基于機(jī)載LiDAR點(diǎn)云高程和強(qiáng)度數(shù)據(jù)的城區(qū)汽車(chē)目標(biāo)自動(dòng)提取

孫美玲，李永樹(shù)，陳強(qiáng)，蔡國(guó)林

（西南交通大學(xué) 地球科學(xué)與環(huán)境工程學(xué)院，成都 610031）

1 引 言

隨著城市化進(jìn)程的日益加快以及智能交通系統(tǒng)的快速發(fā)展，汽車(chē)的自動(dòng)化提取成為了計(jì)算機(jī)視覺(jué)領(lǐng)域、攝影測(cè)量與遙感領(lǐng)域研究的熱點(diǎn)問(wèn)題［1］。根據(jù)其傳感器平臺(tái)的不同，可以將汽車(chē)提取的方法主要分為兩大類：一類是基于視頻圖像的方法［1－2］，即通過(guò)安裝在橋頭或者交通路口的攝像頭獲取視頻圖像來(lái)提取汽車(chē)，這種方法只能獲取城市主干道路的路況信息，當(dāng)大規(guī)模事件發(fā)生或者自然災(zāi)害來(lái)臨時(shí)，無(wú)法及時(shí)把握所有交通路段的信息；另一類是基于航空或衛(wèi)星影像的方法［1，3－5］，這類方法可以基于大范圍的高分辨率影像對(duì)道路進(jìn)行全面監(jiān)控，成為第一類方法的有益補(bǔ)充。但這種方法大都需要事先由人工提取出道路或者停車(chē)場(chǎng)，然后進(jìn)行汽車(chē)檢測(cè)，降低了汽車(chē)提取的自動(dòng)化程度。

隨著機(jī)載激光雷達(dá)（Light Detection And Ranging，LiDAR）技術(shù)的快速發(fā)展，近幾年國(guó)外出現(xiàn)了基于機(jī)載LiDAR技術(shù)提取汽車(chē)并用于交通分析的研究［6－7］，文獻(xiàn)［6］首先采用統(tǒng)計(jì)方法進(jìn)行點(diǎn)云濾波，將汽車(chē)分類為地面點(diǎn)，然后采用H－極大值變換和標(biāo)記控制分割的方法提取汽車(chē)，由于在濾波及提取過(guò)程中未考慮汽車(chē)地物特征，將較多的建筑物邊緣和其他低矮地物誤判為汽車(chē)，則導(dǎo)致較低的正確率。文獻(xiàn)［7］則首先利用自適應(yīng)Mean－Shift算法完成三維點(diǎn)云分割，然后采用支持向量機(jī)（SVM）的方法完成分類，這種方法在分類階段，需要對(duì)分類器訓(xùn)練，因此降低了汽車(chē)提取的自動(dòng)化程度，并且分類器訓(xùn)練的好壞也會(huì)影響到汽車(chē)提取的精度。機(jī)載LiDAR技術(shù)獲取的三維點(diǎn)云信息，其不僅含有每個(gè)激光腳點(diǎn)的位置和高程信息，且能同時(shí)提供激光腳點(diǎn)回波信號(hào)的強(qiáng)度信息［8］?；诖?，本文從分析汽車(chē)點(diǎn)云的高程和強(qiáng)度信息出發(fā)，提出了一種基于機(jī)載LiDAR點(diǎn)云數(shù)據(jù)的汽車(chē)目標(biāo)提取方法。

2 基于LiDAR數(shù)據(jù)提取汽車(chē)的方法及技術(shù)流程

觀察汽車(chē)的具體特征如下：①汽車(chē)是地物，并且其高度在一定范圍內(nèi)；②汽車(chē)行駛或停留在無(wú)植被覆蓋的地面上，因此是獨(dú)立地物；③汽車(chē)的形狀因子，即面積、長(zhǎng)寬比、矩形度和圓形度等特征滿足一定規(guī)則。根據(jù)上述特征描述，結(jié)合LiDAR強(qiáng)度數(shù)據(jù)，基于像素和面向?qū)ο蠓诸惖钠?chē)提取流程如圖1所示，具體流程如下：

（1）將LiDAR點(diǎn)云數(shù)據(jù)根據(jù)高程進(jìn)行濾波，將點(diǎn)云數(shù)據(jù)分為地面和地物兩類。由于在濾波階段需設(shè)定一定的高差閾值完成地面地物點(diǎn)的分類，因此會(huì)使得一些高差小于閾值的植被點(diǎn)分類為地面點(diǎn)。而在后續(xù)根據(jù)汽車(chē)特征進(jìn)行汽車(chē)提取時(shí)，部分低矮、獨(dú)立的植被（如灌木叢）會(huì)由于滿足汽車(chē)特征而會(huì)造成誤判的情況，而在這些植被的周?chē)植贾跒V波階段誤判為地面點(diǎn)的植被點(diǎn)，因此下一步將利用強(qiáng)度影像將地面點(diǎn)中的植被點(diǎn)進(jìn)一步分類到地物中，從而使得滿足汽車(chē)特征條件的植被點(diǎn)區(qū)域擴(kuò)大，使之與汽車(chē)特征顯著分開(kāi)；

（2）利用Otsu方法將強(qiáng)度影像分為以植被為主的高強(qiáng)度和以地面道路為主的低強(qiáng)度兩類，然后利用地面點(diǎn)和低強(qiáng)度影像兩類數(shù)據(jù)，提取出殘留在地面區(qū)域中的植被點(diǎn)，進(jìn)一步得到完整地物區(qū)域；

（3）根據(jù)汽車(chē)是獨(dú)立地物的特點(diǎn)，利用二值形態(tài)學(xué)開(kāi)重建，獲取初步汽車(chē)地物；

（4）利用汽車(chē)的形狀特征，得到最終的汽車(chē)地物目標(biāo)。

2.1 形態(tài)學(xué)開(kāi)重建濾波

形態(tài)學(xué)開(kāi)重建方法是一種重要的基于測(cè)地膨脹的形態(tài)學(xué)重建方法［9］，測(cè)地膨脹需要的標(biāo)記圖像g是由一定大小的結(jié)構(gòu)元素b對(duì)掩膜圖像f經(jīng)過(guò)腐蝕運(yùn)算得到，基于測(cè)地膨脹的形態(tài)學(xué)開(kāi)重建就是在掩膜圖像f的限制下，反復(fù)對(duì)標(biāo)記圖像g進(jìn)行測(cè)地膨脹運(yùn)算直至結(jié)果穩(wěn)定為止。因此，基于測(cè)地膨脹的形態(tài)學(xué)開(kāi)重建定義為：

機(jī)載LiDAR點(diǎn)云濾波的目的就是將點(diǎn)云數(shù)據(jù)分為地面點(diǎn)和地物點(diǎn)兩類。因此將格網(wǎng)化的DSM作為掩模圖像f，采用對(duì)稱的結(jié)構(gòu)元素b對(duì)掩模圖像f進(jìn)行腐蝕，將腐蝕掉地物后的圖像作為標(biāo)記圖像，然后進(jìn)行開(kāi)重建得到重建影像，最后將掩模影像減去開(kāi)重建影像即得到規(guī)則化數(shù)字表面模型（nDSM），對(duì)于nDSM中值為零的點(diǎn)通常為地面點(diǎn)?？紤]到局部地形起伏點(diǎn)的誤判問(wèn)題，因此通過(guò)設(shè)置一個(gè)閾值et來(lái)進(jìn)行地面點(diǎn)和地物點(diǎn)的分類。

如圖2（a）所示，為德國(guó)Vaihingen市城區(qū)的部分LiDAR數(shù)據(jù)生成的山體陰影圖，采用Leica ALS50于2008年8月份獲取，航高約為500m，平均點(diǎn)云密度為4pt／m2，總點(diǎn)云數(shù)為89967個(gè)，地面起伏較大；圖2（b）為同月不同時(shí)間獲取的DMC航空影像［10］?？梢郧宄乜闯觯摰貐^(qū)主要包含各類尖頂房屋、樹(shù)木、草地、道路和汽車(chē)等地物；圖2（c）為采用開(kāi)重建的濾波方法得到濾波結(jié)果，黑色表示地面點(diǎn)，白色表示地物點(diǎn)。其濾波采用的參數(shù)如下：格網(wǎng)間距為0.25m、半徑為40個(gè)格網(wǎng)的圓盤(pán)形結(jié)構(gòu)元素進(jìn)行腐蝕原始圖像獲取標(biāo)記圖像，判斷地面地物點(diǎn)的高差閾值et為0.3m。從圖2（c）中可以清楚的看出，位于公路兩側(cè)的汽車(chē)均被作為地物，與地面分離。對(duì)比圖2（b）可以清楚地看出，右上邊明顯的草地區(qū)域被分類為地面。

2.2 Otsu方法分類強(qiáng)度影像

Otsu方法又稱最大類間方差法，是1979年由日本Otsu學(xué)者提出的算法［11］。它在判決分析最小二乘法原理的基礎(chǔ)上，推導(dǎo)得出的自動(dòng)選擇閾值的二值化方法。其基本思想是將圖像分割成兩組，當(dāng)被分割成的兩組方差最大時(shí)，此灰度值作為二值化處理的閾值。

根據(jù)LiDAR點(diǎn)云數(shù)據(jù)中反射系數(shù)與回波信號(hào)的強(qiáng)度數(shù)據(jù)特征［8］，不同反射面介質(zhì)對(duì)激光信號(hào)的反射特性不一樣，反射介質(zhì)的表面越亮，反射率就越高。通過(guò)文獻(xiàn)［8］對(duì)幾種典型地物的標(biāo)定結(jié)果可以看出，低回波強(qiáng)度對(duì)應(yīng)的地物主要為以道路為主的地物，而高回波強(qiáng)度對(duì)應(yīng)的則是以植被為主的地物，如圖3（a）所示為研究區(qū)強(qiáng)度影像，對(duì)應(yīng)圖2（b）可以看出，植被與道路的回波強(qiáng)度明顯不同。因此，本文利用Otsu方法進(jìn)行分類，將其分為以植被為主的高強(qiáng)度和以地面道路為主的低強(qiáng)度兩組，當(dāng)被分割的地面道路和植被兩組方差最大時(shí)，此高程值作為二值化處理的閾值。具體算法如下：

用閾值k將灰度影像分為地面道路為主的Gg和以植被為主的Go兩組區(qū)域。Gg的概率為wg＝w（k），均值為ug；Go的概率為wg＝1－w（k），其均值為uo。則兩組的灰度均值為u＝wgug＋wouo，兩組的類間方差為：

以類間方差σ2（k）作為衡量不同閾值導(dǎo)出的類別分離性能的衡量準(zhǔn)則，極大化σ2（k）的過(guò)程就是自動(dòng)確定閾值的過(guò)程，最佳閾值g為：

利用式（3）得到的最佳閾值g可將強(qiáng)度影像分為以植被為主的高強(qiáng)度和以地面道路為主的低強(qiáng)度兩類目標(biāo)，如圖3（b）為Otsu方法分類后的影像，黑色是以地面道路為主的低強(qiáng)度地物。與圖2（b）和圖2（c）進(jìn)行對(duì)比可以看出，在利用高程進(jìn)行濾波時(shí)，草地區(qū)域被分類為地面，而在Otsu方法分類后，將之歸類為地物區(qū)域，因此達(dá)到了利用Otsu方法對(duì)強(qiáng)度影像進(jìn)行分類的目的。

2.3 獲取初步汽車(chē)地物

將圖2（c）濾波后的結(jié)果與圖3（b）強(qiáng)度分類的結(jié)果取并集，即得到圖4所示分類結(jié)果。從圖4可以看出，建筑物和各類植被等地物的面積較大，而作為獨(dú)立地物的汽車(chē)等其面積和寬度在一定范圍內(nèi)，因此利用這個(gè)特點(diǎn)，考慮到一般大客車(chē)和貨車(chē)的寬度都不超過(guò)2.5m，為了利用圓形結(jié)構(gòu)元素進(jìn)行形態(tài)學(xué)重建剔除不滿足條件的地物，其圓形結(jié)構(gòu)元素的半徑w可根據(jù)2.5m和點(diǎn)云的格網(wǎng)間距d進(jìn)行計(jì)算，即w＝0.5×（2.5／d）m。本文的格網(wǎng)間距為0.25m，所以首先利用w＝5的大半徑窗口進(jìn)行二值形態(tài)學(xué)開(kāi)重建［9］，將原始二值圖像減去重建結(jié)果，得到其寬度小于2.5m的地物影像?？紤]到一般汽車(chē)的寬度不會(huì)小于1m，所以再采用w＝2的小半徑窗口對(duì)上述地物影像進(jìn)行二值形態(tài)學(xué)開(kāi)重建，得到窗口半徑范圍w∈［2，5］，即寬度位于1m和2.5m之間的初始汽車(chē)地物，結(jié)果如圖5所示。對(duì)比圖4和圖5可以看出，利用二值形態(tài)學(xué)開(kāi)重建，完全保留了圖像中位于一定范圍內(nèi)的地物形狀，其他地物則被有效去除。

2.4 顧及特征的汽車(chē)地物優(yōu)化

根據(jù)不同地物所具有的各自形狀特征，本文在初步提取汽車(chē)地物目標(biāo)的基礎(chǔ)上，根據(jù)如下的汽車(chē)形狀特征對(duì)其進(jìn)行面向區(qū)域?qū)ο蟮姆诸悾?2］，進(jìn)一步優(yōu)化汽車(chē)提取結(jié)果：

①面積：汽車(chē)的面積不會(huì)很小或很大，一般汽車(chē)的面積位于1.5m2和15m2之間，利用特征可過(guò)濾掉面積過(guò)小或過(guò)大的干擾目標(biāo)。

②高度：考慮到不同車(chē)型的高度，汽車(chē)的高度一般不會(huì)低于0.3m，也不會(huì)高于3m。

③圓形度：E＝4πS／L2，其中L為連通區(qū)域的周長(zhǎng)，S為面積，圓形度E可以反映被測(cè)量邊界的復(fù)雜程度。對(duì)于圓形物體E取值為1，對(duì)于正方形物體取值為π／4，而矩形物體取值小于π／4。汽車(chē)的圓形度一般大于1／2并小于π／4。

④矩形度：矩形擬合因子R是反映物體矩形度的一個(gè)參數(shù)R＝S／SR，其中SR為最小外接矩形的面積，R反映了一個(gè)物體對(duì)其外接矩形的充滿程度。對(duì)于矩形物體R取得最大值1.0，圓形物體R取值為π／4。汽車(chē)的矩形度一般大于0.6并小于等于1。

⑤長(zhǎng)寬比R：長(zhǎng)寬比R＝LR／WR，其中LR為區(qū)域?qū)ο蟮拈L(zhǎng)；WR為區(qū)域?qū)ο蟮膶?。汽?chē)的長(zhǎng)寬比一般大于1并小于4。

圖6為基于上述特征完成汽車(chē)提取后的標(biāo)記結(jié)果。對(duì)比圖5和圖2（b）可以看出，根據(jù)其形狀特征，可以有效剔除白色橢圓標(biāo)注處的斑馬線以及低矮灌木叢。

3 實(shí)驗(yàn)結(jié)果分析與討論

本文采用在信息提取和目標(biāo)識(shí)別領(lǐng)域的正確度（correctness）指標(biāo)和完整度（completeness）指標(biāo)對(duì)汽車(chē)提取結(jié)果進(jìn)行定量評(píng)價(jià)［13］，其定義如下：正確度＝TP／（TP＋FP），完整度＝TP／（TP＋FN），其中TP表示被正確提取的汽車(chē)數(shù)目，F(xiàn)P表示被誤提取為汽車(chē)的數(shù)目，F(xiàn)N表示未被提取出來(lái)的汽車(chē)數(shù)目。

由于無(wú)法獲取地面汽車(chē)的真實(shí)數(shù)據(jù)，因此根據(jù)LiDAR數(shù)據(jù)生成的DSM數(shù)據(jù)，采取目視解譯的方式獲取真實(shí)汽車(chē)的數(shù)量作為參考。實(shí)際上，位于停車(chē)場(chǎng)和道路兩側(cè)的汽車(chē)通過(guò)目視解譯的方式很容易獲取，但是由于LiDAR數(shù)據(jù)缺乏光譜信息，因此對(duì)于受房屋或者樹(shù)木遮擋的汽車(chē)，以及高程和大小都符合汽車(chē)特征的地物難以有效判斷。汽車(chē)提取的精度評(píng)定結(jié)果如表1所示，其中Site1即為上文算法流程中所用區(qū)域，其汽車(chē)提取結(jié)果如圖6所示，Site2和Site3地區(qū)LiDAR數(shù)據(jù)的參數(shù)同Site1，主體為停車(chē)場(chǎng)，其有LiDAR點(diǎn)云數(shù)據(jù)生成的DSM和汽車(chē)提取結(jié)果如圖7所示。

表1 汽車(chē)提取的精度評(píng)定

在上述3個(gè)實(shí)驗(yàn)區(qū)域中，誤判提取的主要原因是由于個(gè)別地物在特征上和汽車(chē)極為相似，而被遺漏的汽車(chē)則主要是因?yàn)檫@些汽車(chē)部分被房屋或者樹(shù)木遮擋，或者汽車(chē)之間相隔很近，將相鄰的汽車(chē)識(shí)別為一個(gè)整體，因此在獲取初步汽車(chē)地物階段被當(dāng)作一個(gè)整體去除而無(wú)法有效識(shí)別。此外，濾波誤差也會(huì)導(dǎo)致部分汽車(chē)不能被正確識(shí)別。

根據(jù)Mayer等人［13］提出的目標(biāo)檢測(cè)實(shí)用性方法須滿足正確度不小于85%和完整度不小于70%的要求，將本文提出的方法對(duì)選取的3個(gè)區(qū)域進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明該方法滿足實(shí)用性要求。文獻(xiàn)［6］在兩個(gè)實(shí)驗(yàn)區(qū)的正確度和完整度均值分別為77%和72%，雖然由于實(shí)驗(yàn)數(shù)據(jù)的不同，本文方法與文獻(xiàn)［6］的結(jié)果不具有可比性，但是本文方法的正確度遠(yuǎn)遠(yuǎn)高于其文獻(xiàn)［6］的方法，證明了本文方法在提取汽車(chē)時(shí)增加的汽車(chē)地物特征，顯著降低了汽車(chē)誤判的概率，具有較強(qiáng)的實(shí)用性。

4 結(jié)束語(yǔ)

汽車(chē)的自動(dòng)提取一直是智能交通系統(tǒng)的研究工作重點(diǎn)之一，LiDAR技術(shù)的出現(xiàn)為汽車(chē)信息的獲取和自動(dòng)化快速提取提供了新的途徑。本文在分析汽車(chē)基本特征的基礎(chǔ)上結(jié)合LiDAR點(diǎn)云的高程和強(qiáng)度信息，提出了一種從LiDAR點(diǎn)云數(shù)據(jù)中自動(dòng)提取汽車(chē)的方法，該方法無(wú)需人工事先提取道路或者停車(chē)場(chǎng)即可有效提取出大部分的汽車(chē)?，F(xiàn)在多數(shù)LiDAR系統(tǒng)都同機(jī)搭載有航空數(shù)碼相機(jī)，如果能將LiDAR點(diǎn)云數(shù)據(jù)和航空數(shù)碼影像融合到一起提取汽車(chē)，充分利用汽車(chē)的顏色和紋理信息，必將大大提高自動(dòng)識(shí)別汽車(chē)目標(biāo)的精度。

［1］HINZ S，BAMLER R，STILLA U.Theme issue “airborne and spaceborne traffic monitoring”［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2006，61（3／4）：135－278.

［2］趙璐，于慧敏.基于先驗(yàn)形狀信息和水平集方法的車(chē)輛檢測(cè)［J］.浙江大學(xué)學(xué)報(bào)（工學(xué)版），2010，44（1）：124－130.

［3］JIN X，DAVIS C H.2007Vehicle detection from high resolution satellite imagery using morphological shared－weight neural networks［J］.Image and Vision Computing，25（9）：1422－1431.

［4］鄭宏，胡學(xué)敏.高分辨率衛(wèi)星影像車(chē)輛檢測(cè)的抗體網(wǎng)絡(luò)［J］.遙感學(xué)報(bào)，2009，13（5）：920－927.

［5］EIKVIL L，AURDAL L，KOREN H.Classification－based vehicle detection in high－resolution satellite images［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2009，64（1）：65－72.

［6］YAO W，HINZ S，STILLA U.Automatic vehicle extraction from airborne LiDAR data of urban areas aided by geodesic morphology［J］.Pattern Recognition Letters，2010，31（10）：1100－1108.

［7］YAO W，HINZ S，STILLA U.Extraction and motion estimation of vehicles in single－pass airborne LiDAR data towards urban traffic analysis［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2011，66（3）：260－271.

［8］劉經(jīng)南，張小紅.利用激光強(qiáng)度信息分類激光掃描測(cè)高數(shù)據(jù)［J］.武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2005，30（3）：189－193.

［9］SOILLEP.Morphological image analysis，principles and applications（second edition）［M］.Berlin：Springer－Verlag，2003.

［10］CRAMER M.2010The DGPF test on digital aerial camera evaluation －overview and test design［J］.Photogrammetrie Fernerkundung Geoinformation，2010（2）：73－82.

［11］OTSUN.A threshold selection method from gray－level histograms［J］.IEEE Transactions on Systems，Man，and Cybernetics，1979，59（9－1）：62－66.

［12］雷小奇，王衛(wèi)星，賴均.一種基于形狀特征進(jìn)行高分辨率遙感影像道路提取方法［J］.測(cè)繪學(xué)報(bào)，2009，38（5）：457－465.

［13］MAYER H，HINZ S，BACHER U，BALTSAVIAS E.A test of automatic road extraction approaches［J］.International Archives of Photogrammetry and Remote Sensing，2006：209－214.