一種桿狀交通設施點云自動提取的方法

孫春生

(南京捷鷹數碼測繪有限公司，江蘇 南京 210019)

1 引 言

桿狀交通設施是重要的基礎道路設施，其信息的快速獲取在道路資產調查、自動駕駛和輔助駕駛等領域發揮重要作用。激光點云是激光掃描設備進行測繪作業所采集的數據成果，它蘊含著豐富的三維空間信息，有利于我們從中提取桿狀交通設施。同時，激光點云數據海量存在遮擋和密度不均等問題嚴重影響了桿狀交通設施的提取[1]。目前基于激光點云的桿狀交通設施目標提取方法主要分為基于體素和基于對象兩種方法?；趯ο蟮姆椒ㄖ黧w思想是將點按一定準則合并成一個個對象，直接以每個對象進行分析，判斷其是否為所需要提取的目標。由于點云場景復雜和噪聲的影響，基于對象方式所提取的桿狀交通設施結構較為完整，更適合用于桿狀交通設施形態和要素的提取[2]。

2 點云預處理

2.1 基于局部最低高程的地面點云移除

由于激光掃描系統的無差別特性，獲取的激光點云中含有大量的地面點。本文的研究目標是非地面的桿狀交通設施，所以地面點并不是興趣目標，為了提高效率可以將這些地面點移除。另外，地面點將非地面點連接在一起，很難分開。因此首先選擇對原始激光點云數據進行濾波，移除掉地面點。地面點的濾波是國內外激光點云數據處理的研究熱點之一[3]，主要分為基于斜率、基于形態學、基于表面和基于分割的濾波方法。由于興趣目標是非地面的桿狀交通設施，移除地面的目標是為了使非地面不同地物相互分離，所以并不需要對地面點進行精細的濾波，從局部區域來看，可以假設最低點為地面點。將激光點云劃分成若干個二維網格，在每個網格中最低高程的點可以假設成地面點，到最低點高差在一定范圍內的點都可以認為是地面點，反之則為非地面點。

2.2 基于歐式距離的非地面點云聚類

地面點濾波算法能有效濾除了地面點。失去了地面點的約束后，非地面目標之間空間距離差異更加明顯，因此可以根據點與點之間空間距離的遠近聚類成不同的對象?；跉W式距離的聚類算法是目前最通用的空間聚類方法之一，比較每個點和其鄰域點的空間距離來判斷是否為同一集群，并利用KD樹組織和檢索點云，實現將離散的、信息較少的非地面點向聚合的、信息豐富的點云對象轉變。

3 混合點云的檢測與分割

基于歐式距離的聚類算法受激光點云數據中噪聲的影響較大，有的點云對象只包含一種地物目標，而有的點云對象則混合了多種地物目標，我們暫且將后者稱為混合點云。如果混合點云中存在桿狀交通設施，將會增大桿狀交通設施提取的難度，所以需要對混合點云進行處理。目前主要利用圖割理論[4]的方法，進一步對混合點云分割，實現混合地物的分離。但混合點云可能含有多個目標，僅僅分割一次難以得到理想的效果。這里提出一種基于迭代最小割的混合點云檢測與分割方法，可以自動檢測混合點云并對其進行分割。算法流程圖如圖1所示。

圖1 混合點云檢測與分割示意圖

桿狀交通設施高度較為明顯，高度越高的點云對象越有可能含有桿狀交通設施，而且混合點云對象投影到水平面的面積往往較大。通過計算每個候選點云對象的最小外包盒，得到每個候選點云對象的高度和水平投影面的面積，當候選對象高度大于某一閾值且水平投影面積大于某一閾值時，認為該對象是混合點云，需要進行進一步分割。最小割是圖割中最經典的算法之一，它利用最小割的準則對全局能量函數進行求解，達到全局最小化，使分割以后的兩個區域相似性最小。對于混合點云目標，同一地物內部相似性較大，不同地物之間相似性較小，所以本文采用最小割算法，實現從混合點云中提取桿狀交通設施。對于檢測出的混合點云，利用文獻[4]中的能量函數，并利用最小割算法對能量函數進行求解。最小割的目標就是讓所有邊的權值之和最小。因為桿狀交通設施總是明顯要高于周圍的其他地物，所以和其他地物的重疊混合多半發生在桿狀交通設施的底部，混合點云頂部為桿狀交通設施的可能性較大。首先將混合點云沿Z軸方向分成10段，將最高的兩段內的點作為前景點，計算平滑函數跟代價函數將混合點云分割成前景和后景兩部分。對于分割完的兩個點云，計算兩者的外包盒進行混合點云的檢測，通過迭代的方式反復進行分割，直到沒有任何候選點云結束分割。

4 桿狀交通設施檢測

通過點云預處理和混合點云的分割，原始激光點云中的桿狀交通設施聚合成了獨立的點云對象。然而，提取的點云對象中除了桿狀交通設施以外，還包括如建筑、樹木、欄桿和車輛等其他地物對象，有些地物與桿狀交通設施形態相似，需要對其進行甄別[5]。為了將桿狀交通設施和其他地物區分開來，我們設計了一種結合先驗知識和形狀知識的層次濾波器，用于檢測桿狀交通設施。

4.1 基于先驗知識的桿狀交通設施檢測

桿狀交通設施往往需要一定高度保證其正常履行交通職能。所以，高度較高的點云對象才有可能是桿狀交通設施。本文基于此先驗知識，設置了一個高度濾波器，將高度高于最小高度閾值的點云對象作為潛在桿狀交通設施備選并送入形狀濾波器進行篩選。

4.2 基于形狀知識的桿狀交通設施檢測

不同的桿狀交通設施的形狀雖然有差異，但也有共同點，即它們都有垂直的桿狀結構，而且與散亂的自然樹木相比，桿狀交通設施形狀更加規則。如果要確定一個桿子的形狀，首先要確定它的半徑和高度。此外，還要保證桿子的均勻性，即各個連續剖面的半徑不能變化太大?；诖诵螤钪R構建形狀濾波器用于檢測桿狀交通設施，主要分為橫斷面分析和離散度檢測兩個部分。

5 實驗與分析

5.1 實驗數據

實驗數據是利用Trimble TX8激光掃描儀采集的常州武進區龍江高架和長虹高架互通處點云，南北長約 3 km，東西長約 2 km。如圖2所示，測試數據中含有豐富的道路、建筑、樹木、欄桿、車輛和交通設施等地物信息。通過人工標記的方式統計，實驗數據中路燈、路牌、監控探頭等桿狀交通設施共645個。

圖2 實驗場景激光點云示意圖

5.2 參數設置

由于點云場景的復雜性，經過分割之后會存在很多過分割的地物碎片，為了移除這些細小的地物碎片設置最小高度閾值th。同時經過同一場景反復測試，對相鄰切片最大對角線長度差ld、增長切片最小高度ph、最大對角線長度td和最大離散度閾值tSc等參數進行設置，具體閾值如表1所示。

點云分割提取參數閾值 表1

5.3 評價指標

本文利用準確度P、完整度R和F1測度三種定量化指標評價桿狀交通設施的提取結果。它們的定義如下：

(1)

(2)

(3)

其中，TP表示檢測出來的正確桿狀交通設施，FP表示檢測出來的非桿狀交通設施地物，FN表示沒有檢測出來的桿狀交通設施。所以準確度P可以定量評價提取的準確性，完整度R可以定量評價提取的完整性。F1作為準確度和完整度組合的評價指標，是對提取方法的綜合評價。

5.4 實驗結果

實驗點云通過上述方法進行桿狀交通設施提取，其中正確596個，錯誤33個，遺漏49個。依據上述評價指標評價結果如表2所示。

實驗點云分割提取的結果與評價指標 表2

6 小 結

在實驗分析中，該方法能夠自動提取出絕大部分的桿狀交通設施，但由于場景的復雜性，一些不完備的桿狀交通設施，它們無法被歐式聚類成一個完整的點云對象，難以用基于對象的方法提取。同時，如圖3中所示，仍然存在一些非桿狀交通設施被錯誤提取的現象，例如部分只含有少量樹葉的粗細較均勻的樹樁同桿狀交通設施結構相似，因此它們被錯誤地提取成桿狀交通設施。另外，該方法僅適用于在底部重疊的混合場景，其他頂部混合等場景則效果較差。

圖3 實驗場景激光點云桿狀交通設施提取局部圖