基于機載激光雷達點云數據的道路標識線提取

袁晨鑫 陳良良

(中陜核工業集團測繪院有限公司, 陜西 西安 710100)

0 引言

道路和人們的日常生活密切相關,是城市道路信息是“智慧交通”的重要數據源。道路信息無論是在城市規劃、交通控制以及應急響應等很多行業都具有重要的作用,準確的道路提取對一個城市而言十分重要。道路在使用過程中影響道路路面結構的因素比較多,如天氣溫度、濕度、熱化以及超載都會對整個路基、路表面產生不利影響,道路上的標識線損毀缺失。道路損害極大地降低了路面的使用性能和舒適度,道路標識線的缺失可能引發交通事故等。傳統的標識線檢測方法主要依據的是傳統測量以及遙感影像數據,通過傳統測量和遙感來對道路路面的健康情況進行檢測,為道路養護和維護提供信息。但是這種方法耗時耗材。機載激光雷達(light detection and ranging,LiDAR)技術作為一種新型遙感數據獲取手段,在各個領域有著廣泛的應用。該技術可獲取道路路面的三維坐標信息,同時也可以獲取道路路面的邊緣線、標識線、完整性、損毀程度等為道路的養護和維修提供關鍵信息[1-3]。

基于LiDAR點云的道路特征信息提取是近些年研究的一個熱點。眾多學者對利用LiDAR點云數據提取道路特征信息進行了相關研究。惠振陽等人[4]提出了一種基于偏度平衡算法的道路提取方法,該方法可以較為自動地獲取最佳的反射強度閾值。Zhao等人[5]先利用數學形態學方法對原始數據進行濾波,運用張量投票提取地面點的道路區域,根據平整度和凹凸性提取非地面的道路區域做補充,該方法能夠較完整提取道路,特別是高架道路提取效果較好。李靜怡等人[6]提出了一種信息融合的道路提取方法,該方法首先根據濾波后的點云反射強度粗提取道路中心線和關鍵點,并融合離散度、強度和灰度圖像來優化,最終利用動態規劃法提取道路,但整體較多的閾值需要人為設定。高利鵬等人[7]首先將遙感影像和點云數據進行配準,利用點云高程信息剔除建筑物和遙感影像分類出植被等偽信息,進而提取出道路。但該方法精度依賴于配準精度。本文提出一種基于LiDAR點云數據的道路標識線提取方法,方法分為兩部分,一是道路標識線粗提取,首先將點云數據進行點云地面點濾波(cloth simulation filter,CSF)處理,生成強度特征圖像,采用K-means聚類進行分割,然后通過雙邊濾波Canny算法進行道路標識線粗提取;二是道路標識線精細化,利用Two-Pass方法進行連通域分析及制定約束識別規則進行道路標識線精細化。

1 道路點云數據獲取及預處理

1.1 道路點云數據獲取

研究中所采用的飛行平臺為飛馬D2000無人機,搭載的是機載LiDAR掃描儀,在2021年6月采集了福銀高速陜西路段的路面的LiDAR點云數據,所獲取的原始點云數據共約5368萬個點,點云密度約400～600 pts/m2。原始點云數據包括以質心坐標系為基準的目標點XYZ坐標、掃描角、回波數量、采樣所選取的回波束、數據采集時間和回波反射強度等屬性。

1.2 道路點云數據預處理

所獲取的原始點云空間坐標因為采用質心坐標系而不能直接進行路面表面模型的構建,而且原始點云存在較多的噪點數據。利用配套的后處理軟件進行數據的預處理,將點云數據轉換成以.las為擴展名的標準格式后,將質心直角坐標系轉換為大地坐標系以提取高程信息,接著提取路面區域的點云數據。

在進行點云數據后續處理時,若需要提取道路邊界線和路面標識線等特征信息,就需要對點云數據進行濾波處理。本次采用CSF濾波算法進行濾波處理,濾波步驟如圖1所示。

圖1 布料模擬濾波處流程圖

2 道路邊界線及標識線提取的方法

2.1 道路強度特征圖像生成

將點云數據投影到M行C列的網格中,在整個點云數據區域中,最大值坐標(Xmax,Ymax),最小值坐標(Xmin,Ymin)。將所有點云數據坐標投影到XOY平面,則可以生成像素值為N的M行C列的網格。采用落在每個網格內所有的掃描點的平均強度作為該網格上的灰度值(像素值),最后將灰度值歸一化到0～255之間得到強度特征圖像[8]，如式(1)所示。

(1)

式中,M為網格行數;C為網格為列數;N為像素值;(X,Y)為點云坐標。

由于路面是水平面,同一個水平面的高程方向為一個點,因此將路面點云數據投影成強度特征圖像,能夠很好地保留道路特征信息。

2.2 道路特征信息提取

通過檢測強度特征圖像灰度值的差異,利用邊緣檢測算法進行提取道路邊緣線以及標識線提取。傳統的Canny濾波算法采用高斯函數濾波,需設置閾值及高斯方差。雙邊濾波主要是計算領域灰度值的加權平均值來代替該點的灰度值進行去噪濾波,并不需要人為設置閾值及高斯高程方差,自適應性比較好。因此,本文采用雙邊濾波代替高斯濾波來進行路面邊緣線及標識線提取,這樣可以在有效消除干擾的同時保留路面邊緣信息,最后采用OTSU算法確定Canny算法的閾值,提高算法的自適應能力[9]。

雙邊濾波Canny算法提取建筑物輪廓線的步驟如下：

2.2.1雙邊濾波進行強度特征圖像去噪

雙邊濾波主要是通過組合高斯濾波的模型函數和像素差值所產生的一種卷積模板的方法來保持邊緣特征的。該卷積模板公式為式(2)、式(3)。

式中,c和s表示closeness和similarity函數;x表示像素點;h(x)表示卷積之后的中心像素值;k(x)表示歸一化參數;f(§)表示卷積前的像素值。

2.2.2計算梯度幅度和方向

通常使用一階偏導的有限差分計算圖像邊緣方向和梯度方向，如式(4)、式(5)所示。

式中,G(x,y)表示幅度值反映圖像的邊緣強度;θ(x,y)表示方位角反映梯度方向。

2.2.3采用OTSU算法確定閾值

OTSU算法的思想是將強度特征圖像分為背景數據和目標數據,利用二者做類間方差,其值越大,兩者區別就越大。通過使用最OTSU算法,獲取兩個閾值R1和R2(R1==KR2,0

2.3 連通性分析

通過采用雙邊濾波CANNY算法提取圖像邊緣,并進行連通區域分析,將彼此連通的區域標記為一個連通,每個對連通區域對應個道路標線邊緣。本文采用Two-Pass算法進行連通域分析,步驟如圖2所示。

圖2 Two-Pass連通域分析圖

通過TWO-PASS算法對邊緣圖像進行連通區域分析,將彼此連通的像素標記為一個連通可以看出邊緣檢測之后會有一些噪聲。每個連通區域對應每個道路標線邊緣。可以看出邊緣檢測之后點云中存在輕度突變引起的噪聲點，而且道路面修補部分也存在噪聲[13]。

因此，需要通過設置連通區域的最小像素個數大于閾值P，以及連通區域內部像素平均灰度值大于邊緣像素平均灰度值。

2.4 道路標識線點云提取與精化

提取出標線邊緣后,可以直接在二維圖像中恢復道路標線,但是由于投影分辨率的原因,這種方法得到的道路標線精準度不高,且缺乏高程信息。

強度特征圖像帶有地理特征參考,每個像素對應N·N的路面點云區域。由于投影分辨率低,每個像素對應的點云區域可能既包含標線點云又包含路面點云,因此要去除路面點云噪聲。本文采用高斯混合模型(Gaussian mixture model,GMM)的期望最大化(expectation-maximum,EM)聚類的方法進行對道路標識線進行精細化處理[14]。

假設路面點云和道路標識點云兩類數據服從高斯混合分布,則把該數據看作從許多個高斯分布中生出來。然后建立聯合分布。

高斯分布見式(6)。

(6)

式中,x是d維列向量；u是期望；Σ是方差。

高斯混合模型見式(7)、式(8)。

(1)選擇簇的數量并隨機初始化每個簇的高斯分布參數(均值和方差)[15]。

(2)給定每個簇的高斯分布,計算每個數據點屬于每個簇的概率。

(3)基于這些概率計算高斯分布參數使得數據點的概率最大化,可以使用EM算法來計算這些新的參數。

(4)重復迭代(2)和(3)直到在迭代中的變化不大。

通過GMM的EM聚類的方法對道路邊緣信息提取的候選道路標識線點云數據進行去噪,將點云附近非道路邊緣線點云及標識線點云的路面點作為噪聲點剔除掉,從而得到精細化后的道路邊緣線和標識線點云。

3 結果與分析

3.1 數據獲取與預處理

本實驗共采用兩組實驗數據,都選擇了道路中具有代表性的標識符號信息,該區域包含水系、道路、建筑物、草地、樹林及信號塔。實驗數據A區域包含125 750個數據點,道路標識線為直行線。實驗數據B的區域包含114 327個數據點,道路標識為轉向。本文采用CSF算法進行濾波處理,A組數據濾波如圖3所示,B組數據濾波如圖4所示。

(a)A組原始點云數據 (b)CSF濾波地面點 (c)CSF濾波非地面點

(a)B組原始點云數據 (b)CSF濾波地面點 (c)CSF濾波非地面點

3.2 道路標識線提取

將利用CSF濾波后的路面點云投影到XOY平面上,得到帶有路面特征信息的強度特征信息,之后利用雙邊濾波Canny算法對圖像進行道路邊緣線以及道路標識線信息提取。從圖5和圖6可以看出,獲取的強度特征影像可以很好地保留路面的特征信息,利用邊緣檢測算法可以很好地提取道路路面邊緣線以及標識線。

(a)A組強度特征影像數據1 (b)A組強度特征影像數據2 (c)B組強度特征影像數據

(a)A組特征信息提取1 (b)A組特征信息提取2 (c)B組特征信息提取

3.3 道路標識線點云提取

通過邊緣檢測算法提取的道路特征信息,可以看出道路邊緣線以及標識線附近存在著噪聲,影響提取道路標識線的準確性,因此采用Two-pass方法進行連通域分析,通過設置連通區域的最小像素個數大于閾值及連通區域內部像素平均灰度值大于邊緣像素值平均灰度值的兩個約束條件來消除噪聲,結果如圖7所示。提取道路邊緣線及道路標識線后,在強度特征圖像中直接恢復道路邊緣線及標識線點云,強度特征圖像帶有地理特征參考,每個像素對應著多個路面點云區域,由于投影分辨率,致使每個像素對應的點云區域可能存在道路邊緣點及標識線點的同時也存在路面點云,本文通過GMM的EM聚類去除路面點云噪聲,實現道路邊緣線及標識線精化,結果如圖8所示。

(a)A組特征信息提取1 (b)A組特征信息提取2 (c)B組特征信息提取

(a)A組特征信息提取1 (b)A組特征信息提取2 (c)B組特征信息提取

4 結束語

在分析了道路標識線的基礎上,從邊緣檢測的角度入手,通過將點云數據投影到XOY平面上,進行道路標識線檢測,但是由于投影分辨率,從而導致提取的道路標識線的精度不高,并且缺少高程點信息。強度特征圖像可以很好地保留道路特征信息,本文通過利用雙邊濾波代替高斯濾波的方法進行邊緣檢測,并結合Two-pass算法進行連通域分析,并采用GMM的EM聚類的方法,解決了道路標識點缺少高程點信息和道路標識點云中存在路面點云,影響道路標識線準確性的問題,從而實現道路標識線的精化。實驗表明,該方法能夠準確地提取道路標識線信息,具有一定的實用性。同時該方法存在一些不足：對于道路復雜以及標識線遮擋破損需要結合其他數據來人工修復,對于提取破損標識線有待進一步研究。