車載LiDAR場景中路燈的提取與識別

張西童，劉會云，李永強，黃騰達，李有鵬

(河南理工大學 測繪與國土信息工程學院，河南 焦作 454000)

?

車載LiDAR場景中路燈的提取與識別

張西童，劉會云，李永強，黃騰達，李有鵬

(河南理工大學 測繪與國土信息工程學院，河南 焦作 454000)

摘要：為解決車載LiDAR城市場景中路燈提取和識別問題，文中提出基于樣本的路燈提取算法。先通過人機交互的方式提取路燈的樣本參數；再依據數學形態學閉運算提取點云場景中疑似路燈的位置，根據樣本參數確定疑似路燈范圍并提取疑似路燈點云；然后進行路燈樣本和疑似路燈點云的匹配；最后，通過建立路燈樣本緩沖區實現路燈判斷和提取。通過試驗驗證，算法不僅可以快速自動提取路燈點云，還能完成路燈單一種類的識別。

關鍵詞：車載LiDAR；路燈樣本；路燈提取；種類識別

隨著智慧城市進程不斷推進，管理者對作為智慧城市地理數據基礎的三維數字城市地理數據要求越來越高，準確性、豐富性、實時性已成為城市地理數據的主要特點[1-3]。具有快速、高精度、高密度測量特點的車載LiDAR技術不斷發展，為精細度高、更新速度快的城市地理數據采集提供技術支持[4-6]。作為城市街道場景中重要地物之一的路燈，是數字城市建設和智慧城市管理的重要對象；面對車載LiDAR獲取的大量點云數據，準確、快速提取路燈點云和識別路燈種類是本文的主要研究內容。

當前的研究中，對于路燈的提取，多與行道樹、交通標識牌、線桿等歸為桿狀地物進行提取[7-10]；對于路燈的單獨提取，譚賁[11]根據路燈投影密度、外包圍盒面積和點云豎直分布特點，提取路燈地物類；楊必勝[12]通過改進的格網化算法，實現路燈和相鄰行道樹的分離；Li[13]通過提取桿狀地物，再對桿狀地物進行向上增長，探測燈頭點云實現路燈點云的提取。以上算法實現桿狀地物或路燈類的初步提取，對點云的完整性和孤立性要求較高，且不能識別路燈種類。本文依據所要提取路燈類的樣本參數，通過數學形態學方法提取疑似路燈的位置，將疑似路燈與路燈樣本匹配，判斷并獲取與路燈樣本種類一致的路燈點云，實現路燈提取和路燈種類識別。

1路燈樣本提取

在同一區域內，盡管路燈數量很多，但在類型上只有有限的幾種，因此可以通過提取路燈樣本參數，并以此為基礎提取測區中所有同型號路燈。本文采用提取路燈結構線的方式來表示路燈樣本參數。在提取路燈點云時，以提取的路燈結構線為模糊模型進行匹配提取。在大區域城市道路場景路燈提取中，通過建立路燈樣本集，實現不同路燈的提取和識別。

(1)

2路燈提取方法

路燈提取主要分為3個部分:第一部分為疑似路燈粗提取，提取所有疑似路燈的位置及范圍內點云；第二部分為路燈樣本與疑似路燈點云的粗匹配，主要包括水平位置對齊、高程對齊和主方向對齊；第三部分為路燈的判斷與路燈點云的提取。

2.1疑似路燈粗提取

路燈通常為直立桿狀地物，且高于周圍地物。基于路燈連續豎直桿狀地物的特點，將點云數據格網化，并通過數學形態學的閉運算，以單列豎直n層格網作為模板B進行路燈桿位置的粗提取。如圖2中路燈，對路燈格網化，通過膨脹算法使部分因遮擋而數據缺失的燈桿上下部連結，再通過腐蝕算法去除豎直連續較短的地物格網，則可以保留路燈及其他疑似路燈桿狀部分的格網。通過大量實驗和調查驗證，路燈桿通常直徑為20cm左右，燈桿部數據缺失在50cm以下；因此在格網數學形態學提取路燈桿過程中，采用邊長為20cm的格網進行格網化，數據膨脹采用5層格網膨脹，腐蝕模板采用高差為1/2Ph的模板進行腐蝕。若相連豎直格網數遠大于路燈高度所含格網數，則直接判斷為非所提取路燈類。

圖2　基于數學形態學的疑似路燈位置提取過程

通過提取出來的疑似路燈位置，提取疑似路燈點云。依據粗提取出來的疑似路燈位置水平坐標，選取點云場景中距離疑似路燈位置水平距離1.2倍Hr的點云數據作為疑似路燈點云，0.2m范圍內的點云作為疑似路燈桿點云。

2.2樣本與點云粗匹配

為進行疑似路燈的判斷，需要將路燈樣本與疑似路燈點云匹配對齊，即若疑似路燈點云中有與樣本一致的路燈，則將樣本的燈桿和燈頭部分與路燈點云對齊，若非路燈，則樣本會與桿狀物對齊，燈頭部分對齊則是錯亂的，在判斷過程中會被判斷為非路燈點云。路燈樣本與點云的對齊主要分為水平位置對齊、高程對齊和主方向對齊。

2.2.1水平位置對齊

即將路燈樣本中的燈桿結構線與提取出來的疑似路燈燈桿的桿狀地物進行水平方向對齊。依據提取出來的疑似路燈燈桿點云，求其水平重心點作為路燈樣本燈桿需要對齊的水平中心點；將路燈樣本平移至與疑似路燈桿重合。

2.2.2高程對齊

路燈樣本與疑似路燈點云垂直方向上的對齊是路燈燈頭部分準確匹配的前提。城市場景中路燈通常是安裝在路邊花壇或者人行道上，依據城市道路建設規范，路邊花壇和人行道通常高于鄰接路面20cm和24cm；因此以路燈最鄰近的道路路面高程作為路燈底部高程獲取的基準，在道路高程的基礎上加上路沿高度即為路燈底部高程。通過平移使路燈底部對齊，實現路燈和疑似路燈點云在豎直方向上的對齊。

2.2.3主方向對齊

如圖3為截取疑似路燈點云中燈頭高度部分的點云水平投影，通過采用RANSAC算法提取直線作為疑似路燈頭部點云的主方向(圖3虛線)。則疑似點云方向到路燈樣本的夾角α 即可求出。由于RANSAC算法提取出來的直線不能判斷路燈正反向，因此在判斷過程中，如果判斷該地物為非路燈，則將夾角設置為α +π后再次判斷。

圖3　疑以路燈方向探測

2.3匹配與提取

將路燈樣本和疑似點云進行初步對齊之后，由于單個路燈高度和傾斜程度存在細小差異，樣本和路燈點云并不一定完全匹配，為了在判斷過程中得到更加精確的結果，本文通過最小二乘算法將路燈樣本和疑似路燈點云進行進一步匹配。依據初步對齊的結果，選取路燈樣本線周邊r范圍內的點云，以其到樣本線之間距離為依據使用最小二乘法進行匹配，直至樣本線和路燈點云達到最佳貼合。

判斷所提取出的疑似路燈地物是否為與樣本一致的路燈，主要依據路燈燈頭部分的結構進行匹配判斷。若所提取的疑似路燈點云地物為路燈，則在距離路燈樣本結構線一定范圍內含有大量的點云，且這些點云較均勻分布在整條結構線附近；而在此范圍之外的一定范圍內，因路燈周邊一般不允許有遮擋物，則這一區域將含有極少量的點云。對樣本結構線分別建立以r1(內側淺色區域)和r2(外側深色區域)為半徑的緩沖區，如圖4(a)，若疑似地物為路燈，則在淺色區域內沿結構線方向上較均勻的分布著路燈點云，在深色區域內，較少存在路燈點云，見圖4(b)。其中r2=2r1，r1依據燈頭尺寸選取。

判斷時，為統計點云在樣本線方向上的均勻分布情況，本文將較長的結構線進行細分，使每段結構線長度不大于0.2m，則可以通過計算緩沖區內包含點的結構線段數與總數之比來統計點云在結構線方向上的分布情況。通過計算點云在路燈緩沖區(淺色區域)和非路燈緩沖區(深色區域)內的比例來統計點云在空間上的分布情況。即當滿足式(2)和式(3)時，疑似地物被判斷為與樣本一致的路燈。

(2)

(3)

式中：Npoints為包含點云的樣本結構線段數；N為樣本線段總數；Qlamp為圖4(b)中內側淺色區域點云數量；Qspace為圖4(b)中外側深色區域點云數量。

當判斷疑似地物為路燈之后，通過判斷點云到路燈結構線的距離來提取路燈點云。距離燈桿結構線小于r1的點云作為燈桿點云；距離燈頭結構線小于r2的點云作為燈頭點云。

3試驗分析

圖5為StreetMapper系統采集得到的某城市街道車載點云數據，總長5.2km，除最左端外均為具有綠化隔離帶的雙向街道，場景中主要包含3種路燈。通過人機交互獲取3種路燈樣本點云及參數，依據本文算法進行路燈的自動提取和識別。

圖5　城市街道車載點云數據

圖6為依據本文算法提取出來的路燈位置示意圖，圖中包括3種路燈的位置和車載軌跡線。統計其提取結果見表1，該區域3種路燈總數272個，提取路燈217個，提取率達79.8%；與掃描儀同側獲取的道路右側較完整路燈131個，提取路燈119個，提取率達90.8%；與掃描儀對側獲取的道路左側路

燈141個，提取98個，提取率達69.5%；誤將非路燈地物識別為路燈5處，占路燈數1.8%。由數據得出，本文算法對較完整的路燈點云提取效果較好，對不太完整的路燈點云也能達到60%以上的提取率，可以較好進行大場景路燈點云自動提取和路燈種類自動識別。

圖6　提取的路燈位置

路燈種類實際數量提取數量提取率總體右側左側總體右側左側誤提取總體右側左側誤提取種類11688118300.6881.0000.3750種類2213105108170957540.8000.9050.6740.019種類343182536162010.8370.8890.8000.023總計2721311412171199850.7980.9080.6950.018

注：右側為車輛行駛一側，數據完整；左側為相鄰車道，由于隔離帶遮擋，數據質量較差

4結束語

依據本文算法，通過提取較為準確的路燈樣本參數，可以將與路燈樣本形狀大小一致的路燈點云從大場景數據中準確提取出來，其僅需要點云的三維坐標信息即可，具有較強的普適性；對點云部分缺失但不影響外觀形狀的路燈同樣具有較好的提取效果。算法在提取路燈的同時，實現路燈種類的識別，為數字城市建設和城市道路場景監測提供準確的數據，為城市道路資產管理和路燈維護監控提供數據支持。由于提取過程依賴于路燈的形狀，因此對于缺失嚴重導致形狀缺失的路燈，不能有效提取，對于嚴重損壞或傾斜的路燈也不能較好提取。車載LiDAR在獲取城市道路數據時，通常會采集到不同的街道數據，不同的街道安裝的路燈種類也不盡相同，為了縮短自動提取時間，提高提取準確度，提出通用的路燈提取算法，對識別提取出的路燈進行分類將是作者未來的研究內容。

參考文獻：

[1]李德仁，姚遠，邵振峰. 智慧城市中的大數據[J]. 武漢大學學報(信息科學版)，2014，34(6): 631-640.

[2]王家耀. 大數據時代的智慧城市[J]. 測繪科學，2014(5): 3-7.

[3]李德仁，姚遠，邵振峰. 智慧地球時代測繪地理信息學的新使命[J]. 測繪科學，2012，37(6): 5-8.

[4]譚敏.基于車載激光點云數據的路面檢測與重建[J].測繪與空間地理信息,2015,38(7): 115-117.

[5]李永強，劉會云，曹鴻，等. 基于空-地多源數據融合的建筑物精細建模研究[J]. 測繪工程，2015，25(8): 1-4.

[6]QinR,GruenA. 3Dchangedetectionatstreetlevelusingmobilelaserscanningpointcloudsandterrestrialimages[J].ISPRSJournalofPhotogrammetryandRemoteSensing. 2014, 90: 23-35.

[7]李永強，楊莎莎，李框宇，等. 車載激光掃描數據中桿狀地物提取[J]. 測繪科學，2015，40(8): 42-46.

[8]CABOC,ORDOEZC,GARCA-CORTéSS,etal.Analgorithmforautomaticdetectionofpole-likestreetfurnitureobjectsfromMobileLaserScannerpointclouds[J].ISPRSJournalofPhotogrammetryandRemoteSensing. 2014, 87: 47-56.

[9]CHENGL,TONGL,WANGY,etal.ExtractionofUrbanPowerLinesfromVehicle-BorneLiDARData[J].RemoteSensing. 2014, 6(4): 3302-3320.

[10]LEHTOMKIM,JAAKKOLAA,HYYPPJ,etal.DetectionofVerticalPole-LikeObjectsinaRoadEnvironmentUsingVehicle-BasedLaserScanningData[J].RemoteSensing. 2010, 2(3): 641-664.

[11] 譚賁，鐘若飛，李芹. 車載激光掃描數據的地物分類方法[J]. 遙感學報,2012, 16(1): 50-66.

[12]YANGB,DONGZ,ZHAOG,etal.Hierarchicalextractionofurbanobjectsfrommobilelaserscanningdata[J].ISPRSJournalofPhotogrammetryandRemoteSensing. 2015, 99: 45-57.

[13]DANL.OptimisingDetectionofRoadFurniture(Pole-likeObjects)inMobileLaserScannerData[D].Holland:UniversityofTwente, 2013.

[責任編輯：張德福]

Streetlamp extraction and identification frommobile LiDAR point cloud scenes

ZHANG Xitong, LIU Huiyun, LI Yongqiang, HUANG Tengda, LI Youpeng

(SchoolofSurveyingandLandInformationEngineering,HenanPolytechnicUniversity,Jiaozuo454000,China)

Abstract：To solve the problem of streetlamp extraction and category identification from mobile LiDAR data in urban scenes, an algorithm based on streetlamp sample has been proposed. Firstly, extract the sample from streetlamps by human-computer interaction; secondly, based on morphological closing operation, extract the location of suspected streetlamps, and determine the scope of suspected streetlamps by the streetlamp sample parameters before extracting the suspected streetlamp point cloud; thirdly, realize the alignment of streetlamp samples and suspected streetlamp point cloud; finally, realize the streetlamp judgment and extraction by establishing sample buffer. Experimental results show that the algorithm can not only automatically extract streetlamp point cloud, but also be able to identify streetlamp category which is in accordance with the sample.

Key words：mobile LiDAR; streetlamp sample; streetlamp extraction; category identification

DOI:10.19349/j.cnki.issn1006-7949.2016.09.011

收稿日期：2015-10-19

基金項目：國家自然科學基金資助項目(41501491)

作者簡介：張西童(1991—)，男，碩士研究生.

中圖分類號：P225

文獻標識碼：A

文章編號：1006-7949(2016)09-0050-05