道路全息測繪智能化提取方法研究

韋 通

（山東省國土測繪院，山東 濟南 250014）

0.引言

2017年11月，原國家測繪地理信息局批復上海市新型基礎測繪試點項目，道路全息測繪應運而生[1]。相較于傳統的數字測圖技術，道路全息測繪通過全景相機、激光雷達等先進感知設備，結合組合導航定位技術，使外業采集數據更加便捷、數據成果內容更加豐富，為城市的數字化建設提供了重要保障[2]。但是，這種高效、快速的數據采集手段給后續內業制圖帶來了新的問題：（1）數據種類多，點云、全景影像等多種數據在成果制作中難以有效融合、利用；（2）數據量大，不僅增加了內業人員數據處理環節，也增加了內業人員的辨識難度；（3）內業采集要素、屬性多，極大地增加了內業編輯人員的工作量、作業難度。

為此，基于點云數據的智能化提取成為當下道路全息測繪研究的熱點之一，國內外眾多學者對此進行了大量研究。馬新江等人針對車載激光點云中道路邊界提取不精確、復雜度高等問題，提出了一種基于路緣特征的城市道路邊界自動提取方法，通過實驗證明了該方法的可行性和有效性[3]。對于道路標識線等地物要素，范雯等人提出了一種基于空譜特征的車載LiDAR點云道路標識線提取方法，該方法充分考慮了車載激光點云中道路標識線的顏色、空間鄰域和高程等信息，依次對點云數據進行自動分類，提取道路標識線[4]。針對城市道路中的桿狀地物，李永強等人先通過改進形態學算法一處點云數據中的地面點，并通過統計分析移除噪聲點，再根據預先建立的桿狀地物樣本訓練SVM分類模型，對桿狀地物進行自動化提取[5]。此外，國內眾多機構也進行了深入研究、探索，研制了相應的道路全息測繪制圖軟件，如清華三維的EPS、上海測繪院基于Cloud compare軟件的智能提取模塊。

但上述研究仍然存在著一些問題，如，算法性研究實例數據驗證較少，很難快速投入實際生產；各個機構開發的半自動軟件模塊，無法融合全景照片、傳統地形數據，以及自動化提取的效果嚴重依賴于點云的質量。本文將利用TOPODOT對道路點云進行智能化提取，重點針對多源數據融合、地物要素自動化提取、屬性編輯等方面進行研究，并通過具體的工程實例，驗證本文方法的可行性、適用性。

1.全要素地形繪制

道路全息測繪，首先利用車載掃描系統進行外業數據采集，獲取的數據包括點云、全景照片、移動端GNSS/IMU數據和基站GNSS數據；數據采集完成后，使用Inertial Explorer（簡稱IE）對基站GNSS數據、移動端GNSS/IMU數據進行定位測姿數據的融合解算，得到車載掃描系統的行車軌跡信息（POS軌跡數據），并利用POS軌跡數據解算相應的點云數據；通常初步解算的點云數據無法滿足全息測繪的精度要求，需要進行點云糾正，以此修正POS軌跡數據；最后根據修正后的POS軌跡數據重新解算點云，并整理全景照片。

1.1 圖形信息提取

全要素地形數據制作主要根據合格的點云、全景照片等數據，在內業軟件平臺中對地物要素進行提取，地物要素按照類型可分為點要素、線要素和面要素，地物要素的提取順序可按“線要素—點要素—面要素”進行提取。線要素主要包括范圍分界線、道路邊線、道路標志線、通信線、分隔欄等線狀地物；點要素主要包括行道樹、桿狀物、各類管道設施、垃圾箱、交通標志等點狀地物；面要素主要包括填充面、網狀線、停車位、候車棚等面狀地物。

1.2 屬性信息編輯

根據道路全息測繪“應采盡采”的準則，全要素地形成果不僅包含各類地物要素的圖形信息，還涵蓋各類地物要素的社會、經濟屬性。通常，桿狀地物需要錄入其高度、編號等信息；交通標志牌需要錄入其內容、數值等信息；候車棚需要錄入其車次、站名等信息。

2.工程實例

2.1 工程數據

本文以徠卡Pegasus Two Ultimate移動激光掃描系統獲取的廣州某區域一段335m的單車道路數據作為實驗數據（如圖1所示）。道路數據包括點云數據和全景照片數據，其中，點云數據共18117727個數據點，涵蓋道路標志、道路標線、人行橫道線、道路邊線、公路護欄、路燈、指示牌、行道樹和一般公路橋等多類型地物要素；全景照片數據共92張，與點云數據空間位置相對應。

圖1 實驗數據

2.2 智能化提取

該段道路中涉及的地物要素，按類型可分為點要素、線要素、面要素，其中，點要素包括路燈、指示牌、行道樹等地物要素；線要素包括道路標線、道路邊線、公路護欄、人行橫道線等地物要素；面要素包括一般公路橋、路面標志等地物要素。

TOPODOT智能提取流程：

（1）對上述點云數據，通過調節點云的反射強度信息，使地物要素的邊界輪廓更加分明；

（2）根據入庫標準，在軟件波處理，得到每一列位平臺中定義地物要素圖層、地物要素屬性列表、地物要素圖形符號和智能提取模板，生成地物圖層的*.csv文件、地物要素圖形符號和智能提取模板的*.cell文件，以及地物屬性列表的*.xml文件，便于相同項目直接使用；

（3）利用TOPODOT的智能提取功能對地物要素進行矢量提取，提取結果（如圖2所示）：

圖2 矢量圖形提取結果

從圖2可以發現：TOPODOT很好實現了實驗數據的特征點云分離，為后續智能化提取的準確性提供了先決條件；利用TOPODOT中智能提取功能，結合自定義的智能提取模板，對斑馬線、桿狀物、路面標線、道路邊線等地物實現了準確提取，且矢量數據與路面起伏情況完全貼合。

2.3 屬性編輯

在TOPODOT平臺中，可以在繪制矢量圖形時，使用自定義的地物屬性列表為各個地物附著屬性信息；也可在全部矢量圖形完成后，利用自定義的地物屬性列表按要素編碼類別統一附著屬性信息，結果（如圖3所示）：

圖3 地物要素屬性成果

從圖3可以看到：雙臂路燈的屬性信息不僅包括其空間位置信息，還包括燈桿高度信息、桿號信息；對于路燈的空間位置信息、燈桿高度信息等數值信息，可以根據點云數據自動識別，錄入至屬性表相應位置；對于路燈的桿號等字符信息，需要根據外業綜合調繪結果，手動錄入。

3.成果精度分析

為了對TOPODOT軟件智能提取功能進行全面評估，利用網絡RTK技術、全站儀技術在實驗路段采集檢查點，檢查點均勻分布于路面標線、人行橫道線、一般公路橋、交通標志、雙臂路燈等地物要素，檢查結果（如表1所示）：

從表1可以看出：該實驗道路中線要素、面要素、點要素的點位精度都優于0.05m，滿足道路全息測繪的精度需求；線要素中路面標線、人行橫道線的點位誤差為0.03m，說明了TOPODOT在路面標線智能提取的準確性；一般公路橋的點位平面點位誤差不大于0.02m，而點位高程誤差在0.03至0.05m范圍內，可能是因為高架橋的震動導致RTK測高不穩定；點要素中交通標志的點位誤差較差，是因為空中標志的點云密度較低，TOPODOT提取效果不佳，雙臂路燈點位平面誤差較大，而點位高程誤差較低，可能是因為利用全站儀對雙臂路燈進行偏心測量時，觀測誤差較大。因此，對于道路全息測繪，TOPODOT智能提取在提取精度上可以滿足項目需求；在工作效率方面，若不考慮圖層定義、圖形符號制作、智能提取模板制作和屬性列表定義等前期內容，TOPODOT可以實現人機交互式提取，極大降低了矢量圖制作所需人力、時間。

表1 道路要素智能化提取點位精度分析表

4.結束語

綜上所述，為了更好地解決道路全息測繪智能化提取程度不高、屬性不易擴展的問題，本文采用TOPODOT軟件進行全要素地形繪制，以廣州某道路數據為例，并對繪制結果進行點位精度分析。通過分析，驗證了點要素、線要素和面要素智能提取的準確性，為今后道路全息測繪工作提供了重要的參考數據。