基于機載LiDAR點云高程和強度數據的城區汽車目標自動提取

孫美玲，李永樹，陳強，蔡國林

（西南交通大學 地球科學與環境工程學院，成都 610031）

1 引 言

隨著城市化進程的日益加快以及智能交通系統的快速發展，汽車的自動化提取成為了計算機視覺領域、攝影測量與遙感領域研究的熱點問題［1］。根據其傳感器平臺的不同，可以將汽車提取的方法主要分為兩大類：一類是基于視頻圖像的方法［1－2］，即通過安裝在橋頭或者交通路口的攝像頭獲取視頻圖像來提取汽車，這種方法只能獲取城市主干道路的路況信息，當大規模事件發生或者自然災害來臨時，無法及時把握所有交通路段的信息；另一類是基于航空或衛星影像的方法［1，3－5］，這類方法可以基于大范圍的高分辨率影像對道路進行全面監控，成為第一類方法的有益補充。但這種方法大都需要事先由人工提取出道路或者停車場，然后進行汽車檢測，降低了汽車提取的自動化程度。

隨著機載激光雷達（Light Detection And Ranging，LiDAR）技術的快速發展，近幾年國外出現了基于機載LiDAR技術提取汽車并用于交通分析的研究［6－7］，文獻［6］首先采用統計方法進行點云濾波，將汽車分類為地面點，然后采用H－極大值變換和標記控制分割的方法提取汽車，由于在濾波及提取過程中未考慮汽車地物特征，將較多的建筑物邊緣和其他低矮地物誤判為汽車，則導致較低的正確率。文獻［7］則首先利用自適應Mean－Shift算法完成三維點云分割，然后采用支持向量機（SVM）的方法完成分類，這種方法在分類階段，需要對分類器訓練，因此降低了汽車提取的自動化程度，并且分類器訓練的好壞也會影響到汽車提取的精度。機載LiDAR技術獲取的三維點云信息，其不僅含有每個激光腳點的位置和高程信息，且能同時提供激光腳點回波信號的強度信息［8］。基于此，本文從分析汽車點云的高程和強度信息出發，提出了一種基于機載LiDAR點云數據的汽車目標提取方法。

2 基于LiDAR數據提取汽車的方法及技術流程

觀察汽車的具體特征如下：①汽車是地物，并且其高度在一定范圍內；②汽車行駛或停留在無植被覆蓋的地面上，因此是獨立地物；③汽車的形狀因子，即面積、長寬比、矩形度和圓形度等特征滿足一定規則。根據上述特征描述，結合LiDAR強度數據，基于像素和面向對象分類的汽車提取流程如圖1所示，具體流程如下：

（1）將LiDAR點云數據根據高程進行濾波，將點云數據分為地面和地物兩類。由于在濾波階段需設定一定的高差閾值完成地面地物點的分類，因此會使得一些高差小于閾值的植被點分類為地面點。而在后續根據汽車特征進行汽車提取時，部分低矮、獨立的植被（如灌木叢）會由于滿足汽車特征而會造成誤判的情況，而在這些植被的周圍往往分布著在濾波階段誤判為地面點的植被點，因此下一步將利用強度影像將地面點中的植被點進一步分類到地物中，從而使得滿足汽車特征條件的植被點區域擴大，使之與汽車特征顯著分開；

（2）利用Otsu方法將強度影像分為以植被為主的高強度和以地面道路為主的低強度兩類，然后利用地面點和低強度影像兩類數據，提取出殘留在地面區域中的植被點，進一步得到完整地物區域；

（3）根據汽車是獨立地物的特點，利用二值形態學開重建，獲取初步汽車地物；

（4）利用汽車的形狀特征，得到最終的汽車地物目標。

2.1 形態學開重建濾波

形態學開重建方法是一種重要的基于測地膨脹的形態學重建方法［9］，測地膨脹需要的標記圖像g是由一定大小的結構元素b對掩膜圖像f經過腐蝕運算得到，基于測地膨脹的形態學開重建就是在掩膜圖像f的限制下，反復對標記圖像g進行測地膨脹運算直至結果穩定為止。因此，基于測地膨脹的形態學開重建定義為：

機載LiDAR點云濾波的目的就是將點云數據分為地面點和地物點兩類。因此將格網化的DSM作為掩模圖像f，采用對稱的結構元素b對掩模圖像f進行腐蝕，將腐蝕掉地物后的圖像作為標記圖像，然后進行開重建得到重建影像，最后將掩模影像減去開重建影像即得到規則化數字表面模型（nDSM），對于nDSM中值為零的點通常為地面點。考慮到局部地形起伏點的誤判問題，因此通過設置一個閾值et來進行地面點和地物點的分類。

如圖2（a）所示，為德國Vaihingen市城區的部分LiDAR數據生成的山體陰影圖，采用Leica ALS50于2008年8月份獲取，航高約為500m，平均點云密度為4pt／m2，總點云數為89967個，地面起伏較大；圖2（b）為同月不同時間獲取的DMC航空影像［10］。可以清楚地看出，該地區主要包含各類尖頂房屋、樹木、草地、道路和汽車等地物；圖2（c）為采用開重建的濾波方法得到濾波結果，黑色表示地面點，白色表示地物點。其濾波采用的參數如下：格網間距為0.25m、半徑為40個格網的圓盤形結構元素進行腐蝕原始圖像獲取標記圖像，判斷地面地物點的高差閾值et為0.3m。從圖2（c）中可以清楚的看出，位于公路兩側的汽車均被作為地物，與地面分離。對比圖2（b）可以清楚地看出，右上邊明顯的草地區域被分類為地面。

2.2 Otsu方法分類強度影像

Otsu方法又稱最大類間方差法，是1979年由日本Otsu學者提出的算法［11］。它在判決分析最小二乘法原理的基礎上，推導得出的自動選擇閾值的二值化方法。其基本思想是將圖像分割成兩組，當被分割成的兩組方差最大時，此灰度值作為二值化處理的閾值。

根據LiDAR點云數據中反射系數與回波信號的強度數據特征［8］，不同反射面介質對激光信號的反射特性不一樣，反射介質的表面越亮，反射率就越高。通過文獻［8］對幾種典型地物的標定結果可以看出，低回波強度對應的地物主要為以道路為主的地物，而高回波強度對應的則是以植被為主的地物，如圖3（a）所示為研究區強度影像，對應圖2（b）可以看出，植被與道路的回波強度明顯不同。因此，本文利用Otsu方法進行分類，將其分為以植被為主的高強度和以地面道路為主的低強度兩組，當被分割的地面道路和植被兩組方差最大時，此高程值作為二值化處理的閾值。具體算法如下：

用閾值k將灰度影像分為地面道路為主的Gg和以植被為主的Go兩組區域。Gg的概率為wg＝w（k），均值為ug；Go的概率為wg＝1－w（k），其均值為uo。則兩組的灰度均值為u＝wgug＋wouo，兩組的類間方差為：

以類間方差σ2（k）作為衡量不同閾值導出的類別分離性能的衡量準則，極大化σ2（k）的過程就是自動確定閾值的過程，最佳閾值g為：

利用式（3）得到的最佳閾值g可將強度影像分為以植被為主的高強度和以地面道路為主的低強度兩類目標，如圖3（b）為Otsu方法分類后的影像，黑色是以地面道路為主的低強度地物。與圖2（b）和圖2（c）進行對比可以看出，在利用高程進行濾波時，草地區域被分類為地面，而在Otsu方法分類后，將之歸類為地物區域，因此達到了利用Otsu方法對強度影像進行分類的目的。

2.3 獲取初步汽車地物

將圖2（c）濾波后的結果與圖3（b）強度分類的結果取并集，即得到圖4所示分類結果。從圖4可以看出，建筑物和各類植被等地物的面積較大，而作為獨立地物的汽車等其面積和寬度在一定范圍內，因此利用這個特點，考慮到一般大客車和貨車的寬度都不超過2.5m，為了利用圓形結構元素進行形態學重建剔除不滿足條件的地物，其圓形結構元素的半徑w可根據2.5m和點云的格網間距d進行計算，即w＝0.5×（2.5／d）m。本文的格網間距為0.25m，所以首先利用w＝5的大半徑窗口進行二值形態學開重建［9］，將原始二值圖像減去重建結果，得到其寬度小于2.5m的地物影像。考慮到一般汽車的寬度不會小于1m，所以再采用w＝2的小半徑窗口對上述地物影像進行二值形態學開重建，得到窗口半徑范圍w∈［2，5］，即寬度位于1m和2.5m之間的初始汽車地物，結果如圖5所示。對比圖4和圖5可以看出，利用二值形態學開重建，完全保留了圖像中位于一定范圍內的地物形狀，其他地物則被有效去除。

2.4 顧及特征的汽車地物優化

根據不同地物所具有的各自形狀特征，本文在初步提取汽車地物目標的基礎上，根據如下的汽車形狀特征對其進行面向區域對象的分類［12］，進一步優化汽車提取結果：

①面積：汽車的面積不會很小或很大，一般汽車的面積位于1.5m2和15m2之間，利用特征可過濾掉面積過小或過大的干擾目標。

②高度：考慮到不同車型的高度，汽車的高度一般不會低于0.3m，也不會高于3m。

③圓形度：E＝4πS／L2，其中L為連通區域的周長，S為面積，圓形度E可以反映被測量邊界的復雜程度。對于圓形物體E取值為1，對于正方形物體取值為π／4，而矩形物體取值小于π／4。汽車的圓形度一般大于1／2并小于π／4。

④矩形度：矩形擬合因子R是反映物體矩形度的一個參數R＝S／SR，其中SR為最小外接矩形的面積，R反映了一個物體對其外接矩形的充滿程度。對于矩形物體R取得最大值1.0，圓形物體R取值為π／4。汽車的矩形度一般大于0.6并小于等于1。

⑤長寬比R：長寬比R＝LR／WR，其中LR為區域對象的長；WR為區域對象的寬。汽車的長寬比一般大于1并小于4。

圖6為基于上述特征完成汽車提取后的標記結果。對比圖5和圖2（b）可以看出，根據其形狀特征，可以有效剔除白色橢圓標注處的斑馬線以及低矮灌木叢。

3 實驗結果分析與討論

本文采用在信息提取和目標識別領域的正確度（correctness）指標和完整度（completeness）指標對汽車提取結果進行定量評價［13］，其定義如下：正確度＝TP／（TP＋FP），完整度＝TP／（TP＋FN），其中TP表示被正確提取的汽車數目，FP表示被誤提取為汽車的數目，FN表示未被提取出來的汽車數目。

由于無法獲取地面汽車的真實數據，因此根據LiDAR數據生成的DSM數據，采取目視解譯的方式獲取真實汽車的數量作為參考。實際上，位于停車場和道路兩側的汽車通過目視解譯的方式很容易獲取，但是由于LiDAR數據缺乏光譜信息，因此對于受房屋或者樹木遮擋的汽車，以及高程和大小都符合汽車特征的地物難以有效判斷。汽車提取的精度評定結果如表1所示，其中Site1即為上文算法流程中所用區域，其汽車提取結果如圖6所示，Site2和Site3地區LiDAR數據的參數同Site1，主體為停車場，其有LiDAR點云數據生成的DSM和汽車提取結果如圖7所示。

表1 汽車提取的精度評定

在上述3個實驗區域中，誤判提取的主要原因是由于個別地物在特征上和汽車極為相似，而被遺漏的汽車則主要是因為這些汽車部分被房屋或者樹木遮擋，或者汽車之間相隔很近，將相鄰的汽車識別為一個整體，因此在獲取初步汽車地物階段被當作一個整體去除而無法有效識別。此外，濾波誤差也會導致部分汽車不能被正確識別。

根據Mayer等人［13］提出的目標檢測實用性方法須滿足正確度不小于85%和完整度不小于70%的要求，將本文提出的方法對選取的3個區域進行實驗，實驗結果表明該方法滿足實用性要求。文獻［6］在兩個實驗區的正確度和完整度均值分別為77%和72%，雖然由于實驗數據的不同，本文方法與文獻［6］的結果不具有可比性，但是本文方法的正確度遠遠高于其文獻［6］的方法，證明了本文方法在提取汽車時增加的汽車地物特征，顯著降低了汽車誤判的概率，具有較強的實用性。

4 結束語

汽車的自動提取一直是智能交通系統的研究工作重點之一，LiDAR技術的出現為汽車信息的獲取和自動化快速提取提供了新的途徑。本文在分析汽車基本特征的基礎上結合LiDAR點云的高程和強度信息，提出了一種從LiDAR點云數據中自動提取汽車的方法，該方法無需人工事先提取道路或者停車場即可有效提取出大部分的汽車。現在多數LiDAR系統都同機搭載有航空數碼相機，如果能將LiDAR點云數據和航空數碼影像融合到一起提取汽車，充分利用汽車的顏色和紋理信息，必將大大提高自動識別汽車目標的精度。

［1］HINZ S，BAMLER R，STILLA U.Theme issue “airborne and spaceborne traffic monitoring”［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2006，61（3／4）：135－278.

［2］趙璐，于慧敏.基于先驗形狀信息和水平集方法的車輛檢測［J］.浙江大學學報（工學版），2010，44（1）：124－130.

［3］JIN X，DAVIS C H.2007Vehicle detection from high resolution satellite imagery using morphological shared－weight neural networks［J］.Image and Vision Computing，25（9）：1422－1431.

［4］鄭宏，胡學敏.高分辨率衛星影像車輛檢測的抗體網絡［J］.遙感學報，2009，13（5）：920－927.

［5］EIKVIL L，AURDAL L，KOREN H.Classification－based vehicle detection in high－resolution satellite images［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2009，64（1）：65－72.

［6］YAO W，HINZ S，STILLA U.Automatic vehicle extraction from airborne LiDAR data of urban areas aided by geodesic morphology［J］.Pattern Recognition Letters，2010，31（10）：1100－1108.

［7］YAO W，HINZ S，STILLA U.Extraction and motion estimation of vehicles in single－pass airborne LiDAR data towards urban traffic analysis［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2011，66（3）：260－271.

［8］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.

［9］SOILLEP.Morphological image analysis，principles and applications（second edition）［M］.Berlin：Springer－Verlag，2003.

［10］CRAMER M.2010The DGPF test on digital aerial camera evaluation －overview and test design［J］.Photogrammetrie Fernerkundung Geoinformation，2010（2）：73－82.

［11］OTSUN.A threshold selection method from gray－level histograms［J］.IEEE Transactions on Systems，Man，and Cybernetics，1979，59（9－1）：62－66.

［12］雷小奇，王衛星，賴均.一種基于形狀特征進行高分辨率遙感影像道路提取方法［J］.測繪學報，2009，38（5）：457－465.

［13］MAYER H，HINZ S，BACHER U，BALTSAVIAS E.A test of automatic road extraction approaches［J］.International Archives of Photogrammetry and Remote Sensing，2006：209－214.