利用機載LiDAR點云數據提取城區道路

彭檢貴，馬洪超，高 廣，趙亮亮

(武漢大學遙感信息工程學院，湖北武漢430079)

利用機載LiDAR點云數據提取城區道路

彭檢貴，馬洪超，高 廣，趙亮亮

(武漢大學遙感信息工程學院，湖北武漢430079)

提出一種從機載LiDAR點云中提取城區道路的方法。首先，利用機載LiDAR點云的高程和強度屬性，對末次回波點云進行去噪、濾波和分類后獲取初始道路點云;然后使用基于邊長和面積閾值的約束Delaunay不規則三角網方法精化初始道路點云;最后采用α-Shapes方法從精化后的道路點集中提取道路輪廓，并用數學形態學細化方法提取道路中心線。試驗結果表明，該方法提取的城區道路正確率和完整性較高。

機載LiDAR;點云;道路提取;約束Delaunay不規則三角網;α-Shapes

一、引 言

道路是城市的主要基礎設施，道路信息的快速獲取與更新對于數字城市的建設具有重要意義。20世紀70年代以來，國內外學者展開了基于遙感影像數據的道路提取研究，提出了多種半自動和自動提取方法，取得了一定的研究成果，但仍無法滿足現實需要，主要表現在：① 基于中低分辨率影像數據的道路提取結果較好，而基于高分辨數據的道路提取結果不理想;②以半自動方法為主，自動化程度不高［1］。

機載LiDAR技術的發展為道路特征的快速獲取提供了新的技術手段。機載LiDAR系統是通過發射和接收激光脈沖來獲取地表目標高精度、大密度的三維坐標點云，并且發射的激光束具有一定的植被穿透能力，能獲取多次回波數據和目標強度信息。同時，點云的強度信息具有一定的可分性，可以實現地面材料的分類［2］，有助于探測城區道路。因此，LiDAR點云數據正成為道路特征提取的新數據源。目前，從機載LiDAR點云數據中提取并重建道路特征正逐漸成為研究熱點，國內外學者已提出多種基于機載LiDAR點云提取道路特征的方法：文獻［3］利用高分辨率LiDAR點云數據提取森林地區道路;文獻［4］利用LiDAR點云高程和強度信息分類道路點，同時考慮了點云的局部密度，采用相位編碼圓盤(PCD)方法獲取道路中心線及寬度;文獻［5］聯合高分辨率數字影像和LiDAR點云提取道路網，該方法首先結合點云高程和強度信息提取道路區域，然后利用正射影像區分露天廣場與草地、樹木，通過迭代Hough變化檢測規則格網形式的道路網;文獻［7-8］也提出了基于機載LiDAR點云的道路提取方法，但點云數據存在離散性、缺乏光譜信息及環境的復雜性導致道路提取成果有限，總體上仍處于起步階段。本文在分析機載LiDAR數據中道路特征后提出一種顧及道路幾何特征的城區道路提取方法。試驗表明，該方法能較好地提取城區道路。

二、原理與方法

1.基本原理

在機載LiDAR點云數據中，城市道路點云具有以下特征：①道路點云高程與地面接近，但低于周圍地物，如建筑物、樹木等;②道路材質一般為瀝青或混凝土，其強度特征明顯區別于植被、裸露地面等;③在幾何形狀上，道路點云呈條帶狀分布并彼此連通;④在回波特點上，道路點云都為末次回波點。基于道路點云的上述特征，本文首先利用點云的高程信息，采用濾波方法將末次回波點云分為地面點云與非地面點云;然后利用點云強度屬性將地面點云分類為初始道路點云和其他地面點云;最后根據道路的幾何特性，采用基于邊長和面積約束的Delaunay不規則三角網(constrained delaunay triangulated irregular network，CD-TIN)方法精化道路點云，并引入二維α-Shapes方法和數學形態學細化方法提取道路輪廓和中心線。具體算法流程如圖1所示。

圖1 算法流程

2.初始道路點云獲取

(1)末次原始點云去噪和濾波

原始點云中常存在少量高程極低的“噪聲”點，而極低點的存在會影響濾波處理時初始地面點的選擇。因此，在進行濾波分類處理前須去除極低點。所采取的方法是：若某點或某幾個點在給定的搜索半徑內，其高程比其他所有點的高程都小，且它們間的最小高差大于給定閾值Hmax，則認定為極低點并刪除。

由于漸進加密不規則三角網(TIN)濾波算法［9］在城區和森林地區有良好的適用性，采用該算法對去除“噪聲”后的點云進行濾波處理，將原始點云分為地面點云和非地面點云兩類。

(2)基于強度屬性的初始道路點云分類

基于高程的濾波算法無法將高程與道路接近的其他目標分開，因此濾波后的地面點云中仍包含道路點云和其他地物點云，需要利用它們的回波強度屬性進行區分。而植被和裸露地面的回波強度大于瀝青表面和混凝土表面［10］，據此可將道路區分開來。

設地面點集為S，均勻選取若干道路區域樣本點集{S1，S2，…，Sn}，統計每個樣本區域的強度值范圍為{(Imin1，Imax1)，(Imin2，Imax2)，…，(Iminn，Imaxn)}，則整個區域的道路點云強度范圍可表示為

基于上述條件的初始道路點集Sroad，可定義為

式中，Ipk為點集Sroad中任意一點pk的強度值;Imax和Imin分別為經過統計得到的道路強度閾值最大值和最小值。將滿足式(1)的點云存儲在點集Sroad中，剔除其他不滿足條件的點云。

3.初始道路點云精化

因部分地物在高程和材質上與道路接近，以及強度噪聲的影響，初始道路點集Sroad中仍存在部分非道路點云，非道路點云的存在會干擾道路特征提取，需對初始道路點云作精化處理。基于點集Sroad中點云密度特征及道路的連通性，本文提出基于邊長和面積約束的CD-TIN方法精化初始道路點云。

在初始道路點云中，真實道路區域點云密度遠大于非道路目標區域。由初始道路點云構成的非約束Delaunay TIN(以下簡稱D-TIN)中，真實道路區域點云構成的三角形邊長小于非道路區域點云構成的三角形邊長，據此可引入邊長約束條件將初始道路點云構成的D-TIN分割成多個CD-TIN和若干離散點。道路的連通性決定了由道路點云構成的CD-TIN比其他非道路點云構成的CD-TIN的面積大。因此，通過設定合適的面積閾值可剔除非道路區域。具體過程為：①用逐點插入法構建初始道路點云D-TIN(如圖2(a)所示);② 設定邊長閾值構建CD-TIN，則D-TIN被分割成若干孤立的CDTIN和離散點(如圖2(b)所示);③剔除離散點，并設定面積閾值，刪除面積小于閾值的CD-TIN及其點云。經過上述過程，初始道路點集Sroad的絕大部分非道路目標點云得以去除，記精化后的道路點集為S'road。

圖2 CD-TIN的構建

4.道路輪廓及中心線提取

精化后的道路點云是離散的，需從這些離散點云中提取出道路輪廓和中心線。常用的方法是將道路點云內插為二值影像，再從影像中提取輪廓和中心線，但經過內插處理的影像會降低提取結果的精度。因此，從離散的道路點云中直接獲取道路邊緣線是一種更優的方法。本文引入基于二維的α-Shapes算法提取道路輪廓，α-Shapes算法可以從離散點集中提取邊緣，同時適用于凸凹多邊形內外輪廓線的提取［11］。它的基本原理可通過圖3闡述：假設一有限無序點集S由多個子集組成，各子集內部點間距基本一致并小于子集之間的離散距離，則可想象成一個半徑為α的圓在各子集外滾動，當α適當時，這個圓就不會滾到各子集內部，其滾動的痕跡就是各個子集的邊界線。

圖3 α-Shapes提取邊界原理示意圖

對于道路點集S'road，設置合適的半徑α，從點集中任意兩點P1、P2開始繪制半徑為α的圓，若該圓內沒有其他點，則認為點P1、P2是邊界點，其連線P1P2是邊界線段。對所有點判斷完后，道路的邊緣點和輪廓線即被跟蹤出來。其中，α值可結合道路區域的點密度設置，而一般情況下，α值大于平均點距且小于兩倍平均點距時可獲得較好的結果。須指出的是，S'road中部分非道路點的存在使得跟蹤結果中存在部分長度較小的非道路輪廓，設置合適的長度閾值即可去除該線段。至此，即獲得了比較準確的道路輪廓矢量。對由道路輪廓矢量包圍的區域進行柵格化，用數學形態學細化算法即可提取出道路中心線。

三、試驗及分析

為了考察算法的可行性，在VC++環境下實現了該算法。試驗中的數據采集于國外某城市城市中心區，地形平坦，建筑物和道路密集，原始點云數據包含652 969個點，平均密度約為6.5點/m2，影像數據是分辨率為0.08 m的DMC影像，如圖4所示。

圖4 試驗數據

該算法中各個步驟和所獲得的結果如下：

1)設置高差閾值為0.3 m去除噪聲點，設置漸進加密三角網濾波算法中的建筑物參數最大邊長為60 m，最大地形坡度為50°。結果如圖5(a)所示，灰色區域為地面點云，白色區域為非地面點云。

2)均勻采集6個道路區域樣本的強度值，經統計得到道路區域點云的強度值范圍為0～69，將滿足該強度范圍值的點云劃分為初始道路點，結果如圖5(b)所示。

3)以候選道路點構建TIN，設置邊長閾值為3 m，將TIN分割為多個孤立的CD-TIN和離散點。設置面積閾值為50 m2，刪除面積小于該值的孤立CD-TIN和離散點，精化后結果如圖5(c)所示。

4)設置α值為1.6 m，利用α-shapes方法提取點集中的所有輪廓邊緣，并設置長度閾值為20 m去除非道路輪廓線，結果如圖5(d)所示。利用數學形態學細化算法提取的道路中心線結果如圖5(e)所示。

圖5 試驗結果

為評價算法的準確性，手工分類道路點云作為評價參考，得到道路點云數為125 116個，用本文方法分類得到道路點云113 879個，其中重疊點數為104 123個，即正確率(重疊點數/手工分類點數)為83.22%;將道路點錯分為非道路點數為20 993個，錯誤率(錯分道路點數/手工分類點數，記為I1)為16.78%;將非道路點錯分為道路點數為9756個，錯誤率(錯分非道路點/手工分類點數，記為 I2)為7.79%。I1產生的原因主要是道路斑馬線和分道線上的點云強度值較大，在用強度信息分類時，這些點被當做非道路點處理，但由于點云密度很大，對于輪廓提取的完整性影響不大;I2產生的原因是與道路相連的部分停車場、廣場與路面的材質一致，強度值接近，不易區分，使得最終提取的道路輪廓部分區域寬度不一致，圖5(d)中部分區域輪廓寬度不一致反映了該類誤差的影響。

從圖5(d)、圖5(e)中可看出，本文算法能正確提取絕大部分道路特征，而且所提取的道路特征具有較高的完整性，即使在有植被覆蓋區域，所提取的道路線也很少出現中斷現象。

圖5(f)是采用文獻［4］的方法獲取道路點后提取的道路輪廓與影像疊加結果。與本文方法獲取結果(如圖5(d)所示)對比可明顯看出，該方法提取的道路特征碎片較多，道路有較多中斷，輪廓與影像中道路實際邊界相差較大。而本文方法提取的道路輪廓碎片少，完整度高，能與道路實際邊緣較好套合，這是因為本文采用的CD-TIN精化道路點云的方法顧及了道路的幾何特征，有效去除了非道路目標點，提高了道路點云的分類精度，以及道路的正確率和完整率;同時，采用了α-shapes算法直接基于道路點云提取道路輪廓，使得道路輪廓線與實際道路邊界比較吻合。

四、結束語

本文提出了一種基于機載LiDAR點云提取城區道路的方法，該方法充分利用機載LiDAR點云的高程和強度屬性獲取候選道路點，并顧及道路的幾何屬性提出一種基于邊長和面積約束的CD-TIN方法精化道路點;然后引入α-shapes算法和形態學細化方法直接從道路點云中提取道路輪廓和中心線。試驗表明，該方法提取的道路輪廓和中心線正確率和完整性都較高，具有較大的實用性。另外，該方法也存在著一些不足：點云強度值的確定需要采集樣本，相關參數的設定采用的是經驗值，如何自適應提取道路是今后需要進一步研究的問題。與影像結合提取更精確、完整的道路也是未來的研究目標。

［1］ 史文中，朱長青，王昱.從遙感影像提取道路特征的方法綜述與展望［J］.測繪學報，2001，30(3)：257-262.

［2］ SONG J H，HAN S H，YU K Y，et al.Assessing the Possibility of Land-cover Classification Using LiDAR Intensity Data［C］∥Proceedings of the ISPRS Technical Commission III Symposium.Graz，Austria：［s.n.］，2002.

［3］ RIEGER W，KERSCHNER M，REITER T，et al.Roads and Buildings from Laser Scanner Data within a Forest Enterprise［C］∥International Archives of Photogrammetry and Remote Sensing.Lajolla：［s.n.］，1999：185-191.

［4］ CLODE S，ROTTENSTEINER F，KOOTSOOKOS P，et al.Detection and Vectorization of Roads from Lidar Data［J］.Photogrammetric Engineering and Remote Sensing，2007，73(5)：517-535.

［5］ HU Xiangyun，TAO C V，HU Yong.Automatic Road Extraction from Dense Urban Area by Integrated Processing of High Resolution Imagery and LiDAR Data［J］.International Archives of Photogrammetry，Remote Sensing and Spatial Information Science，2004，XXXV：288-292.

［6］ LI J，LEE H J，CHO G S.Parallel Algorithm for Road Points Extraction from Massive LiDAR Data［C］∥Proceedings of IEEE International Symposium on Parallel and Distributed Processing with Applications.Washington DC：IEEE Computer Society，2008：308-315.

［7］ 龔亮，張永生，李正國，等.基于強度信息聚類的機載LiDAR點云道路提取［J］.測繪通報，2011(9)：15-24.

［8］ BOYKO A，FUNKHOUSER T.Extracting Roads from Dense Point Clouds in Large Scale Urban Environment［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2011，66(5)：S2-S12.

［9］ AXELSSON P E.DEM Generation from Laser Scanner Data Using Adaptive TIN Models［J］.International Archive of Photogrammetry and Remote Sensing，2000，XXXIII(B4)：110-117.

［10］ 劉經南，張小紅.利用激光強度信息分類激光掃描測高數據［J］.武漢大學學報：信息科學版，2005，30(3)：189-193.

［11］ NATARAJ A，HERBERT E，MICHAEL F，et al.Alpha Shapes：Definition and Software［EB/OL］.［2012-06-11］.http：∥www.geom.uiuc.edu/software/cglist/ GeomDir/shapes95def/index.html.

Road Extraction from Airborne LiDAR Point Clouds Data in Urban Area

PENG Jiangui，MA Hongchao，GAO Guang，ZHAO Liangliang

0494-0911(2012)09-0016-04

P237

B

2012-06-11

國家973計劃(2009CB72400704);國家自然科學基金(41001257);國家863計劃(2009AA12Z107);中央高校基本科研業務費專項基金(20102130101000130)

彭檢貴(1980—)，男，湖南平江人，博士生，主要研究方向為機載LiDAR數據處理與分析。