車載激光點云的道路邊界提取研究

宋平

摘要：車載激光掃描系統能快速獲取道路的點云數據，但它存在點云密度分布不均勻、數據量大、地物相互遮擋等難點，導致無法直接提取路坎點云數據。本文首先對原始點云抽稀，在一定程度上保證點云分布均勻;然后，計算點云法向量與坐標Z軸夾角，采用SVM方法提取城市路坎點云并對分類結果進行聚類，優化路坎點云。實驗結果表明，本文方法能夠較完善提取路坎點云，適用于復雜城市街道環境。

關鍵詞：車載激光點云;支持向量機（SVM）;法向量特征

一、引言

車載激光掃描系統是近幾年發展起來的高新技術。它具有數據獲取快、精度高、動態探測范圍打、主動性強等特點。道路場景具有數據量大且密度分布不均等特點[1]。目前，國內外學者對于點云提取道路的方法：基于點云投影的道路提取、基于掃描線的道路點云提取方法、基于聚類分析的道路點云提取方法。方莉娜[2]提出基于掃描線進行多窗口移動濾波，主要考慮窗口點云的高度差異、掃描點密度以及累計坡度三個參數來提取點云道路邊界。劉健[3]根據距離判別法和霍夫變換法提取激光掃描線中道路邊界點，將道路邊界點作為主點，通過高斯迭代回歸過程擬合道路邊界。熊偉成[4]利用車載激光點云的空間特征對點云進行自適應性分段，然后利用先驗知識與規制提取后續的道路及邊界，根據道路邊界的線狀特征進行跟蹤及道路矢量化。羅海峰[5]構建了基于相對高程、法向量方向、多尺度高程差以及多尺度高程方差的點云特征向量。

二、基于SVM的路坎提取方方法

首先，對原始車載激光掃描數據進行抽稀處理。然后，結合點云的局部幾何特征。最終，實現車載激光掃描數據路坎的提取。表面法向量是物體表面的重要屬性。不同類型的地物法向量可能具有明顯差異，特別是豎直平面地物和水平平面地物。

對點云數據中每個點通過領域查找獲得K個領域點，然后基于最小二乘法解算出該點的局部擬合平面P， 計算可知，k個臨近點三維質心剛好位于平面P上，而且平面的法向量N為單位。同時。同時，采用主成分分析法（Principal Component Analysis ，PCA），將求解激光點云法向量的問題轉化為該激光點K個近鄰點所構建的協方差矩陣C的特征值分解問題。其中協方差矩陣C最小特征值所對應的特征向量便是需要的法向量。

上述公式中，K是點領域點總數;表示這個領域的三維質心;領域點協方差矩陣的特征值;是特征值對應的特征向量;協方差矩陣的特征值按排序，這三個特征值體現領域內點云分布狀況。如果，可認為領域內點云具有發散性特征;若，則認為領域內點云具有面狀特征;若，則認為該領域內點云具有線性特征。最后計算法向量與Z軸夾角組成點云特征向量。

支持向量機（SVM）作為機器學習領域十分重要的發展成果之一。支持向量機（SVM）是機器學習領域十分重要的成果之一。它是一種二分類模型，它的基本模型是定義再特征空間上的間隔最大的線性分類器，間隔距最大使它有別于感知機;本文通過提取路坎與路面點云作為訓練樣本。將上文所得的點云特征向量F作為SVM輸入特征，運用SVM自帶工具進行懲罰因子及核函數參數的尋優。然后通過SVM訓練模型及預測分類。

三、結論

利用SVM初步提取路坎點云，最后對提取結果進行聚類優化處理。該方法表明本方法能夠完整提取復雜城市道路環境中路坎點云。由于路坎點云容易存在缺失問題，本文方法未能解決這一問題。實驗結果也存在錯分的路坎點云，在后續的研究特征選擇時，可作為重點研究，進一步提高路坎點云提取結果的精度。

參考文獻：

[1]南紅濤. 車載激光點云道路提取技術研究與應用[D].戰略支援部隊信息工程大學，2020.

[2] 方莉娜， 楊必勝.車載激光掃描數據的結構化道路自動提取方法[J]. 測繪學報

[3] 劉健， 梁華為， 梅濤，等. 基于道路形態分析的道路邊界提取[J]. 機器人， 2016， 38（3）：7.

[4] 熊偉成， 楊必勝， 董震. 面向車載激光掃描數據的道路目標精細化魯棒提取[J]. 地球信息科學學報， 2016， 018（003）：P.376-385.

[5] 羅海峰， 方莉娜， 陳崇成. 車載激光掃描數據路坎點云提取方法簡[J]. 地球信息科學學報， 2017（7）：861-871.