基于Otsu算法與改進區域生長算法的道路點云提取

王 亮

（太原市測繪研究院，山西 太原 030002）

0 引言

作為一種移動主動式空間數據采集的傳感器，車載激光掃描系統能夠在車輛行駛過程中快速、準確獲取道路面及道路兩側城市部件點云數據，采集點云數據具有精度高、分辨率高、密度大等特征，從而實現真實道路空間特征的準確還原［1-2］。車載激光掃描技術憑借其優勢目前已經在高精地圖制作、無人駕駛、地形測量、智慧城市建設等領域發揮著積極作用，掃描點云數據可為道路要素采集提供可靠的數據來源。車載激光掃描技術在道路工程中的應用尤為廣泛，采集的點云數據為道路設施管理、路面安全監測及道路改擴建等提供重要的基礎數據［3］，研究如何能夠從車載激光掃描點云數據中高效、快速提取道路面點云是道路工程應用的基礎。

目前，基于車載激光掃描點云數據的道路面提取方法主要分為3種，分別為基于聚類分析、基于掃描線以及基于點云特征圖像的道路面提取方法［4-6］。其中，基于聚類分析方法是根據地物的局部特征實現道路面提取，然而該類方法存在過分割與欠分割現象；基于掃描線的道路面提取方法是根據掃描線與車輛前進方向垂直的特征進行道路面提取，然而該類方法涉及的參數較多，并且參數自適應性低；基于點云特征圖像的道路面提取方法是將三維離散點進行投影轉換，生成二維圖像，并將數字圖像處理算法應用于二維圖像處理中，根據處理結果提取道路面，然而該方法的缺陷在于易造成精度損失。

考慮到目前基于車載激光掃描點云數據道路面提取存在的問題，本文根據道路面點的空間分布特征，提出了一種基于最大類間方差（Otsu）算法與改進區域生長算法的道路面提取方法，并通過實測點云數據對本文提出方法的有效性進行驗證。

1 道路面點云提取方法

本文基于車載點云數據的城市道路面提取目的在于提出道路兩側地物、交通設施以及道路車輛等點云數據，提取完整的道路面點云數據，主要可分為道路點云分段、非地面點濾波、改進區域生長算法進行道路面點提取三個步驟。其中本文的創新之處在于將曲率最小點作為種子點、法向量相似度作為約束條件進行區域生長，獲取精細化道路面點云數據，具體步驟如圖1所示。

圖1 道路面點云提取流程圖

1.1 點云分段

基于車載激光掃描技術采集道路點云密度大，數據量巨大，因此對整段道路進行統一處理尤為困難。同時，不同里程道路點云數據的高程變化較大，在進行點云濾波時不利于高程閾值的設置。因此，在進行路面點提取前對道路點云數據進行分段處理。道路點云分段常采用兩種方式，一是將點云分段為若干個數據量相同的部分；二是按照道路前進方向根據固定行駛軌跡間隔進行點云分割［7］。為了保證局部點云高程跨度在一定范圍內，本文選擇第一種點云分段方法。

1.2 非地面點過濾

道路車載激光掃描點云包含沿路建筑物點、城市部件點、行道樹點、灌木叢點以及地面點等。海量的點云數據影響后續算法處理效率，相較于地面點，其他地物點的高程明顯更高，因此可通過設置高程閾值的方式將非地面點濾除。對于不同里程道路，選擇適合該段道路點云的高程閾值尤為重要。

本文引入Otsu 算法計算不同路段的高程分割閾值，保留低于高程分割閾值的點，將高于分割閾值的點剔除。該算法的具體實現步驟為［8］：

（1）輸入數據量為N的點云數據，獲取場景中點的最大高程值與最小高程值，根據高程最大值與最小值將高程分為L個等級，那么每個等級出現概率pi為

式中，ni表示每個等級中點云的個數。

（2）根據高程閾值k 將原始點云分為兩個部分，各部分出現概率為

式中，C0為高于高程閾值的部分；C1為低于高程閾值的部分；P(C0)為高于高程閾值出現概率，使用ω0表示；P(C1)為低于高程閾值出現概率，使用ω1表示。高程平均值為

式中，μ0為高于高程閾值的平均高程；μ1為低于高程閾值的平均高程；μ(k)為高程閾值；w(k)為高于高程閾值出現概率；μT為點云總體平均高程。

（3）計算地面點與非地面點間的高程類間方差g為

（4）重復上述步驟，將最大類間方差對應閾值δ為最優分割閾值，保留高程小于δ的點，剔除高程大于δ的點。

1.3 法向量及曲率估算

1.3.1 k鄰域搜索

由于點云場景中各激光點為相互之間沒有聯系的散點，因此不存在幾何拓撲信息，通過構建離散點之間的幾何拓撲關系實現鄰域查找。K維樹（k-dimensional tree，KD-tree）是一種用于分割多為數據空間的算法［9］，本文選用該算法進行k鄰域搜索。

1.3.2 法向量估計

單一的激光點沒有方向，無法計算點的法向量，本同通過鄰域點構建的擬合平面法向量表征鄰域激光點法向量，如圖2所示，將法向量方向相似度作為路面點云提取約束條件之一。

通過鄰域點局部擬合平面進行鄰域點法向量估計的具體實現步驟為［10-11］：

（1）假設存在激光點pi（xi，yi，zi），通過KD-tree算法搜索得到該激光點k各鄰域點，通過鄰域點構建擬合平面P為

式中，n為擬合平面P的法向量；d為擬合平面與坐標原點的間距；arg min 表示取目標函數最小的變量值。

（2）為了求解激光點法向量，引入主成分分析法，根據構建鄰域點構建協方差陣C并計算矩陣C特征值及特征值對應特征向量為

式中，k為鄰域點個數；λi為矩陣C特征值；vi為矩陣C特征值對應特征向量即為激光點法向量。

可通過激光點特征值大小表征3方向上的變化程度，因此激光點pi的曲率Ki可表示為

式中，λ0、λ1、λ2為矩陣C特征值。

1.4 改進區域生長算法

道路路面點法向量方向與路緣石等點法向量方向存在較大差異，其中路面點法向量方向呈集中豎直向上分布狀態，路緣石等點法向量方向分布不規則，因此可以將點云法向量方向相似性作為約束條件，使用改進區域區域生長算法提取道路路面點。

原始區域生長算法進行點云分割時存在效率低、過分割以及種子點選取隨意等問題，因此，本文通過優化種子點選取規則實現區域生長算法的改進。城市典型道路空間結構特征如圖3所示。

圖3 城市典型道路空間結構

可以看到城市典型道路路面較路側地物、人行道更為平坦且高程更低，因此通過對濾波后點云數據進行高程升序排列并選取曲率最小激光點為種子點實現道路路面點提取，具體步驟為：

（1）對輸入點云數據按照高程升序進行排列，計算激光點的法向量ni與曲率Ki，將曲率最小的點作為種子點。

（2）選擇一激光點作為中心點，計算該點鄰域范圍內激光點的法向量以及法向量與當前點法向量方向夾角Si。

（3）設置曲率閾值Kt與平滑閾值Sθ，如果同時滿足條件Ki＜Kt及Si＜Sθ，那么將當前種子點加入種子點集中。

（4）遍歷步驟（1）至步驟（3），直至完成所有激光點的判斷與分類。

完成上述步驟后，得到所有路面點以及某些近似平面點群區域，相較于某些近似平面點群區域，路面點所在部分為最大連通區域且平均高程較低，因此可通過設置閾值參數實現最終路面點提取。

2 試驗與結果分析

2.1 試驗數據

為了評估本文道路面點云提取算法的性能，選擇兩段城市典型道路車載激光掃描點云數據進行試驗，試驗數據通過國產自主集成的AS900-HL 移動車載激光掃描系統采集得到，該車載激光掃描系統由全景相機、里程計、慣性導航裝置、衛星定位模塊、三維激光掃描儀組成。在進行道路點云數據采集過程中，為盡可能采集高密度完整點云成果，將車速控制在30 km/h 左右，并且不與大車并行行駛。圖4（a）為路段1 道路點云數據，該段道路坡度較大，寬度較為規則，為直線型路段，點云數據長度約為300 m，包含激光點數為3 758 943 個；圖4（b）為路段2 道路點云數據，該段道路坡度較小，不同里程道路寬度存在一定差異，為彎曲型路段，點云數據長度約為150 m，包含激光點數為1 895 341個，兩段道路均包含低矮植被、行道樹、路燈桿、交通指示牌等對象。

圖4 道路點云數據

2.2 試驗結果與分析

首先對原始點云進行分段處理，其次對不同分段點云分別進行點云濾波處理，根據Otus 算法自適應計算得到高程閾值實現非地面點過濾，兩段道路進行非地面點過濾后的結果如圖5所示。

圖5 非地面點過濾結果

由圖5可知，非地面點濾波后，原始點云數據的桿類、行道樹等高程較大的地物基本被濾除，避免了上述地物對路面點提取的影響，同時可見車輛被濾波后留下的空洞區域。

使用C++語言實現道路面點云提取算法，使用KNN 鄰域查找方法，搜索參數設置為30。在進行改進區域生長算法進行路面點提取時，根據道路點云的分布狀態以及分析不同參數設置下的試驗結果，當路段1 點云數據在曲率閾值Kt為0.04、法向量夾角閾值Sθ為8°時試驗結果最好，因此設置曲率閾值Kt為0.04、法向量夾角閾值Sθ為8°；當路段2點云數據在曲率閾值Kt為0.04、法向量夾角閾值Sθ為5°時試驗結果最好，因此設置曲率閾值Kt為0.04、法向量夾角閾值Sθ為5°。兩段道路的最終路面點提取結果如圖6所示。

圖6 道路面點云提取結果

通過圖6 可以看到，使用本文方法可以有效地將道路面以外的地面點、非地面點剔除，保證了道路面點云的完整性，驗證了本文方法的可靠性。

為了對本文方法提取道路面點進行定量評價，將準確度CR、完整度CP以及提取質量Q作為評價指標定量評估道路面點提取結果［12-15］。

式中，TP為正確提取路面點數量；FN為錯誤提取路面點數量；FP為未能正確提取路面點數量，將手工獲取道路面點數據作為真實參考數據。

對本文提取路面點數據與真實參考數據進行對比得到精度統計結果，如表1所示。

表1 路面點提取結果精度統計 單位：%

由表1可知，兩段道路的寬度、形態均存在一定差異，然而使用本文方法提取道路面點云結果的CR、CP、Q均超過了94%，驗證了本文方法的魯棒性。同時可以看到準確度CR較完整度CP略高，在于路面局部區域受車輛等障礙物遮擋存在少量缺失。通過試驗結果可以看出，本文方法可準確有效地提取城市道路面，受道路形態、道路寬度、道路坡度等因素影響較小。

3 結束語

本文提出了一種基于車載激光掃描點云數據的城市道路面點云提取方法，該方法首先根據路面點的地面屬性，使用Otsu 算法計算不同路段的高程分割閾值實現非地面點濾除，實現路面點粗提取，消除非地面點對路面點提取的影響。在提取地面點的基礎上，根據路面點法向量分布特征，提出使用改進區域生長算法進行道路面點云精確提取。為了對本文提出路面點提取方法的有效性與可靠性進行檢驗，使用兩段典型城市道路點云數據進行試驗，結果表明，使用本文方法提取道路面點云結果的準確度CR、完整度CP以及提取質量Q均大于94%，具有較好的適應性。下一步的研究重點將是路面局部區域及邊緣區域點云缺失部分的修補。