基于車載點云數據的城市道路特征目標提取與三維重構

鄧宇彤, 李 峰, 周思齊, 魏文雪, 張 松, 楊 揚, 張 強, 李艷飛

(1.北京航空航天大學交通科學與工程學院, 北京 100191; 2.北京市政路橋集團有限公司, 北京 100032;3.北京市城市道路養護管理中心, 北京 100068)

城市道路作為交通基礎設施的重要組成部分,其數字化建模是智慧交通、自動駕駛以及基礎設施變形監測等領域發展的必要前提[1]。盡管發達國家的道路建設已達到相對飽和的狀態,但針對既有道路的快速、準確的數字化模型重建仍是研究的重點。在這方面,三維激光掃描技術通過激光雷達系統采集待測區域的點云數據,進而成為實現高精度重建的重要手段[2]。

然而,現有的研究中,大多數的方法存在一些局限性,如人工參與度高、處理效率低、僅針對特定類型的場景進行優化。這些因素都對提高系統的普適性和精確度造成了阻礙。

已經有許多方法被提出來進行道路特征提取和三維重構,如基于圖像處理技術的方法、傳統的計算機輔助設計(computer aided design,CAD)方法、圖紙數據建模方法以及近年來新興的基于三維激光掃描和傾斜影像數據的方法[3],但是這些方法往往存在各自的問題和挑戰。例如,傳統的方法在處理復雜的場景和大量的數據時,往往需要大量的人力、物力和時間成本[4]。近年來,傾斜攝影技術的發展促使了基于傾斜影像數據進行三維模型重建方法的產生,雖然該方法能夠提高模型重建的效率,但是在某些場景下,如存在遮擋的情況或者全球定位系統(global positioning system,GPS)信號丟失的地方,此方法的效果則會受到嚴重影響[5-7]。

基于三維激光掃描技術的方法雖然可以保留更多的細節,但是在對點云數據處理和解釋上存在較大挑戰[8-9],尤其是當數據量大且復雜度高時。

在道路邊界提取方面,Hu等[10]通過布料濾波提取出地面點云,進而選取車輛前方的部分路面點來估計路面模型的法向量,基于路面點云密度分布的均勻性,通過計算一維和二維點密度的連續性,從平面點集中濾波出所有道路點,最終提取出道路邊界點云;Wang等[11]通過車輛軌跡輔助道路劃分、特征性地圖構建與特征性點提取、抑制子檢測與抑制子最低點提取、道路邊界擬合等步驟提取并擬合出城市道路邊界。這種方法通過處理二維圖像代替三維點云,方法較為成熟且效率較高,但是道路點云地物類型多,投影時相互疊加導致精度損失,另外二維圖像的格網大小選擇也會對提取結果造成較大影響。一部分學者基于掃描線處理道路點云數據,提取道路邊界。Zhang等[12]基于每條掃描線,將激光雷達距離數據分解為高程信號和地面投影信號,對高程信號進行濾波處理,再通過模式識別技術確定是否為路面,并通過投影信號加以驗證;方莉娜等[13]基于每條掃描線做高程濾波處理,提取路面點云和路坎,最終獲得道路邊界。以上基于掃描線對點云數據進行處理的方法考慮了地物的空間分布信息并加以利用,但未考慮到掃描線之間的連續關系,而且部分閾值的確定大多基于經驗,自適應性較差,在場景較為復雜時難以獲得應用。

針對道路標識線的提取方法,也有研究者進行了相關研究。Yang等[14]通過插值的方法生成地理參考特征圖像,根據反射強度進行分離,進而利用高度閾值對分離的點進行分割,最后利用道路標記的語義信息提取道路標識線,但一些較為復雜的交通標識線在提取的時候準確性較差;Ye等[15]將道路點云數據分割成垂直于車輛軌跡的塊,采用雙自適應強度閾值法從路面中提取道路標記,最后根據點云數據的密度分布進行自適應空間密度濾波,去除虛假路標點;Wang等[16]基于GPS軌跡從原始點云中提取和分割道路表面和附屬設施點云,動態地將點云從全局坐標系轉移到基于塊的局部坐標系,根據塊廓線和重采樣點云估計邊緣和中心點,基于半徑濾波器提取道路標記。這種方法雖然可以提取道路標識線的三維信息,但對反射強度較低的道路標識線提取效果不佳。

針對路側目標,目前多采取空間聚類的方法提取。Zhen等[17]和李永強等[18]首先在道路點云數據中進行聚類獲得各個點簇,計算點簇的特征,創建訓練集通過分類器對各個點簇進行分類。這種方法對于特征差異比較大的地物可以獲取比較好的提取效果,但對于路側的桿狀地物來說其差異性較小,難以分辨,效果比較差。Yu等[19]在道路點云數據中人工提取出路燈,建立路燈模板,使用此模板在道路點云數據中不斷進行匹配,若匹配度較高則將其識別為路燈點云。

本研究旨在彌補現有研究在處理復雜環境和大數據量上的不足,解決當前城市道路特征提取和三維重構方法在應對復雜場景和大數據量處理上的局限性,提供一種更高效、更可靠的解決方案。

1 基于車載點云數據的道路特征目標提取與三維重構方法

1.1 道路特征目標提取

在車載道路點云數據中,主要包含以下地物:路面、路緣石、路面標識線、交通指示牌、路燈、行道樹、中央隔離護欄和建筑物等,在文獻[20]的基礎上對地物進行空間分布特點和幾何構造特點分析,結果如表1所示。

表1 地物空間分布特點與幾何構造特點

1.1.1 道路邊界點云提取方法

在城市道路的組成中,路緣石是必要的組成部分,所以在分析路緣石特征的基礎上,提出路緣石描述算子,將路緣石附近點云提取出來,進一步通過平面擬合算法提取道路邊界。

通過高程過濾將道路點云數據中高程值大于路面點高程值50 cm以上的點除掉,僅保留路面、路緣石和低矮植被等點云,避免過高的地物由于遮擋而對實驗結果產生影響。將點云數據向下投影到XOY平面并建立規則格網。

分析路緣石的空間分布,發現路緣石具備兩大特征:1)在道路橫斷面方向,路緣石具備單側連續性,即路緣石某一側是連續且平坦的路面,另一側是花草、行道樹等雜亂無章的地物;2)在車輛行駛方向,路緣石具備連續分布性,即隨著道路向前延伸,路緣石也是在車輛行駛方向上不間斷地延續的,如圖1所示。圖1中,(a)是道路示意圖,(b)是(a)中A～F的局部放大圖,紅色部分為路緣石,綠色部分代表灌木,黑色部分代表路面。

圖1 路緣石示意

基于單側連續性和連續分布性,確定路緣石描述算子,包含2個判別條件?；诟窬W化的點云采用一個3×3的移動判別窗口,對點云數據進行檢驗和判別,如果點云格網滿足判別條件A和判別條件B,就判定這個格網是路緣石格網,否則,將其判別為非路緣石格網。為了便于描述和計算,令點云格網內所有點的最大高程為該格網的值。

1) 判別條件A:中心格網與鄰域格網的高程差值Δh應處于10～25 cm;滿足此特性的鄰域格網的最大個數N應處于N1與N2之間,N1=2,N2=4。

2) 判別條件B:計算中心格網與鄰域格網的坡度,若坡度小于閾值Δs,則標記鄰域格網;計算中心格網的中心點與標記的鄰域格網中心點構成的所有向量之間的最大夾角αmax應等于135°或180°。

確定判別條件A和判別條件B后,即可用3×3的移動判別窗口一一判別,若2個條件都符合,則可將其判別為路緣石格網。

為了去除道路中央護欄及花壇內植被等偽邊界格網,以一路緣石格網為起始格網,以鄰域格網數量和角度作為聚類條件采取區域增長算法進行聚類,獲得確定的路緣石格網。

在確定的路緣石格網內采取隨機采樣一致性方法分別擬合出路緣石立面和路面平面,然后求2個平面的交集,這個交集就是道路邊界點云。

1.1.2 道路標識線提取

對道路點云數據進行濾波處理,將點云分為地面點和非地面點,避免汽車、行道樹、路燈等非地面點對地面元素的檢測產生干擾,以更好地對非地面道路特征(如行道樹、路燈)進行提取。

綜合利用點云數據的高程信息、強度信息、點云密度信息分別生成3種灰度地理參考圖像:非地面點的高程圖像、地面點的強度圖像和地面點的點密度圖像。高程圖像的格網灰度值是通過計算格網內非地面點的平均Z值確定的,強度圖像的格網灰度值是通過計算格網內地面點的平均反射強度確定的,點密度圖像的格網灰度值是通過統計落入格網內地面點的個數確定的,3種圖像如圖2所示。

圖2 地理參考圖像

對高程圖像和強度圖像處理獲取高程梯度圖像和強度梯度圖像,對高程梯度圖像和點密度圖像進行二值化處理,基于強度梯度圖像粗略提取標識線像素,以強度梯度圖像為基礎,用坡度二值圖像和點密度二值圖像對其進行過濾,剔除坡度二值圖像中坡度較大和密度二值圖像中點密度較小的分布,保留坡度小、點密度大的部分,利用最大熵閾值法將過濾后的強度梯度圖像進行二值化處理,粗略地將值為1的像素點作為道路標識線的邊界像素,采用區域增長算法對提取到的封閉的道路標識線邊界進行填充。

最后,將地理參考圖像映射回原始的三維空間中,選用最大類間方差法進行點云強度閾值過濾,保留強度值較高的點,以細化道路標記,去除地理參考圖像的鋸齒效應,為了減小噪聲點的影像,采取逐次松馳法(successive over- relaxation,SOR)濾波去除異常點和噪聲點。

1.1.3 路燈和行道樹提取

由于路燈和行道樹都屬于非地面點云,因此利用布料濾波方法對點云進行過濾,去除地面點云,保留非地面點云。

將平滑度參數引入歐式聚類,通過改進的歐式聚類方法完成地物的聚類分割,考慮到路燈和行道樹的實際高度,若某聚類最高點的離地距離小于6 m則將其濾除。

對剩余的聚類點云建立三維格網索引,并對每一層格網點云分別做平面投影,桿狀地物在向XOY平面做投影后,是圓弧形狀,采用 RANSAC擬合算法對格網化后的點云數據從下向上計算每個格網內擬合圓的半徑大小和圓心坐標。為了防止部分非路燈和行道樹桿狀地物的擬合圓聚類混入,需要對其添加2個限制條件,其一是擬合出的圓半徑r應在一定的閾值內,其二是考慮到二者的高度,應使滿足擬合圓半徑r的格網層數大于8,滿足這2個條件的即可將其歸為路燈和行道樹桿狀地物。

最后,采用支持向量機算法分類得到路燈和行道樹點云。

1.2 道路三維重構

1.2.1 路面重構

前文在進行道路邊界提取時已將道路邊界點云成功提取出來,在建立路面三維模型前,需獲取路面的參數,對道路邊界線點云做抽稀處理,每隔10 m保留關鍵節點,并將關鍵節點的XYZ坐標提取出來,并分別存儲在A[n]和B[n]數組中,相鄰的2個點確定一個路面族,用L[n]和R[n]表示,進而計算出道路四邊形模板的參數,此處采取連續四邊形重建算法,通過不斷加載路面族并對族參數進行修改即可創建路面模型,如圖3所示。

圖3 連續四邊形重建方法示意

同時應考慮到,道路在設計施工時,必然存在部分彎道區域,這些彎道區域就可能存在不平滑的現象,那么在彎道區域進行路面重建時,就必須縮小邊界線上關鍵點的間距,通過縮小間距、加密處理的方式完成彎道區域的建模。

1.2.2 標識線重構

路面與標識線是包含和被包含的拓撲關系,在路面重建完成后,再進行路面標識線的重建,包含長標識線、短標識線和導向箭頭等。

路面長標識線和短標識線均為矩形結構,根據前期提取的道路標識線點云,通過K最近鄰(K-nearest neighbor,KNN)分類算法提取出道路標識線點云的邊界點,進而擬合出道路標識線的邊界線,通過擬合的直線求交點的方式獲取道路標識線角點坐標,即可計算出矩形的長、寬信息,再通過角點的坐標信息,即可將長、短標識線順利加載到路面上。

導向箭頭的種類較為復雜,分為直行、左轉、右轉、直行且左轉、直行且右轉等多種,在建立模板時就應充分考慮到各種類型情況,同時通過查閱國家標準,發現對箭頭尺寸有著明確的規定,在建立模板時可將尺寸的箭頭一一建立,在進行標識線重建時直接調取,而不再需要對其進行編輯處理,通過箭尖的坐標即可將導向箭頭順利載入。

1.2.3 路燈和行道樹重建

一般情況下,同一道路上路燈的種類是相同的,因此單個路燈進行精細化的手工建模,然后采用根據位置和方位批量化快讀建模的方法,實現道路路燈的重建,極大地減少了工作量,且提高了建模速度。

由于樹木生長速度不同、樹冠大小形狀不同等各種原因,想要將每棵樹都實施映射到道路模型中很難實現,因此,為了提高建模效率,對道路上行道樹的種類進行統計,創建了相應的模型,根據樹干的圓心坐標值,將不同種類的單棵樹模型重復使用,完成行道樹的重建。

2 實驗

2.1 實驗數據

在本文研究中,采用了青島秀山移動測量有限公司生產的VSurs-E道路三維激光移動巡檢系統,如圖4所示。該測量系統是由汽車搭載平臺、數據采集系統、汽車定位系統以及協調傳感器的時間同步系統構成的三維空間測量系統。

圖4 車載移動測量系統組成

該系統作業靈活,系統集成化程度高,可實現數據快速、高效采集,可應用于道路病害巡檢、公路高精度測量、智慧城市的數字化測量等領域,采集精度可達到厘米級別,本研究應用該系統進行青島市某路段全長1.5 km的數據采集,采集到的點云數據如圖5所示。

圖5 道路點云數據示例

除這部分點云數據外,還采用了另外1組數據作為實驗對象,本文中分別用數據1和數據2來指代。2組數據存在較大的差異性,其中數據1是城市普通道路點云數據,道路兩側含有部分建筑物立面,數據較為復雜;數據2同樣來自山東科技大學車載移動測量系統所采集的道路數據,采集對象是快速道路數據,道路由中央隔離帶斷開,未采集到道路兩側的路燈和行道樹點云。數據1、2的原始點云如圖6所示,點云數據的部分參數如表2所示。

圖6 原始點云數據

表2 數據1、數據2參數

2.2 評價指標

道路目標提取實驗完成后,分別統計以下數據:1)正確提取的目標地物點個數xt;2)漏提取的目標地物點個數xn;3)錯誤提取的目標地物點個數xf。統計xt、xn、xf的值后,為了評價道路目標提取的精度,本文選擇了目前目標提取與識別中應用比較廣泛的客觀評價指標精確率P、召回率R和綜合評價指標F1,計算公式分別為

(1)

(2)

(3)

2.3 道路目標提取實驗

原始數據為無序的道路點云數據,沒有提供正確的道路邊界、道路標識線、路燈、行道樹點云,因此并無正確的結果可以作為實驗的評價標準,在采用算法對道路目標進行提取實驗之前,首先采用人工的方法從2組點云數據中提取目標地物,作為正確的結果,以便后續進行對比分析。

對數據1、2進行道路邊界提取,同時為了更加精細地展示提取效果,將部分邊界進行放大,便于觀察,如圖7、8所示,從圖中可以看出,道路邊界的提取效果比較好,但是也會存在部分零星的噪聲點。

圖7 數據1道路邊界點云提取結果

圖8 數據2道路邊界點云提取結果

對數據結果進行分析,得到表3、4,從表中可以看出,本文的算法可以得到比較好的效果,2組實驗數據的精確率、召回率和綜合評價指標都超過了96%。其中在數據1中,由于道路兩側的路緣石高度較低,且路側停留車輛造成了遮擋,導致邊緣處存在著一些噪聲點,進而導致準確度較低。但總體來說算法仍取得了比較好的效果,與人工提取的邊界線具有較好的吻合度。

表3 道路邊界提取結果精度分析

表4 道路標識線提取結果精度分析

對道路點云進行標識線自動提取,結果如圖9、10所示,并對局部進行放大,以觀察提取效果,從圖中可以看出,道路標識線邊緣的噪聲基本不存在了,提取效果良好。

圖9 數據1道路標識線點云提取結果

圖10 數據2道路標識線點云提取結果

總體來說,2組數據的評價精度都超過了96%,表明該算法可以取得比較準確的道路標識線提取效果。

對數據1進行路燈和行道樹自動提取,結果如圖11所示。

圖11 數據1路燈和行道樹點云提取結果

從圖11中可以看出,數據1中所有的路燈和行道樹均被準確地提取出來,由于行道樹的整個樹冠點云較為龐大和復雜,因此本節僅對路燈的提取效果做分析,根據表5,可以發現路燈提取的精度沒有道路邊界線和標識線的提取精度高,但也達到92%。

最后,為了更加直觀地展示城市道路特征目標提取的結果,本文將提取出的目標點云設置為不同的顏色,以數據1為例,樹木為綠色,路燈為紅色,道路邊界為黑色,道路標識線為藍色,如圖12、13 所示。

圖12 數據1地物

圖13 數據2地物

2.4 道路三維重構實驗

在對2組數據進行道路目標提取實驗后,便需要從這些道路目標點云中提取獲得道路三維重構所需的各項參數,基本參數確定后便可按照前文所提出的道路三維重構方法進行道路模型的快速自動化重建。

對道路邊界點云來說,需要對邊界點云作抽稀處理,以5 m為間隔,獲取道路邊界點的X、Y、Z坐標值,進而計算出路面重建的基本梯形族的各參數。

對道路標識線而言,長標線和短標線要獲取其4個角點的坐標值,通過角點的坐標值計算出長標線和短標線的長寬尺寸,同時記錄下行車方向上右下角點的坐標值,便于加載。

對于路燈和行道樹來說,針對單一路燈進行精細化建模并以路燈坐標將路燈模型批量復制并放置足以滿足建模需要,對數據1中的路燈進行了精細化建模,然后根據桿狀地物擬合時的坐標值分別將路燈和行道樹置于正確的位置。

最終的三維重構模型如圖14、15所示。

圖14 數據1三維重構結果

圖15 數據2三維重構結果

3 結論

1)以路緣石的空間分布特征為基礎可完成道路邊界的自動提取。

2)基于車載道路點云的強度特征、高程信息和點密度信息可以完成道路標識線的自動提取。

3)利用燈桿和行道樹的三維桿狀特征和二維圓弧特征檢測出桿狀地物并分類可以完成路燈和行道樹的自動提取。

4)基于提取的特征目標,通過參數化設計可以完成道路的三維重構,實現道路數字化。

本文通過2組實驗數據驗證了所提方法的有效性,實現了道路邊界、標識線、路燈和行道樹的自動提取和重建,評價指標均超過了92%,較之已有的算法有了較大的提升。

研究也存在著一些不足,需要進一步地研究和改進。實際情況中大部分城市道路都具備路緣石,但當道路不具備路緣石時,如何提取道路邊界有待進一步研究;算法的部分參數比較依賴人工經驗,自適應性有待進一步加強;在樹木茂密的地方,可能會出現路燈和樹木相交的情況,對地物分類產生影響,未來將進一步研究如何使相交的路燈和行道樹分離。