基于点云数据的道路边线提取

王 坤

(中交第三航务工程局有限公司宁波分公司 浙江宁波 315200)

随着城市建设的不断发展，有效构建城市三维实景模型已成为城市数字化与信息化建设的重要环节[1]。作为一种新型的空间三维数据采集手段，移动车载激光扫描技术可在不与被观测物接触的情况下，主动、动态、实时、快速地获取被观测物的三维位置信息与纹理信息。利用移动车载激光扫描技术采集的高密度、高真实性的点云数据为城市三维实景模型的建设提供了新的思路，有效解决了利用传统摄影测量技术在构建城市三维实景模型中的瓶颈问题[2]。针对海量的道路点云数据，研究如何进行点云分类与地貌提取是城市三维实景模型建设中需要解决的问题之一。

王果等[2]提出了基于车载点云数据的公路三维信息提取方法，能直接从点云中自动提取道路边线信息,但是其不足在于过度依赖人机交互，很难适应复杂的城市道路场景。杨望山等[4]通过对车载激光点云进行转换，生成二维高度图像与强度图像，以二维图像处理的方式对路牙石进行提取，但是其不足在于转换图像的过程中会造成精度损失，导致提取精度不高。闫兆进等[5]提出通过对点云场景中路面目标的空间特征进行分析，按照投影密度的差异对不同目标地物进行区分，但是其不足在于在数据不完整或者在部分地物构造较为特殊的情况下很难对目标进行分类与提取。

针对以往道路信息分类与提取准确率低、效果差的问题，本文使用国产移动车载激光扫描系统获取道路点云数据，提出一种新的道路边线自动分类与提取的方法，并以实际道路点云数据进行算法验证。

1 车载激光扫描系统

1.1 系统组成

移动车载激光扫描系统主要由控制系统、供电系统、纹理影像数据采集系统、GNSS系统、激光扫描系统和车载平台组成[6]，不仅能采集被扫描对象的反射强度值I与坐标信息(X，Y，Z)，还能获取对点云数据自动分类与提取至关重要的基于扫描仪的局部坐标(x，y，z)[7]。移动车载激光扫描系统顶部安装有多镜头像机，可以实时采集道路环境中的纹理信息，与激光点云数据严格配准后可得到高精度、高质量的彩色点云数据[8]。

1.2 激光扫描坐标系构建

移动车载激光扫描系统得到的直接成果是大量的点云数据与每个激光点的坐标信息，同时也得到了其他大量的原始数据，如车辆的里程数据、行车轨迹、激光扫描仪采集到的扫描角与扫描距离[9]。根据采集的原始数据构建基于扫描车的激光扫描坐标系，用作道路边线提取的基准。激光扫描坐标系的原点为扫描车正下方的地面点，x轴为水平路面与扫描面的交线，y轴为车辆前进方向，z轴为路面垂直方向，z轴与x轴和y轴构成右手坐标系。

2 道路边线提取

根据道路面与道路几何边界在空间分布以及几何形状上的差异，提取道路边线，主要包括地面点滤波、 道路边线点云粗提取、道路边线精提取和道路边线拟合。使用最小二乘法对精提取得到的边线点进行拟合，获取矢量化边线成果。

2.1 地面点滤波

移动车载激光扫描系统采集的道路点云数据含有大量地面点云数据，在道路边线提取过程中，地面点云被视为噪声点，故需在道路边线提取前剔除，即地面点滤波[10]。根据临近地面点高程值相似的特点，采用3×3点阵计算高程值的算法对地面点进行滤波。

算法的具体流程：取点云场景中的任意一点，将其设置为本点。在同一扫描行上，取本点的左右两点；在前一扫描行上，取与本点最近的点以及最近点的左右两点；在后一扫描行上，取与本点最近的点及最近点的左右两点。将以上所有点构成3×3点阵。

通过式(1)计算点阵中所有点与本点的高差均值，并设置高差阈值。点阵中所有点与本点的高差小于该阈值时，可认定该点阵中的所有点为地面点，进行标记。对点云场景中的所有激光点进行遍历，处理没有标记的所有激光点。

(1)

式中：Z1至Z8为临近激光点高程Z值，Z0为本点高程Z值。

2.2 道路边线点云粗提取

地面激光点探测完成后，按照扫描行处理点云数据，对同一扫描行的激光点采用梯度滤波与邻域取低点的方式进行处理，实现道路边线点的粗提取。首先，计算扫描行上所有点的梯度。梯度指本点高程值和后一点高程值差值的绝对值与本点x坐标值和后一点x坐标值差值的绝对值的比值。其次，设置梯度阈值，保留非地面点且梯度值大于该阈值的点。

为了对生成的道路边线进行简化，只在路肩的水平面上保留一个点，采用邻域取低点的方式进行处理，即如果本点与其临近点x坐标的差值绝对值在0.5 m(梯度阈值)以内，则将高程值较大的点剔除。对扫描行上的所有点按照邻域取低点的方式进行判断，得到道路边线点。

2.3 道路边线点云精提取

由于道路的宽度相对固定，构成道路边线的激光点相对于车的x坐标基本不变。根据这一特征，对粗提取的激光点进行聚类，然后通过管道滤波的方式对道路边线点云进行精提取。具体流程为：

1)选择任意一点，计算该点与前一点x坐标差值的绝对值。

2)如果差值的绝对值小于两点间距的1/2，则归类到集合S1中，否则，归类到新建集合S2中。如果此点有多个集合S，计算所有集合S中的首点与此点的x坐标差值的最小值，同样，如果最小值小于两点间距的1/2，那么归类到差值最小值对应的集合内，否则归类到新建集合中。对粗提取的所有边线点进行相同操作，得到集合S1至Sn，共n个集合。

3)统计每个集合类的点数，若点数少于5个，则将该集合类的所有点从激光点集合中剔除，最后对剩下的点进行管道滤波。管道滤波就是计算当前点与相邻两点的夹角，保留夹角接近180°的激光点，剔除夹角与180°相差较大的激光点。

聚类分析又叫道路边线点云精提取，精提取的所有激光点就是构成道路边线的激光点。

3 试验及其结果分析

3.1 试 验

使用国产移动车载激光扫描系统采集的某段道路约500 m的点云数据(约50万个激光点)作为试验数据，对本文提出的道路边线自动分类与提取方法的可靠性进行验证。原始点云数据及道路边线的粗提取结果、精提取结果和拟合结果如图1所示。

图1 原始点云数据及道路边线提取成果Fig.1 Original Point Cloud Data and Road Edges Extraction Results

首先，对道路边线进行粗提取，从图1(b)可以看到，边线点基本反映了道路边线的主要特征，道路边线轮廓虽然较为清晰，但包含了很多非边线点的离散点。其次，使用聚类分析方法对边线点进行精提取，精提取结果如图1(c)所示，可以看到剔除了离散点，较粗提取结果更为“干净”。最后，使用最小二乘法对精提取的边线点进行多项式拟合，将拟合结果进行矢量转换，得到矢量化成果，如图1(d)所示。从图1(d)可以看到，道路边线矢量化成果能够将道路边线整体情况反映出来，相比粗提取、精提取结果更为精细光滑。

3.2 结果分析

为了对提取的道路边线矢量成果的准确性进行评价，在道路点云中均匀采集10个道路边线点，计算每个点到利用本文方法得到的边线矢量的距离，统计结果如表1所示。

由表1可知，10个道路边线点与边线矢量的距离均小于2.5 cm，道路边线提取效果较好，从而验证了新的道路边线自动分类与提取方法的可靠性。

表1 手动提取道路边线点与边线矢量间距Tab.1 The Distance between Manually Extract Road Edge Points and Edge Vectors点号12345678910ΔX/cm-1.12.21.91.3-0.91.4-0.7-2.2-1.41.1ΔY/cm1.30.7-0.6-1.32.10.5-1.80.71.9-2.1ΔS/cm1.72.32.01.82.31.51.92.32.42.3

4 结 语

本文针对道路点云数据中的地物和地貌特征，设计了道路边线的自动分类与提取方法，并使用国产移动激光扫描系统采集的某段道路点云数据作为试验数据，以验证算法的有效性与准确性。结果表明，该算法可有效提取道路边线点，矢量化后的道路边线准确率较高。但该算法对直线道路边线提取的效果较好，拐弯边线提取效果不佳，存在一定的局限性，需要进一步改进，提高算法的适用性。