车载激光点云的道路边界提取研究

宋平

摘要：车载激光扫描系统能快速获取道路的点云数据，但它存在点云密度分布不均匀、数据量大、地物相互遮挡等难点，导致无法直接提取路坎点云数据。本文首先对原始点云抽稀，在一定程度上保证点云分布均匀;然后，计算点云法向量与坐标Z轴夹角，采用SVM方法提取城市路坎点云并对分类结果进行聚类，优化路坎点云。实验结果表明，本文方法能够较完善提取路坎点云，适用于复杂城市街道环境。

关键词：车载激光点云;支持向量机（SVM）;法向量特征

一、引言

车载激光扫描系统是近几年发展起来的高新技术。它具有数据获取快、精度高、动态探测范围打、主动性强等特点。道路场景具有数据量大且密度分布不均等特点[1]。目前，国内外学者对于点云提取道路的方法：基于点云投影的道路提取、基于扫描线的道路点云提取方法、基于聚类分析的道路点云提取方法。方莉娜[2]提出基于扫描线进行多窗口移动滤波，主要考虑窗口点云的高度差异、扫描点密度以及累计坡度三个参数来提取点云道路边界。刘健[3]根据距离判别法和霍夫变换法提取激光扫描线中道路边界点，将道路边界点作为主点，通过高斯迭代回归过程拟合道路边界。熊伟成[4]利用车载激光点云的空间特征对点云进行自适应性分段，然后利用先验知识与规制提取后续的道路及边界，根据道路边界的线状特征进行跟踪及道路矢量化。罗海峰[5]构建了基于相对高程、法向量方向、多尺度高程差以及多尺度高程方差的点云特征向量。

二、基于SVM的路坎提取方方法

首先，对原始车载激光扫描数据进行抽稀处理。然后，结合点云的局部几何特征。最终，实现车载激光扫描数据路坎的提取。表面法向量是物体表面的重要属性。不同类型的地物法向量可能具有明显差异，特别是竖直平面地物和水平平面地物。

对点云数据中每个点通过领域查找获得K个领域点，然后基于最小二乘法解算出该点的局部拟合平面P， 计算可知，k个临近点三维质心刚好位于平面P上，而且平面的法向量N为单位。同时。同时，采用主成分分析法（Principal Component Analysis ，PCA），将求解激光点云法向量的问题转化为该激光点K个近邻点所构建的协方差矩陣C的特征值分解问题。其中协方差矩阵C最小特征值所对应的特征向量便是需要的法向量。

上述公式中，K是点领域点总数;表示这个领域的三维质心;领域点协方差矩阵的特征值;是特征值对应的特征向量;协方差矩阵的特征值按排序，这三个特征值体现领域内点云分布状况。如果，可认为领域内点云具有发散性特征;若，则认为领域内点云具有面状特征;若，则认为该领域内点云具有线性特征。最后计算法向量与Z轴夹角组成点云特征向量。

支持向量机（SVM）作为机器学习领域十分重要的发展成果之一。支持向量机（SVM）是机器学习领域十分重要的成果之一。它是一种二分类模型，它的基本模型是定义再特征空间上的间隔最大的线性分类器，间隔距最大使它有别于感知机;本文通过提取路坎与路面点云作为训练样本。将上文所得的点云特征向量F作为SVM输入特征，运用SVM自带工具进行惩罚因子及核函数参数的寻优。然后通过SVM训练模型及预测分类。

三、结论

利用SVM初步提取路坎点云，最后对提取结果进行聚类优化处理。该方法表明本方法能够完整提取复杂城市道路环境中路坎点云。由于路坎点云容易存在缺失问题，本文方法未能解决这一问题。实验结果也存在错分的路坎点云，在后续的研究特征选择时，可作为重点研究，进一步提高路坎点云提取结果的精度。

参考文献：

[1]南红涛. 车载激光点云道路提取技术研究与应用[D].战略支援部队信息工程大学，2020.

[2] 方莉娜， 杨必胜.车载激光扫描数据的结构化道路自动提取方法[J]. 测绘学报

[3] 刘健， 梁华为， 梅涛，等. 基于道路形态分析的道路边界提取[J]. 机器人， 2016， 38（3）：7.

[4] 熊伟成， 杨必胜， 董震. 面向车载激光扫描数据的道路目标精细化鲁棒提取[J]. 地球信息科学学报， 2016， 018（003）：P.376-385.

[5] 罗海峰， 方莉娜， 陈崇成. 车载激光扫描数据路坎点云提取方法简[J]. 地球信息科学学报， 2017（7）：861-871.