基于機載LiDAR數據的城區道路中心線提取

楊 威，萬幼川，何培培

（1.武漢大學 遙感信息工程學院，湖北 武漢 430079）

基于機載LiDAR數據的城區道路中心線提取

楊 威1，萬幼川1，何培培1

（1.武漢大學 遙感信息工程學院，湖北 武漢 430079）

提出一種基于離散點的道路中心線提取方法。在利用高程、強度和幾何形狀等多特征逐步約束提取出條帶道路點的基礎上，采用迭代Meanshift算法將條帶道路聚集成線狀點集，并通過分段Hough變換檢測出矢量道路中線。實驗表明，該方法克服了傳統中心線提取方法中的精度損失，提高了準確度。

機載LiDAR；道路中心線；迭代Meanshift；分段Hough變換

從機載LiDAR點云數據中提取道路可以分為2個過程：分類和矢量化[1]。分類即從原始點中分割出道路點；矢量化即從條帶狀的道路點中提取出矢量的道路信息，包括道路中心線、道路寬度等。其中，道路中心線的提取是矢量化過程中最為重要的一環，國內外眾多學者對此進行了研究。Clode等[1]首先將道路點轉化為二值影像，然后采用PCD（phase coded disk）方法提取中心線；彭檢貴等[2]引入a-shapes算法從道路條帶中提取出輪廓線，然后將輪廓線包圍的區域柵格化，采用數學形態學細化方法提取出道路中線；徐景中等[3]將道路點生成不同尺度的影像并分別細化，采用多尺度追蹤方式提取中心線；Hu等[4]和Couloigner等[5]分別采用Hough和Radon變換從生成的影像中提取道路中心線。上述方法雖然取得了相應效果，但還存在以下問題：①將離散道路點轉化為柵格影像，丟失了原始信息，降低了數據精度；②道路中心線的位置受到道路兩側邊緣的干擾，產生偏移；③提取出的道路矢量無法滿足道路的光滑性要求（如PCD、細化等），且部分方法所能檢測出的道路線型有限（如Hough、Radon變換等）。鑒于此，本文提出一種基于離散點云的道路中心線提取方法。

1 基于離散點的道路中線提取

1.1 基于Meanshift的中心線聚集

Meanshift算法[6]的基本思想是：對于空間中的樣本點，任選一點X作為當前點，計算該點的鄰域均值Mx并將其移動至均值處，以此作為新的起點，重新計算均值，直至不再移動。漂移均值計算公式如下：

式中，N（x）表示落入當前點x一定鄰域內的樣本點集；k為該鄰域中樣本點總數。

本文首先采用多特征逐步約束方法從原始點中提取出初始的道路條帶，主要步驟為高程約束、強度約束和幾何形狀約束等，具體過程見文獻[2]。在已提取出的初始條帶道路中，邊緣點具有較小的點密度，越靠近中心，點密度越大。根據這一性質，可利用Meanshift算法從條帶道路中探測出道路中心。如圖1所示，道路邊緣點經過Meanshift后，向著道路中心聚集，從而使原本為條帶分布的道路點“細化”成線狀，形成初始道路中心線。

圖1 Meanshift道路中點聚集原理示意圖

基于Meanshift的道路中心線聚集的關鍵在于平面窗口尺寸（即鄰域）的確定。窗口過小，聚集的中心線仍為條帶狀；窗口過大，由于道路點云分布不均勻，會使漂移陷入局部最優，即部分道路中心點向著附近其他具有更大點密度的中心點漂移，使得聚集的道路中心線發生斷裂。為此，本文首先利用點密度探測粗略窗口大小[7]，進行初次Meanshift，然后采用統一平面窗口進行二次Meanshift。具體步驟如下：

1）設置區域道路最大寬度Wthmax、最小寬度Wthmin和寬度增量Δ Wth；

2）以最小寬度作為初始窗口計算當前點的點密度，如果點密度大于給定的密度閾值Tden，將窗口尺寸增加一個寬度增量，重新計算點密度，直到點密度小于閾值或者窗口尺寸大于道路最大寬度；

3）將第2）步中確定的窗口尺寸作為當前點的平面窗口進行Meanshift迭代漂移；

4）對道路條帶所有點，重復2）～3）；

5）以道路最小寬度作為統一的平面窗口對所有點進行二次Meanshift，得到最終的道路中心點集。

圖2 不同寬度道路迭代Meanshift結果

1.2 分段Hough變換檢測中心線

通常，如果道路點分布均勻且平面窗口選擇合適，道路邊緣點僅會產生垂直于道路走向的“縱向漂移”。但是，由于道路寬度多變、道路點分布并不均勻，導致道路點產生沿著道路走向的“橫向漂移”，使得聚集的中心線發生斷裂，這在道路交叉口處尤為明顯（如圖3），而這也為分段Hough變換提供了基礎。

圖3 道路交叉口斷裂示意圖

選擇圓弧作為檢測的形狀基元，對道路中心點集分段進行Hough變換。該過程通過以下2個步驟完成：

1）分段。輸入任意一點，以該點為種子點進行區域增長，將總點數大于閾值Tnum的連接體作為待檢測道路點集。搜索該點集中距離最遠的兩點，將其作為端點連接成直線，計算其他點到該直線的最遠距離Dmax，若Dmax〉 Tdis，則將該連接體在距離最遠處打斷；重復該過程，直到不再有新的連接體產生。從圖4中看出，一些具有復雜線型的道路經過此過程，被分割成曲率單一的弧線。

圖4 連接體分段過程

2）Hough變換。圓的參數方程為：

其中，（a，b）為圓的圓心；r為圓的半徑。通常，待檢測圓弧具有3個未知參數，Hough變換的參數空間可以表示為（a，b，r）。假設已知圓弧上兩點，則待檢測圓弧的圓心位于兩已知點連線的中垂線上，故只需確定一個參數（即圓弧的半徑），即可確定圓的參數方程。因此，為減小Hough變換的參數空間，提高算法效率，對于分段后的連接體，將其2個端點作為圓弧上的已知點進行Hough變換，變換的參數空間為半徑r。

1.3 道路編組和連接

經過以上步驟提取出的道路中心線為彼此斷開的圓弧段基元，需進行編組并連接。分層感知編組方法[8]通過分析道路基元的連續性、鄰接性和相似性，計算道路基元之間的連接概率矩陣，將具有最大連接概率的道路基元連接，重新計算概率矩陣并連接最大概率基元，直到最大連接概率小于閾值。利用該方法，對提取的圓弧道路基元進行編組連接，從而形成完整的道路中心線網絡。

2 實驗與分析

采用ISPRS提供的用于城市地物分類和建筑物重建的試驗數據對算法進行驗證。數據采集地為德國斯圖加特的Vaihingen小鎮，LiDAR點云由Leica ALS50系統獲取，平均點密度為4 pts/m2，對應DMC影像分辨率為8 cm。如圖5所示，該區域地物復雜，建筑物和樹木密集，且道路寬度和形狀多變，具有代表性。

圖5 實驗數據

實驗過程中的主要參數設置如下：

1） 迭代Meanshift過程中的最大寬度設置為30 m，最小寬度設置為4 m，控制窗口尺寸的點密閾值設置為0.8 pts/m2；

2） 分段Hough變換檢測圓弧過程中連接體包含的最小點數設置為10，分段的距離閾值為5 m，圓弧半徑r的取值范圍設置為（1 m，10 000 m），步長為1 m。

實驗結果如圖6所示。其中，圖6a為多特征逐步約束提取的初始道路條帶；圖6b、c為進行迭代Meanshift算法后所聚集的道路中心點集；圖6d為分段Hough變換檢測出的道路圓弧段；圖6e為經過編組連接后疊加到對應影像上的道路網；圖6f為將道路條帶轉化為柵格影像后，采用數學形態學細化方法得到的道路中心線；圖6g～i為黃色矩形框內的初始道路條帶和兩種方法提取結果的放大顯示。

圖6 實驗結果

為定量評價算法效果，以手動提取的道路中心線作為參考，對提取的道路中心線進行精度評定。各項指標定義如下[9]：

其中，TP為匹配的道路長度；FN為未提取的道路長度；FP為誤提取的道路長度。經統計，TP=4 555.64 m、FN=654.38 m、FP=607.79 m，評定結果如表1所示。

表1 道路提取精度評定表/%

從結果可以看出，整個數據區域中，主要道路被完整提出，提取的道路完整度和準確度均在85%以上，結果質量達78.31%。圖6e顯示，使用該方法從不同寬度、不同線型的道路條帶中提取的中心線均具有較好的效果。圖6f為采用細化方法提取出的道路中心線，與圖6e對比可發現，細化方法提取的中心線在形態上表現真實道路的能力較弱，提取的中心線更容易受到道路邊緣的干擾而產生偏離，降低了準確度。如圖6g～i所示，在道路交叉口處，細化方法的部分提取結果發生了明顯的偏離，而采用迭代Meanshift和分段Hough相結合的方法則能克服這一問題。但是，該方法在完整度上稍有不足，這是由于在迭代Meanshift聚集過程中，道路端點會發生“縱向漂移”，從而導致道路長度縮短。整體來說，本文方法提高了道路中線提取的準確度，使結果質量得到改善。

3 結 語

本文在多特征逐步約束提取道路條帶的基礎上，提出一種基于迭代Meanshift和分段Hough變換的道路中線提取方法。該方法具有以下優點：①過程完全基于離散的道路點集，避免了傳統方法中內插生成影像造成的精度損失；②對于不同寬度、不同線型的道路均具有較好的提取效果；③在保證完整度和準確度的同時，提取的光滑道路中心線更加接近真實道路形態。同時也有一些不足：①該中心線提取方法的精度首先受制于條帶道路的提取精度，基于多特征約束提取出的條帶道路是否準確對中心線提取結果有重要的影響；②迭代Meanshift聚集過程中窗口尺寸的選擇尚未自動化，有待進一步研究。

[1] Clode S, Rottensteiner F, Kootsookos P, et al. Detection and Vectorization of Roads from LiDAR Data[J]. American Society for Photogrammetry and Remote Sensing, 2007, 73(5): 517-535

[2] 彭檢貴, 馬洪超, 高廣, 等.利用機載LiDAR點云數據提取城區道路[J].測繪通報,2012(9)：16-19

[3] 徐景中, 萬幼川, 賴祖龍. 機載激光雷達數據中道路中線的多尺度提取方法[J].紅外與激光工程,2009, 38(6): 1 099-1 103

[4] Hu X, Tao C V, Hu Y. Automatic Road Extraction from Dense Urban Area by Integrated Processing of High ResolutionImagery and LiDAR Data[C]. ISPRS, Beijing, 2009

[5] Couloigner I, Zhang Q. Iterative and Localized Radon Transform for Road Centerline from Classified Imagery[C]. ICIAR, Montreal, 2007

[6] Fukunaga K, Hostetler L. The Estimation of the Gradient of a Density Function, with Applications in Pattern Recognition [J].IEEE Trans Information Theory, 1975, 21(1): 32-40

[7] Hu X, Li Y, Shan J, et al. Road Centerline Extraction in Complex Urban Scenes From LiDAR Data Based on Multiple Features [J]. IEEE Trans Geoscience and Remote Sensing, 2014, 52(11): 7 448-7 456

[8] Hu X, Tao C V. Automatic Extraction of Main Road Centerlines from High Resolution Satellite Imagery Using Hierarchical Grouping [J]. Photogrammetric Engineering and Remote Sensing, 2007, 73(9): 1 049-1 056

[9] Heipke C, Mayer H, Wiedemann C. Evaluation of Automatic Road Extraction [J]. International Archives of Photogrammetry and Remote Sensing, 1997,32:47-56

P237.9

B

1672-4623（2015）04-0075-03

10.3969/j.issn.1672-4623.2015.04.027

楊威，碩士，主要研究方向為機載激光點云數據處理。

2014-12-11。

項目來源：國家高技術研究發展計劃資助項目（2013AA122104-3）；博士點基金資助項目（20130141130003）。