基于車載點云數據的道路邊界點提取方法

蔣華兵

（浙江省測繪科學技術研究院，浙江 杭州 310000）

0 引言

在交通管理中，三維道路邊界的語義、幾何、地形等信息對于交通事故分析、車道導航具有一定參考價值，因此，面向智能交通管理與高精地圖制作，快速獲取道路邊界信息是目前智慧城市建設的研究熱點［1-3］。以往道路邊界信息的提取主要基于全站儀與遙感影像技術，這些方法存在效率低、道路邊界提取信息不全、精度受限等問題。三維激光掃描技術能夠在短時間內采集海量點云數據，具有實時、高效、快速等特征，該技術憑借其較強的穿透能力能夠適應各種天氣因素，已逐漸成為測繪、市政、應急救援等領域重要的數據采集手段［4-6］，能夠解決以往道路邊界信息獲取存在的不足。

如何從海量的道路點云數據中有效準確提取道路邊界點已成為點云分類與提取領域的熱點，眾多學者進行了研究并取得了積極進展。其中馬新江等［7］提出了基于路緣特征的城市道路邊界提取方法，首先對原始點云數據進行濾波處理，其次根據不同類型的路緣石邊界實現道路邊界點的精確提取；呂亞磊等［8］構建基于點云回波強度梯度與局部鄰域高差梯度的聯合特征，通過聯合特征實現道路邊界點提取，然而該方法較為復雜；ZHANG W 等［9］通過檢測地面小的高度躍遷點定位路緣石位置，從而實現道路邊界點提取；YANG B 等［10］通過GPS 時間與角度獲取掃描線信息，根據掃描線上點的累計坡度、密度與高程差實現路坎點的提取。

然而，目前基于點云數據的道路邊界點提取普遍存在提取精度低、空間環境依賴性高等問題，本文提出了一種基于車載激光掃描點云數據的道路邊界點提取方法。首先通過Volex Grid 濾波器對原始點云數據進行抽稀處理，并通過直通濾波、梯度濾波算法實現地面點、非地面點的分離，在以后使用邊界特征估計算法提取完整的道路邊界點，使用兩段不同類型道路點云數據進行實驗，以驗證本文方法的有效性。

1 道路邊界提取方法

1.1 技術流程

目前，城市道路及兩側道路設施較多，環境復雜，利用車載激光掃描技術能夠一次性將道路及兩側所有地物、地貌點云數據采集［11］，可通過不同地物點的平面與高程信息實現地物點的分類。本文基于道路場景中不同地物點云的幾何與語義特征，構建道路邊界點提取流程，如圖1所示。首先對原始點云數據進行抽稀、直通濾波、梯度濾波等預處理，其次使用邊界特征估計算法實現道路邊界點的準確提取。

圖1 基于車載點云數據的道路邊界點提取技術流程

1.2 數據預處理

1.2.1 點云抽稀

由于原始車載點云數據密度大、范圍廣，直接對其進行算法處理將嚴重影響效率，針對此問題，本文在進行后續算法處理前對原始車載點云數據進行預測處理。主要使用Volex Grid 濾波器下采樣原始車載點云數據，對點云分布不均勻且密度較大區域進行抽稀，在保證點云整體數據形態的前提下降低點云數據量，提高后續算法的處理效率［12-14］。

1.2.2 點云濾波與梯度濾波

城市道路兩側均為高大地物，與道路面點云在高程上存在很大差異。對于抽稀后的點云數據，使用直通濾波器進行直通濾波，有效去除空間干擾點云。主要方式為根據試驗路段點云高程范圍設置高程閾值，將高于此高程閾值的點云剔除，只保留道路面及綠化等高程較小點云，得到完整清晰的道路點云數據。

通過八叉樹對道路點云數據進行劃分，得到若干個長方體點云，在樹的等級足夠高的前提下每個單元僅包含一種實體點云［15］。使用每個單元內點梯度的模長對標量場值的變化趨勢進行反映，經八叉樹分割的單元內值變化很小，并且地面點的梯度變化具有連續性與穩定性，通常梯度的模值變化在0～1，假設設置梯度模值閾值為0.3，將小于0.3 的點確定為地面點，將大于0.3的點確定為非地面點，其中包括了道路邊界候選點集。通過梯度濾波能夠實現地面點、非地面點的有效精準分離。

1.3 邊界特征估計算法

將梯度濾波法提取非地面點作為研究對象，使用邊界特征估計提取算法進行道路邊界點云提取。首先構建法線估計對象與鄰域查詢閾值K，設置法線角度閾值與估計半徑；其次使用KDtree 遍歷所有點云數據進行道路邊界點云提取，提取過程中K值的調節非常重要，將直接影響提取結果；最后，通過設置循環分別存儲邊界點與非邊界點，通過計時器記錄耗時。

邊界特征估計算法提取道路邊界點中參數選取尤為重要，如鄰域半徑的設置法線估計問題，領域半徑設置過大會導致提取耗時增加，過小會受到噪聲影響［16-17］。同樣，法線提供了曲面的曲率信息，對點進行法線估計可以表示為對近似判斷表面法線，可以看作是搜尋周圍點組成的平面。

2 試驗與結果分析

2.1 試驗數據

為驗證本文道路邊界點提取方法的有效性，使用杭州市某地兩段不同類型道路進行試驗，直線路段長度約為150 m，彎曲路段長度約為100 m，該試驗區具有典型的城市道路特征，道路兩側植被與建筑物林立，同時存在多種城市部件，數據采集激光掃描系統為華測導航AS-900HL 車載移動掃描系統。使用IE 軟件進行車載掃描軌跡解算與點云數據解算，能夠得到厘米級的道路車載點云數據。試驗點云數據如圖2所示。

圖2 試驗點云數據

2.2 試驗結果

針對兩段道路數據集分別進行試驗，首先對兩段道路進行點云抽稀與點云濾波等預處理，經點云抽稀與直通濾波后，兩段道路點云數據集如圖3、圖4 所示。通過圖3 可以看到路面幾乎沒有遮擋，一些高大植被、建筑物等點云數據基本被濾除，點云數據量大大降低，道路邊界清晰，為道路邊界點提取做好了準備。

圖3 點云抽稀后道路點云數據

圖4 直通濾波后道路點云數據

對經點云抽稀、直通濾波后的點云數據集進行梯度濾波，城市道路路緣石高度通常為0.12 m左右，根據路緣石高度將直線路段的梯度閾值考慮在0.1～0.2 m，將彎曲路段的梯度閾值考慮在0.2～0.3 m。將試驗間隔設置為0.01 m，通過多次試驗當直線路段的梯度閾值設置為0.18 m、彎曲路段的梯度閾值設置為0.25 m 取得最佳試驗效果，沒有出現欠分割或者過分割的情況。直線路段、彎曲路段通過梯度濾波分割得到的地面點、非地面點如圖5、圖6所示。

圖5 直線路段經梯度濾波結果

圖6 彎曲路段經梯度濾波結果

直接使用邊界特征估計算法對非地面點進行處理，算法運行時，為了擴大搜索量與減少噪聲影響，提高估計值精度，適當調大搜索K值，然而K值過大又會降低估計速度［18］。根據經驗分析將K值設置為10 的倍數具有更好的提取結果，文中通過設置不同的K值得到不同邊界提取結果，如圖7、圖8所示。

圖7 直線路段不同K值邊界提取結果

圖8 彎曲路段不同K值邊界提取結果

2.3 結果分析

為定量反映不同K值下的兩路段邊界提取效果，統計不同K值下道路邊界提取結果的整體點云量、耗時情況以及精度［19-21］，結果如表1、表2所示。

表1 直線路段道路邊界提取精度

表2 彎曲路段道路邊界提取精度

通過表1、表2可知，對于直線路段，當K值取40 時，道路邊界提取耗時最少，精度最高，可知K=40為最佳閾值；對于彎曲路段，當K值取40或者50 時，道路邊界提取精度最高，但值取50 時提取耗時較長，總體效率較低，綜合考慮K=40 更合適，為最佳閾值。

為了對提出道路邊線提取結果進行定量分析與評價，使用完整率、準確率這兩個評價指標進行定量評價。完整率CR定義為

式中，Ls表示正確提取道路邊線長度；L表示實際道路邊線長度，該值為人工提取道路邊線得到。準確率AR定義為

式中，Le表示錯誤提取道路邊線長度。

根據式（2）對提取結果進行統計，結果如表3所示。

表3 道路邊線提取結果定量統計 單位：%

由表3 可知，本文方法對兩組數據道路邊線提取結果的完整率、準確率均在90%以上，具有非常高的提取精度，驗證了本文道路邊線提取方法的可靠性。

3 結束語

本文基于移動車載激光掃描點云數據，提出了一種三維道路邊界點提取方法，該方法實現道路邊界點提取主要有點云抽稀、點云濾波以及邊界點提取。首先，為盡可能在保證道路地物完整的前提下對原始點云數據進行抽稀處理，盡可能減少點云數據對后續算法處理的影響；其次，根據試驗路段點云高程范圍設置高程閾值，將高于此高程閾值的點云剔除，只保留道路面及綠化等高程較小點云，得到完整清晰的道路點云數據，同時使用梯度濾波算法實現地面點、非地面點分離，其中道路邊界點存在于非地面點中；最后，使用邊界特征估計提取算法進行道路邊界點云提取。通過實際道路場景點云數據驗證了本文方法在直線型道路與彎曲型道路邊界點提取的有效性與準確性，為后續道路矢量線的生成與高精地圖生產提供了方法依據。本文方法的缺陷在于需要人工試驗設置參數閾值，需要多次試驗才能得到理想結果。同時，對于地面起伏較大區域，本文方法無法完全提取地面點，道路點云缺失、邊界跟蹤預測等方面將是下一步的研究重點。