的联合域特征,其中 xH、xI 分别是点邻域内的高程、回波强度特征描述。城市街道中,路面多采用混凝土、沥青面层,且道路两侧设置有路缘石;路面材质几近一致,路缘石与路面材质区别较大,且在高程方面有明显变化。故结合空间分布特征、回波强度信息共同构建联合特征,充分利用空间分布变化及回波信息的变化,适应各类型市区道路边界信息的提取。1.2.1 邻域高程方差及坡度分析为表述目标点的空间结构特征,本文通过目标点及其邻域范围内点数据分析空间分布特征。空间分布特征包括高程信息、坡度信息以及曲率信息,能够反映目标表面的平整度。计算邻域内高程方差:h=n(i=1)(ZA-Zpi)2)n-1(1)式中:h 为邻域高程方差值,ZA为待检测点高程值,Zpi为邻域内点高程值邻域坡度分析:S=Zmax-Zmin(Xmx-Xnx)2+(Ymy-Yny)2(2)式(2)中,S 代表道路边界处的坡度值,(Zmax,Xmx,Ymy)为最大高程点坐标,(Zmin,Xnx,Yny)为最小高程点坐标。1.2.2 法向量与曲率分析法向量反映了曲面在某点处的几何特征,通过目标点及其邻域范围点数据确定,可近似反映邻域表面的切平面法向量估计问题。对于点云数据的发现估计问题,获取目标点 Pi(xi,yi,zi)一定半径范围的 N 个相邻点,Pi点协方差矩阵可以表示为:C=1NNi=1(pi-p)(pi-p)TCvj=jvj,j 0,1,2(3)式中,N 表示目标点邻域内点数量,p 表示邻域中所有点的质心,j是协方差矩阵的第 j 个特征值;vj表示第 j个特征向量。点邻域表面曲率表示为,计算公式如下:=00+1+2(4)点云局部邻域法向量能够表示邻域表面的切平面法向量,反映点邻域的几何结构特征。路缘石结构面与道路路面夹角接近 90,路面点法向与路缘石点法向呈垂直分布,可作为路缘石结构提取的重要几何特征。曲率是几何体不平坦程度的一种衡量,曲率越大表示则目标表681 测绘与空间地理信息 2023 年面凹凸性越强。1.2.3 联合特征构建本文为充分利用点云数据中目标物丰富的空间结构信息,构建点云局域空间分布特征指数:高程、坡度信息、点法向量以及邻域曲率特征构成联合特征集。联合特征是将点云局部空间分布特征进行组合,构成局部邻域特征向量集。城镇道路中边缘路缘石高程、坡度信息变化显著,可作为有效信息完成路缘石结构提取。但由于草地等植被紧邻地面,滤波时为保留基础细节信息,未能完全滤除,且草地等植被在高程分布以及坡度变化层次与路缘石存在一定的相似性8-9。因此,本文引入点云局部邻域曲率特征,描述局部邻域曲面凹凸性。故构建联合特征,充分利用空间信息以及空间分布特征,准确提取城镇道路边界信息,如图 1 所示。联合特征 Q 的计算公式为:图 1 路缘石结构特征Fig.1 Structural characteristics of curbQ=h h0+s s0+R 0(5)式中,h 为局部邻域内点的高程方差;s 为局部邻域内点的坡度方差;R 为邻域半径,邻域半径 R 根据密度进行选择,确保目标点邻域范围内具有一定数量的点参与计算,为邻域内点局部曲率;h0、S0、0分别为选定的高差、坡度差以及曲率的单位权值,主要由 h、s 和 的差异决定。1.3 边界提取道路路面附属物较多、人员流动