城市結構化道路路面點云提取方法研究

冉妮妮

(貴州省地質礦產勘查開發局一○六地質大隊，貴州遵義 563000)

1 引 言

高精度、高現勢性的道路三維信息對于智能城市建設、交通管理與道路維護具有重要意義。作為一種新型的空間三維數據采集手段，移動車載激光掃描技術可在不與觀測目標接觸的情況下，動態、實時、快速地獲取觀測目標的三維位置信息與紋理信息，利用移動車載激光掃描技術采集到的高密度、高真實性的點云數據可以為道路三維信息的獲取提供數據支撐。

目前，國內外基于移動車輛激光掃描點云數據的道路信息提取方法主要分為兩種：一是從點云投影得到的特征圖像中提取道路信息；二是從離散點云中直接提取道路信息。從特征圖像中提取道路信息主要是基于道路面與鄰域之間的高程差異，對原始點云數據進行轉換生成特征圖像，再將圖像提取地物的算法引入道路面信息提取中[1]。這種方法的缺陷在于離散點云與格網之間的轉換會造成精度的損失。本文基于道路路面點法向量的分布特征，提出一種點云法向量相似度的道路點云提取算法，并對算法提取路面點云的有效性與準確性進行了檢驗。

2 城市結構化道路提取方法

2.1 非地面點濾波

城市道路環境復雜，道路面、汽車、行人及道路兩側交通附屬設施，如電線桿、路燈、行道樹等非地面目標點云會嚴重干擾點云局部法向量計算的準確性，從而降低道路提取的準確度與效率。因此，將原始點云數據中的非地面點濾除是提取道路的關鍵步驟之一。

本文將使用文獻[2]中提出的點云濾波算法，該算法是一種基于布料模擬的濾波算法(CSF)。該算法濾波速度快且所需參數較少，是一種穩健性較強的地形濾波算法，適用于點云數據量龐大的車載點云濾波。布料模擬濾波算法的濾波過程與簡單的物理過程模擬類似，假設地形表面上覆蓋著一塊虛擬布料，如果此布料足夠柔軟，那么就可以用此布料的形狀表征數字表面模型(DSM)。假設該布料有一定硬度，那么將原始地形翻轉，此時可以用布料的形狀表征數字高程模型(DEM)。圖1為CSF算法示意圖。

圖1 CSF算法示意圖Fig.1 Schematic diagram of CSF algorithm

2.2 法向量及曲率估算

2.2.1k鄰域搜索

道路車載點云數據中各離散點之間沒有幾何拓撲信息，因此，想要實現快速近鄰查找，首先要在離散點之間構建幾何拓撲關系。KD-tree是一種數據結構，本質是帶有約束條件的二分查找樹，由Bentley于1975年提出[3]。KD-tree主要用于分割k維數據空間，從而實現多維空間數據的范圍搜索(FDN)和近鄰搜索(KNN)[4]。

2.2.2 法向量估算

通過局部鄰域擬合的切平面法向量表示點云場景所有激光點的法向量，估算出各激光腳點的局部法向量及曲率值，將法向量相似度作為路面點云提取的約束條件。

圖2為Hoppe等人使用局部切平面擬合方法對激光點進行局部法向量估算原理示意圖[5]。

圖2 法線估計原理Fig.2 Principle of normal estimation

首先，假設點云場景任意激光點坐標為pi={xi,yi,zi}，使用鄰域查找方法搜索得到激光點k個鄰域點；其次，通過距離最小二乘準則計算得到激光點的局部擬合平面P，其中P可表示為[6]：

(1)

式中：argmin表示在目標函數最小時的變量值，d表示坐標原點與P之間的距離，n表示P的法向量。

計算得到激光點所有鄰域點的三維質心都位于P上，同時法向量滿足nTn=1，表明n為單位向量。將主成分分析應用于激光點的法向量求解中，此時可通過k個鄰域點構建協方差陣C，此協方差陣最小特征值對應的特征向量就是激光點的法向量。

(2)

C·vi=λi·vi，i∈{0，1，2}

(3)

式(2)、式(3)中：i表示解算鄰域協方差陣得到的特征值，vi表示特征值i對應的特征向量，p表示鄰域的三維質心，k表示激光點pi所有鄰域點個數。

激光點3個方向上的變化程度可以用特征值的大小表示，故激光點pi的曲率Ki可近似表示為：

(4)

2.3 改進區域生長算法

城市結構化道路路面點云法向量與路緣石、道路邊緣處點云法向量存在明顯差異，路面點云法向量分布較為集中，且總體豎直向上。故可采用區域生長算法，將路面點云法向量方向相似性作為約束條件，對路面點云進行分割。

由于傳統區域生長法選取種子點的方法較為隨機，因此，可能會導致路面點云分割效率低下或者過分分割等問題。針對此問題，以路面提取目標為對象，改進種子點的選擇準則。圖3為城市結構化道路的空間特征，可以看到結構化道路面點較人行道、道路兩側地物點更低且路面更為平坦。因此，首先通過原始點云間的高程差異進行高程升序排列，其次將曲率最小的激光點作為種子點。算法的具體流程為：

圖3 城市典型道路場景點云Fig.3 Point cloud of typical urban road scene

1)通過原始點云之間的高程差異進行高程升序排列，計算得到所有激光點的曲率Ki與法向量ni，選擇曲率最小的激光點作為種子點。

2)搜索當前激光點的鄰域點，計算所有鄰域點的法向量以及鄰域點法向量與當前激光點法向量的夾角Si，同時計算得到所有鄰域點的曲率值。

3)設置平滑閾值Sθ與曲率閾值Kt，若當前點與鄰域點的法向量夾角Si

完成上述分割流程后，除路面以外，可能還會聚類得到一些近似平面點群區域。但是道路路面點云區域與其他平面點群區域的區別在于路面點云區域平均高程較低且是最大連通區域。因此，可以通過設置閾值參數區分出路面點云與非路面點云。

3 試驗與分析

2.1 試驗數據

通過移動車載激光掃描技術采集得到城鎮環境中兩段比較典型的城市結構化道路。圖4(a)為路段1點云數據，路段1數據長度約為300 m，共包含3 758 943個激光點，主要為平直道路，道路寬度較為規則，坡度較大。圖4(b)為路段2點云數據，路段2數據長度為150 m，共包含1 895 341個激光點，主要為彎曲道路，道路寬度存在局部不一致。

圖4 原始車載點云數據Fig.4 Original vehicle point cloud data

兩段道路數據中都包含路燈、行道樹等典型道路附屬設施。

2.2 試驗結果與分析

對原始點云數據進行濾波處理，利用開源數據軟件Cloud Compare中布料模擬濾波算法進行濾波運算。路段1道路坡度較大，設置硬度參數為2、距離閾值為0.5 m、大格網分辨率為1.5 m、迭代次數為150次。路段2道路較為平坦，與路段1設置參數的區別在于硬度參數，此路段將硬度參數設置為1，其余參數與路段1參數設置相同。

圖5為兩段點云數據經濾波后得到的結果，濾波后的點云數據包括道路兩側人行道區域以及道路面區域，同時可見車輛被濾波后留下的空洞區域。

圖5 濾波后點云數據Fig.5 Point cloud data after filtering

使用本文提出的方法，在VS2017環境中使用C++語言編程對濾波后的點云數據進行處理運算，得到道路面點云數據。其中點云鄰域查找使用的方式為KNN，設置查找點數量參數以及區域生長鄰域搜索參數為30，兩段道路點云數據的曲率閾值Kt均設置為0.04，將路段1點云數據的法向量夾角閾值Sθ設置為8°，將路段2點云數據的法向量夾角閾值Sθ設置為5°。

如圖6所示為兩段點云數據的最終道路面提取結果。

圖6 路段道路面點云提取結果Fig.6 Extraction results of road surface point cloud in sections

為了定量評價本文方法道路的精度，將檢測質量q、完整性r、準確性p作為本文道路提取的定量評價指標。3種評價指標的計算公式為[7]：

q=TP/(TP+FP+FN)

(5)

r=TP/(TP+FN)

(6)

p=TP/(TP+FP)

(7)

式中：FN表示未被提取得到的道路點數量，FP表示提取的非路面點數量，TP表示正確提取得到的路面點數量，手工從原始點云中將道路面點云取出作為參考數據。

表1所示為本文試驗提取道路面結果精度統計，由表1可知，本試驗提取道路面結果的檢測質量q、完整性r、準確性p均在94%以上。其中，由于路面車輛等障礙物遮擋導致路面局部邊緣處存在少量缺失。試驗結果表明，本文方法可對城市結構化道路路面進行有效提取，受道路形狀及寬度的影響較小。

表1 提取結果精度統計Tab.1 Precisionstatisticsofextractionresults數據源q/%r/%p/%路段195.1695.8297.75路段294.3895.6396.42

4 結束語

本文根據城市結構化道路點云的法向量分布特征，提出了結構化道路面點云提取方法。為了對本文提出方法的可靠性進行檢驗，使用兩段城市道路點云數據進行算法試驗，對道路面點云提取結果進行目視評價及定量分析。試驗結果表明，本文提出的算法在城市結構化道路面點云提取中具有較好的適用性。但是本文沒有對行人、車輛等遮擋造成的路面局部邊緣缺失進行修補，這將是下一步重點研究方向。