車載LiDAR點(diǎn)云路燈提取方法

李永強(qiáng)，董亞涵，張西童，李鵬鵬

河南理工大學(xué)測(cè)繪與國(guó)土信息工程學(xué)院，河南 焦作 454003

路燈作為最常見的公共設(shè)施類型之一，是高精度城市道路地圖構(gòu)建和智慧城市管理的重要對(duì)象。要實(shí)現(xiàn)路燈的有效管理，需要獲得每個(gè)路燈詳細(xì)的信息，包括位置、型號(hào)、高度、朝向等，并且隨著時(shí)間的推移，路燈的更換、增添等信息都會(huì)發(fā)生變化，而這些信息的獲取都需要耗費(fèi)大量的人力進(jìn)行統(tǒng)計(jì)和測(cè)繪。車載LiDAR(light detection and ranging)作為當(dāng)前測(cè)繪領(lǐng)域前沿技術(shù)之一，為更加精細(xì)的城市地理信息獲取提供了技術(shù)支持[1-2]，能在快速移動(dòng)過(guò)程中獲取道路兩側(cè)地物詳盡的三維空間點(diǎn)云信息，對(duì)路燈信息的獲取具有明顯優(yōu)勢(shì)，路燈的各種空間特征都可以精確表達(dá)在三維點(diǎn)云中。

圍繞車載LiDAR技術(shù)的路燈提取，相關(guān)的研究工作主要分為4類：

(1) 基于空間聚類的方法[3-7]。在濾除地面信息的前提下，對(duì)車載點(diǎn)云進(jìn)行空間聚類，依據(jù)不同類型地物的空間特征，對(duì)地物進(jìn)行分類與提取。該方法將地物分割為建筑物、樹木、桿狀地物、車輛等大類信息，但路燈與其他桿狀地物的區(qū)分存在困難。

(2) 基于幾何特征的方法[8-12]。該方法根據(jù)不同地物的空間幾何特征，并根據(jù)語(yǔ)義信息及約束條件，實(shí)現(xiàn)桿狀地物的分類提取。該方法能夠?qū)淠尽⒙窡?、指示牌等桿狀地物分類提取出來(lái)，但針對(duì)每種路燈的具體型號(hào)，則不能進(jìn)行有效識(shí)別，各路燈單元的具體參數(shù)信息獲取能力有限。

(3) 基于超體元的方法[13-17]。該方法根據(jù)地物局部抽象特征，結(jié)合特征區(qū)域的空間上下文信息生成上下文可視詞匯表，根據(jù)查詢對(duì)象和分段語(yǔ)義對(duì)象之間上下文視覺單詞包的相似性度量，檢測(cè)出感興趣的對(duì)象。該方法能夠有效克服遮擋及數(shù)據(jù)不完整性等不利因素，檢測(cè)出燈桿、交通路標(biāo)、汽車等地物信息，但這對(duì)每種具體路燈型號(hào)的提取仍存在不足。

(4) 基于模板匹配的方法[18-21]。該方法根據(jù)感興趣地物的空間特征，采用自動(dòng)訓(xùn)練或建立先驗(yàn)樣本的方法，在相應(yīng)的幾何特征約束和語(yǔ)義信息支持下，從三維場(chǎng)景中進(jìn)行匹配，獲得感興趣的地物類型?；谀０宓奶崛》椒軌蚓?xì)到各種類型的地物，包括路燈，但當(dāng)前研究對(duì)車載LiDAR點(diǎn)云的完整性及路燈孤立程度要求較高，提取質(zhì)量對(duì)點(diǎn)云及路燈所處環(huán)境依賴程度較大，需進(jìn)一步改進(jìn)和完善。此外，基于圖割的提取方法則是通過(guò)歐氏距離聚類算法[22]，并考慮了路燈燈桿的形狀和點(diǎn)的強(qiáng)度信息來(lái)定義能量函數(shù)，用高斯混合模型從候選聚類中識(shí)別出路燈燈桿。該方法仍然不能實(shí)現(xiàn)路燈種類的識(shí)別及更詳細(xì)路燈信息的獲取。

當(dāng)前從車載LiDAR點(diǎn)云中提取路燈的研究仍存在以下問(wèn)題：①對(duì)路燈點(diǎn)云的完整性及路燈孤立程度要求較高，對(duì)正常條件下車載LiDAR系統(tǒng)獲取道路場(chǎng)景點(diǎn)云數(shù)據(jù)，往往難以實(shí)現(xiàn)理想的路燈提取效果；②路燈的精細(xì)程度提取不夠，對(duì)不同型號(hào)路燈的識(shí)別研究很少，而明確路燈型號(hào)才能滿足精細(xì)化管理要求；③各種型號(hào)路燈的參數(shù)信息獲取不足，這些參數(shù)對(duì)于路燈的動(dòng)態(tài)變化檢測(cè)、歷史數(shù)據(jù)更新，以及照明分析都至關(guān)重要?；谝陨蠁?wèn)題，本文受樣本分類思想啟發(fā)[23]，提出基于先驗(yàn)樣本輔助的，骨架緩沖區(qū)判別的路燈點(diǎn)云提取與種類識(shí)別算法。

1 路燈模型

路燈結(jié)構(gòu)相對(duì)簡(jiǎn)單，同一種類型路燈在結(jié)構(gòu)、形態(tài)方面相同，在車載LiDAR點(diǎn)云中表現(xiàn)出很高的相似性。數(shù)據(jù)處理中，利用路燈的高度、伸展度、結(jié)構(gòu)形態(tài)等細(xì)節(jié)特征，能夠?qū)崿F(xiàn)不同類型路燈的準(zhǔn)確區(qū)分，而同種類型的路燈也能進(jìn)行歸類。另外，路燈雖然種類繁多，結(jié)構(gòu)差異也很大，但一定區(qū)域范圍內(nèi)，路燈的種類有限，存在大量的重復(fù)性，只要建立有限數(shù)量的先驗(yàn)樣本，通過(guò)一定的匹配規(guī)則，將待探測(cè)路燈與已知先驗(yàn)樣本進(jìn)行匹配篩選，即可確定路燈的類型，進(jìn)而獲得該路燈其他更詳細(xì)的屬性信息，從而實(shí)現(xiàn)路燈的精細(xì)化提取，并可根據(jù)已探測(cè)路燈的相關(guān)信息(種類、空間布局、位置分布等)，預(yù)判下一個(gè)同類路燈的可能位置。對(duì)候選路燈預(yù)分類時(shí)，可優(yōu)先指定匹配類型，提高匹配的效率，完成識(shí)別后，對(duì)路燈的種類再度確認(rèn)，以提高提取的準(zhǔn)確度?；谏鲜鏊枷耄瑯?gòu)建統(tǒng)一的路燈模型，并對(duì)不同類型路燈進(jìn)行個(gè)性化處理，是實(shí)現(xiàn)路燈精細(xì)化提取的關(guān)鍵。

1.1 路燈點(diǎn)云特征

路燈作為典型的桿狀地物，分布在道路邊緣或道路中間隔離帶上，在車載LiDAR點(diǎn)云中，路燈表現(xiàn)出以下主要特征：

(1) 表面包含密集點(diǎn)云數(shù)據(jù)。車載LiDAR系統(tǒng)以極快的速度獲取道路兩側(cè)地物密集點(diǎn)云，凡是車載LiDAR系統(tǒng)視野內(nèi)的路燈，都包含數(shù)百至數(shù)千個(gè)三維點(diǎn)，這些點(diǎn)密集分布在路燈的表面，能清楚表達(dá)路燈的局部細(xì)節(jié)特征。

(2) 點(diǎn)云覆蓋具有非完整性。受車載LiDAR系統(tǒng)自身激光器工作模式、外業(yè)數(shù)據(jù)獲取方式、其他地物遮擋等因素的影響，所獲取的點(diǎn)云對(duì)路燈表面覆蓋具有非完整性，一般情況下，表面覆蓋率為60%～95%。

(3) 主體特征表達(dá)明顯。車載LiDAR系統(tǒng)都采用高度耦合的POS系統(tǒng)，為傳感器實(shí)時(shí)提供高精度位置和姿態(tài)信息，解算后的點(diǎn)云數(shù)據(jù)有較高的絕對(duì)位置精度，在局部范圍內(nèi)，其相對(duì)精度更高，路燈的主體特征如直立的燈桿、燈頭形態(tài)等都能夠明顯表達(dá)出來(lái)。

1.2 路燈幾何參數(shù)分解

結(jié)構(gòu)上，路燈分為燈頭和燈桿兩部分。燈桿為相對(duì)單一的柱狀(圓柱、棱柱、雙柱等)，位于路燈的下部并與地面相連。燈頭有一定的結(jié)構(gòu)特征，安裝在燈桿頂部，或者附屬在燈桿上部。為統(tǒng)一路燈模型，將下部單一的柱狀部分定義為燈桿，附屬有照明結(jié)構(gòu)的非桿狀部分為燈頭。一般情況下，路燈的伸展度(路燈水平投影外包矩形的長(zhǎng)邊)不超過(guò)路燈高度的1/2。

要區(qū)分燈桿和燈頭部分，關(guān)鍵是要找到兩者的界點(diǎn)，界點(diǎn)以下為結(jié)構(gòu)單一的柱狀燈桿，以上則為結(jié)構(gòu)相對(duì)復(fù)雜的燈頭部分。對(duì)于每個(gè)候選路燈點(diǎn)云數(shù)據(jù)，沿?zé)魲U高度1/2處向上以一定間距(0.2～0.5 m)向上搜索，對(duì)落在每段內(nèi)的點(diǎn)云進(jìn)行擬合，判斷是否符合桿狀地物的特征，若不符合且有一定的伸展度，且擬合后也不符合面狀地物(廣告牌等)的特征，則認(rèn)為到達(dá)了界點(diǎn)，其上為燈頭部分。

燈頭是路燈結(jié)構(gòu)的主體部分，也是路燈類型識(shí)別的主要參考依據(jù)。對(duì)燈頭點(diǎn)云進(jìn)行水平投影，求出最小外包矩形，該矩形的長(zhǎng)邊即為燈頭的伸展度。對(duì)投影點(diǎn)云進(jìn)一步擬合出直線段，該線段所在直線為路燈的方向線。以燈桿中心為界，將燈頭兩側(cè)點(diǎn)云及對(duì)應(yīng)線段分為兩部分，端點(diǎn)距離燈桿遠(yuǎn)的一側(cè)為路燈的正方向，該部分點(diǎn)云為路燈的前部分，距離近的一側(cè)為路燈的后部分。若兩個(gè)端點(diǎn)距離相等，則以高程來(lái)判斷，高的一側(cè)為前部分，低的一側(cè)為后部分；若高程也相等，則指定任意一側(cè)為前部分，另一側(cè)為后部分。分出前后部分后，根據(jù)前后部分點(diǎn)云，分別求出前部分伸展度、前部分高、后部分伸展度、后部分高。多向路燈也符合上述規(guī)則，單向路燈只有前部分，沒(méi)有后部分。路燈投影面積也是路燈的重要參數(shù)，是對(duì)點(diǎn)云在水平小格網(wǎng)(例如0.1×0.1 m)內(nèi)投影，統(tǒng)計(jì)存在投影點(diǎn)的格網(wǎng)面積總和。

1.3 路燈骨架線抽取與緩沖區(qū)構(gòu)建

基于路燈在車載LiDAR點(diǎn)云中表達(dá)特點(diǎn)，單純的點(diǎn)云匹配難以達(dá)到理想的效果，一維曲線骨架可以完整地表達(dá)物體的結(jié)構(gòu)，具有數(shù)據(jù)簡(jiǎn)潔、拓?fù)浣Y(jié)構(gòu)明顯等特性，是路燈匹配的重要參數(shù)。也可以在數(shù)據(jù)匹配后，根據(jù)依托骨架所構(gòu)建的緩沖區(qū)，實(shí)現(xiàn)對(duì)各路燈點(diǎn)云的真實(shí)分割，且不受外界因素(樹木等)的影響。采用具有抗噪聲和干擾的L1骨架提取算法[24-25]，并根據(jù)路燈點(diǎn)云數(shù)據(jù)的特點(diǎn)，在路燈骨架提取時(shí)，不使用局部稠密度權(quán)重，簡(jiǎn)化算法，以適用于路燈的骨架優(yōu)化。流程如圖1所示。

圖1 L1中心骨架提取算法流程Fig.1 Flow chart of L1 central skeleton extraction algorithm

根據(jù)L1中值理論，中心骨架迭代收縮的核心思想是帶規(guī)整項(xiàng)的局部L1中值，最優(yōu)化公式可概括為

(1)

式中，Q={qj}jòJ?R3是輸入點(diǎn)集，X={xi}iòI?R3開始是從Q隨機(jī)下采樣的點(diǎn)集，并且點(diǎn)數(shù)|I|?|J|。最小化公式(1)后，X變成了規(guī)整的、處于輸入模型中心的“骨架點(diǎn)集”。R(X)為規(guī)整項(xiàng)

(2)

(3)

基于提取的一維曲線中心骨架，需要構(gòu)建以骨架為中心的緩沖區(qū)，目的是在匹配的過(guò)程中，對(duì)候選路燈點(diǎn)云進(jìn)行篩選，以精化匹配的效果?；痉椒椋阂砸欢ǖ木嚯x間隔建立與骨架線垂直的橫截面，將附近一定范圍內(nèi)的路燈點(diǎn)云投影至橫截面上。如對(duì)于橫截面P，P上的投影點(diǎn)為點(diǎn)集M，對(duì)點(diǎn)集M進(jìn)行二維點(diǎn)聚類，保留距離骨架中心最近的一個(gè)聚類單元N(N≤M)作為該骨架的截面點(diǎn)；對(duì)點(diǎn)集N建立截面方向上的最小包圍矩形，判斷矩形的長(zhǎng)寬比δ；若δ≥3，則以包圍橢圓表示該截面，橢圓中心為骨架中心，橢圓的一條半軸平行于地面，橢圓參數(shù)根據(jù)最小包圍矩形確定；若δ<3，則以包圍圓表示該截面，圓的中心為骨架中心，以點(diǎn)集N中距離骨架中心最遠(yuǎn)點(diǎn)到骨架中心的距離為圓的半徑；橢圓和圓均在截面P上，若橢圓的長(zhǎng)半軸和圓的半徑小于5 cm，則以半徑為5 cm的圓表示該處的截面(5 cm為根據(jù)路燈實(shí)際構(gòu)造尺寸和移動(dòng)系統(tǒng)的測(cè)量精度確定)。

1.4 路燈模型構(gòu)建

基于路燈幾何參數(shù)和骨架線，構(gòu)建路燈模型，主要包含以下幾個(gè)部分：

(1) 點(diǎn)云數(shù)據(jù)：是路燈模型的數(shù)據(jù)基礎(chǔ)，由落在路燈表面的一系列激光點(diǎn)組成。先驗(yàn)樣本中的點(diǎn)云數(shù)據(jù)在構(gòu)建樣本前直接賦值，選擇數(shù)據(jù)質(zhì)量好、表面覆蓋率高的路燈點(diǎn)云作為樣本數(shù)據(jù)。非樣本數(shù)據(jù)則是通過(guò)相關(guān)路燈探測(cè)算法自動(dòng)獲得，每個(gè)路燈都擁有獨(dú)自的點(diǎn)云數(shù)據(jù)。

(2) 幾何參數(shù)：是在路燈模型語(yǔ)義的基礎(chǔ)上，由點(diǎn)云數(shù)據(jù)自動(dòng)生成。路燈幾何模型分為兩部分：燈桿和燈頭(圖2(a))。燈桿為豎直狀桿狀地物，是初始階段判斷桿狀地物的主要參考；燈頭為路燈的主要結(jié)構(gòu)部分，是區(qū)別路燈型號(hào)的主要依據(jù)。投影面積是區(qū)別路燈與樹木等地物的重要參數(shù)。

(3) 結(jié)構(gòu)參數(shù)：是在幾何模型的支持下，由點(diǎn)云數(shù)據(jù)自動(dòng)計(jì)算生成，包括路燈位置PB、路燈高度Ph、燈桿高度Hh-bottom、燈頭高Hh、燈頭伸展度Hr、前部分伸展度Hr-front、前部分高Hh-front、后部分伸展度Hr-back、后部分高Hh-back、路燈方向向量m(圖2)、燈頭結(jié)構(gòu)線和緩沖區(qū)參數(shù)(圖3)。

圖2 路燈先驗(yàn)樣本結(jié)構(gòu)參數(shù)Fig.2 Streetlight sample extraction

(4) 屬性信息：包括路燈的型號(hào)、ID號(hào)、歸屬信息等。路燈型號(hào)由候選路燈數(shù)據(jù)與先驗(yàn)樣本匹配后賦值，ID號(hào)在路燈型號(hào)匹配定型后由系統(tǒng)自動(dòng)累積生成，歸屬信息等則是在完成區(qū)域內(nèi)路燈匹配，根據(jù)街道等信息批處理指定。

(5) 建模方法：是模型生成及相關(guān)操作的各種算法，包括路燈點(diǎn)云自動(dòng)生成、幾何參數(shù)自動(dòng)生成、路燈屬性自動(dòng)生成、路燈自動(dòng)提取與識(shí)別等。

(6) 實(shí)體模型：與路燈型號(hào)相關(guān)聯(lián)，是路燈在各種場(chǎng)景中表達(dá)的對(duì)應(yīng)模型，可以為二維模型、三維模型、動(dòng)態(tài)模型等。

圖3 路燈結(jié)構(gòu)線Fig.3 Streetlight sample structure line

2 路燈提取

在路燈模型和樣本集的支持下，從車載LiDAR點(diǎn)云中實(shí)現(xiàn)路燈的提取。原理如下：依據(jù)數(shù)學(xué)形態(tài)學(xué)的理論和方法，提取出車載LiDAR點(diǎn)云中的桿狀地物，在路燈模型和語(yǔ)義規(guī)則的約束下，獲得候選路燈；根據(jù)候選路燈的參數(shù)信息，以及已獲取路燈的統(tǒng)計(jì)信息，從樣本集中篩選出候選樣本；基于最小二乘理論的匹配算法，對(duì)候選路燈和候選樣本進(jìn)行匹配；建立路燈樣本緩沖區(qū)，對(duì)候選路燈進(jìn)行判別分析，實(shí)現(xiàn)路燈提取和種類識(shí)別，并把識(shí)別信息添加入已有路燈信息。圖4為算法流程。

圖4 算法流程Fig.4 Algorithm flow chart

2.1 候選路燈提取

2.1.1 地面濾波

地面濾波算法中，基于TIN的漸進(jìn)加密的地面點(diǎn)濾波算法[26]及其改進(jìn)算法[27]較為成熟，地面點(diǎn)提取完整性好，但進(jìn)行高密度車載LiDAR點(diǎn)云濾波時(shí)，計(jì)算過(guò)程復(fù)雜耗時(shí)。本研究中，地面點(diǎn)提取的目的是根據(jù)路燈位置提供路燈底部高程信息，僅需要構(gòu)建規(guī)則DEM，不需要完整的地面點(diǎn)，因此采用耗時(shí)較少的數(shù)學(xué)形態(tài)學(xué)濾波方法[28]，并根據(jù)車載LiDAR點(diǎn)云數(shù)據(jù)特點(diǎn)，對(duì)算法進(jìn)行改進(jìn)，增加二次反向?yàn)V波，將誤分為地面點(diǎn)的點(diǎn)云采用較大的格網(wǎng)間隔再次濾波，剔除由于地面空洞導(dǎo)致的錯(cuò)誤地面點(diǎn)。濾波算法步驟如下：

(1) 構(gòu)建格網(wǎng)。遍歷LiDAR點(diǎn)云數(shù)據(jù)，探測(cè)數(shù)據(jù)在X和Y方向上的極值Xmax、Xmin、Ymax、Ymin，并以此構(gòu)建邊長(zhǎng)為D的m×n格網(wǎng)，m、n計(jì)算方式如式(4)所示

(4)

式中，D根據(jù)點(diǎn)云密度選擇[29]，使格網(wǎng)內(nèi)包含足夠多的點(diǎn)。

(2) 離散點(diǎn)高程腐蝕。遍歷所有格網(wǎng)，取任意一格網(wǎng)為操作格網(wǎng)，并以此為中心，開w×w個(gè)格網(wǎng)大小的窗口，比較窗口內(nèi)各點(diǎn)的高程，取窗口內(nèi)最小高程值為操作格網(wǎng)中點(diǎn)云腐蝕后的高程。

(3) 離散點(diǎn)高程膨脹。再次遍歷所有格網(wǎng)，對(duì)經(jīng)過(guò)腐蝕后的數(shù)據(jù)用同樣大小的結(jié)構(gòu)窗口進(jìn)行膨脹，即以任意一網(wǎng)格為中心開w×w大小的窗口，此時(shí)，用腐蝕后的高程值代替原始高程值，比較窗口內(nèi)各點(diǎn)的高程，取窗口內(nèi)最大高程值為操作格網(wǎng)中點(diǎn)云膨脹后的高程。

(4) 地面點(diǎn)提取。例如一點(diǎn)p，設(shè)Zp是p點(diǎn)的原始高程，t為閾值，在每點(diǎn)膨脹操作結(jié)束時(shí)，對(duì)該點(diǎn)是否是地面點(diǎn)做出判斷。如果p點(diǎn)膨脹后的高程值和其原始高程值Zp之差的絕對(duì)值小于或等于閾值t，則認(rèn)為p點(diǎn)為地面點(diǎn)，否則為非地面點(diǎn)。

(5) 構(gòu)建規(guī)則DEM。提取出來(lái)的地面點(diǎn)，使用時(shí)需要以數(shù)字高程信息表示，因此需要依據(jù)地面點(diǎn)構(gòu)建規(guī)則DEM來(lái)表示地表高程；規(guī)則DEM以水平投影邊長(zhǎng)為length的正方形表示。將地面點(diǎn)云在XOY平面格網(wǎng)化，對(duì)于一個(gè)格網(wǎng)鄰域范圍內(nèi)包含3個(gè)及以上點(diǎn)云的節(jié)點(diǎn)，通過(guò)去除極值后取平均值的方法計(jì)算出該節(jié)點(diǎn)的高程值；對(duì)于沒(méi)有高程值的格網(wǎng)節(jié)點(diǎn)，使用反距離加權(quán)法以具有高程值的節(jié)點(diǎn)計(jì)算其高程值。

2.1.2 桿狀地物提取

基于路燈燈桿為連續(xù)豎直桿狀物的特點(diǎn)，將原始點(diǎn)云格網(wǎng)化，并通過(guò)數(shù)學(xué)形態(tài)學(xué)閉運(yùn)算，以單列豎直n層格網(wǎng)為模板進(jìn)行候選路燈桿位置的提取(圖5(a))。如圖5(b)為路燈點(diǎn)云，建立三維空間格網(wǎng)，標(biāo)記包含點(diǎn)云的網(wǎng)格，圖5(c)為格網(wǎng)化后的路燈。由于在數(shù)據(jù)采集過(guò)程中，路燈不可避免地被其他地物遮擋而導(dǎo)致燈桿的不連續(xù)，因此先通過(guò)膨脹算法使部分因遮擋而數(shù)據(jù)缺失的燈桿上下部聯(lián)結(jié)(圖5(d))，再通過(guò)腐蝕算法去除豎直連續(xù)較短的地物格網(wǎng)，則可以保留路燈及與路燈高度相近地物的桿狀部分格網(wǎng)(圖5(e))。格網(wǎng)膨脹高度根據(jù)數(shù)據(jù)完整水平?jīng)Q定，腐蝕模板通常采用高差為2/3倍Ph的模板進(jìn)行腐蝕。完成上述操作后，以保留格網(wǎng)的水平幾何中心為候選路燈的水平位置。

圖5 路燈位置提取Fig.5 Location extraction of streetlight

2.1.3 候選路燈獲取

提取出桿狀地物后，依據(jù)路燈模型，獲取疑似路燈的結(jié)構(gòu)信息和參數(shù)信息，燈高與伸展度的比例約束、路燈的投影面積約束，將路燈與其他大多數(shù)非路燈對(duì)象濾除?？紤]到遮擋等因素，聚類獲取的桿狀地物可能存在數(shù)據(jù)不連續(xù)性，提取出候選路燈位置后，在水平方向上，以候選路燈位置為中心，1.2倍Hr(燈頭伸展度)為半徑，選取該范圍內(nèi)的點(diǎn)作為候選路燈及周圍點(diǎn)云。同樣以候選路燈位置為中心，0.2 m為半徑，選取該范圍內(nèi)的點(diǎn)作為候選路燈燈桿點(diǎn)云。

2.2 樣本候選

2.2.1 樣本集構(gòu)建方法

對(duì)類型多樣的路燈構(gòu)建樣本集，可拓展樣本的通用性，提高路燈提取的效率和準(zhǔn)確性?；诼窡魳颖灸Ｐ图捌鋮?shù)信息，從4個(gè)層次構(gòu)建樣本集(圖6)：1層以高度為主要依據(jù)，以3 m為間隔劃分單元，將路燈歸類到不同區(qū)間中；2層以伸展度為主要依據(jù)，以0.8 m為劃分單元，將路燈歸類到不同區(qū)間中；3層以燈頭數(shù)量為主要依據(jù)，劃分為單向、雙向、多向路燈；4層具體到每種型號(hào)的路燈。

圖6 樣本集構(gòu)建Fig.6 Diagrammatic sketch of sample set building

2.2.2 樣本候選方法

樣本候選采用已提取路燈類型優(yōu)先的原則，用一維數(shù)組存儲(chǔ)已經(jīng)提取的路燈型號(hào)信息，包括類型、數(shù)量及位置等信息，按照最近一次出現(xiàn)的時(shí)間，在一維數(shù)組中對(duì)候選路燈型號(hào)排序，出現(xiàn)越晚位置越靠前。由于路燈的大量重復(fù)性，當(dāng)前候選路燈與前一路燈相同的概率很大，依據(jù)上面的原則，能大幅度提高效率及準(zhǔn)確性。當(dāng)已提取信息為空，或者匹配后不能滿足要求時(shí)，則依據(jù)路燈模型，提取候選路燈相關(guān)參數(shù)，按自頂向下的原則從樣本集中選擇候選樣本：先按候選路燈的高度進(jìn)行劃分，判斷落在哪個(gè)高度區(qū)間，將該區(qū)間內(nèi)的路燈樣本作為篩選對(duì)象，若高度同時(shí)接近兩個(gè)區(qū)間(±0.5 m)，則將兩個(gè)高度區(qū)間的樣本都作為篩選對(duì)象。再根據(jù)水平投影伸展度選擇伸展度區(qū)間，將該區(qū)間內(nèi)的路燈樣本作為篩選對(duì)象，若伸展度同時(shí)接近兩個(gè)區(qū)間(±0.2 m)，則將兩個(gè)區(qū)間內(nèi)的路燈樣本作為篩選對(duì)象。接下來(lái)選擇燈頭朝向，根據(jù)候選路燈的前后部分投影和水平投影來(lái)確定，若只有前部分投影，則為單向路燈，若有前后部分投影，且水平投影的長(zhǎng)、寬比<1.5，則說(shuō)明長(zhǎng)寬比例相近，可判斷為多向路燈，若水平投影的長(zhǎng)、寬比≥1.5，則判斷為雙向路燈。最后對(duì)底層的若干路燈樣本，依次進(jìn)行匹配操作，選擇最合適的類型，作為當(dāng)前候選路燈的類型歸屬。若沒(méi)有找到合適的匹配類型，則從底層逐步向上，與其他區(qū)間內(nèi)樣本進(jìn)行匹配，直至遍歷樣本集中所有樣本。

若樣本集中沒(méi)有找到合適的樣本，則啟動(dòng)新增樣本模式：將當(dāng)前候選路燈作為一個(gè)新的路燈類型，按照樣本集構(gòu)造方法找到歸屬的層，其類型屬于待定，并作為新的樣本，參與后面的類型識(shí)別。待路燈提取操作完成后，則在人工干預(yù)下，完善新增樣本信息，對(duì)并該類路燈進(jìn)行重新確認(rèn)。

2.3 樣本匹配

對(duì)所提取出的候選路燈點(diǎn)云，依據(jù)所構(gòu)建的路燈模型，自動(dòng)求取結(jié)構(gòu)參數(shù)信息，與樣本集中的樣本點(diǎn)云進(jìn)行匹配。若候選路燈點(diǎn)云與樣本集中的某一型號(hào)路燈匹配，則判斷為該種型號(hào)的路燈。若不能找到匹配的樣本點(diǎn)云，則存在兩種可能：一是樣本集中不存在該種型號(hào)的路燈；二是該地物為非路燈，將該候選路燈作為待處理對(duì)象。

2.3.1 桿部匹配

將樣本路燈與候選路燈進(jìn)行匹配，包括燈桿底部高程和燈桿方向匹配兩個(gè)步驟。由于燈桿并非絕對(duì)垂直于地面，因此對(duì)提取的候選路燈桿點(diǎn)云采用最小二乘法擬合空間直線，選取擬合直線與地面DEM交點(diǎn)作為候選路燈燈桿的底部點(diǎn)，通過(guò)平移，將路燈樣本燈桿底部點(diǎn)平移至與候選路燈燈桿底部點(diǎn)重合，如圖7(a)。然后將路燈樣本繞燈桿底部點(diǎn)旋轉(zhuǎn)，使得樣本路燈燈桿與候選路燈燈桿重合，如圖7(b)，即實(shí)現(xiàn)了路燈燈桿的匹配。

圖7 燈桿匹配Fig.7 Light post matching

2.3.2 燈頭匹配

依據(jù)燈桿匹配結(jié)果和路燈參數(shù)Hh-bottom(燈桿高)與Hh(燈頭高)，截取候選路燈點(diǎn)云中燈頭高度范圍內(nèi)的點(diǎn)作為候選路燈頭點(diǎn)云。在垂直于燈桿方向上，為實(shí)現(xiàn)路燈樣本繞路燈桿旋轉(zhuǎn)后與候選路燈燈頭方向最佳匹配，引入最小二乘的思想：以燈桿向上方向?yàn)閦軸正方向，將候選燈頭部分點(diǎn)云投影至xOy平面(圖8)，點(diǎn)O為燈桿水平中心，m為樣本的燈頭方向，計(jì)算出旋轉(zhuǎn)角ε并進(jìn)行樣本旋轉(zhuǎn)即可實(shí)現(xiàn)燈頭匹配。

如圖9中一點(diǎn)P，路燈樣本方向m到點(diǎn)P的夾角為α，點(diǎn)P到路燈桿軸水平距離R，路燈樣本方向m到P的弧長(zhǎng)為L(zhǎng)，L具有方向性。有

L=αR

(5)

旋轉(zhuǎn)后的弧長(zhǎng)

L′=(α+ε)R

(6)

則樣本旋轉(zhuǎn)后所有點(diǎn)的弧長(zhǎng)平方和G(ε)為

(7)

求ε的值使旋轉(zhuǎn)后弧長(zhǎng)平方和G(ε)的值最小，則可求得使樣本與候選點(diǎn)云重合所需要的角度[30]。對(duì)ε求導(dǎo)得一階導(dǎo)函數(shù)F(ε)為

(8)

由F(ε)可知G(ε)存在極小值，且F(ε)=0時(shí)，G(ε)為最小值，令F(ε)=0得求得

(9)

由于該算法提取出來(lái)的方向不能判斷路燈正反向，因此需要根據(jù)1.4節(jié)中的路燈前后部分不同參數(shù)進(jìn)行正反向判斷，若為正向則旋轉(zhuǎn)角為ε，反之則為ε+π。路燈樣本在水平方向上，繞路燈燈桿軸旋轉(zhuǎn)ε(或ε+π)，即可實(shí)現(xiàn)與候選路燈燈頭點(diǎn)云方向的重合。

圖8 擬合燈頭方向Fig.8 Schematic of streetlight direction

圖9 角度與弧長(zhǎng)Fig.9 Schematic of angle and arc

2.4 識(shí)別提取

2.4.1 緩沖區(qū)判斷策略

判斷候選路燈是否與樣本路燈一致，依據(jù)燈頭結(jié)構(gòu)信息進(jìn)行判斷。若候選路燈與樣本路燈一致，則在樣本燈頭結(jié)構(gòu)線附近包含大量對(duì)應(yīng)點(diǎn)云，這些點(diǎn)均勻地分布在結(jié)構(gòu)線附近，在樣本沒(méi)有結(jié)構(gòu)線的地方，不包含點(diǎn)或包含少量噪聲點(diǎn)。依據(jù)此原則，對(duì)燈頭樣本結(jié)構(gòu)線分別建立以R1和R2為半徑的緩沖區(qū)，兩個(gè)緩沖區(qū)命名為L(zhǎng)S和N-LS，如圖10所示，LS不包含于N-LS；構(gòu)建的緩沖區(qū)如圖11(a)所示。若滿足：①在LS內(nèi)沿結(jié)構(gòu)線方向上均勻地分布著路燈點(diǎn)云；②在N-LS內(nèi)，較少存在路燈點(diǎn)云，則判斷為路燈，如圖11(b)所示。算法操作時(shí)，將緩沖區(qū)劃分為較小的區(qū)段，統(tǒng)計(jì)包含點(diǎn)云緩沖區(qū)的體積、不包含點(diǎn)云緩沖區(qū)的體積與總體體積之間的比值，作為上述兩個(gè)準(zhǔn)則的判斷依據(jù)：

(1) 在LS內(nèi)沿結(jié)構(gòu)線方向上均勻地分布著路燈點(diǎn)云，即在LS內(nèi)VLS點(diǎn)/VLS總

(2) 在N-LS內(nèi)，較少地存在路燈點(diǎn)云，即在LS內(nèi)VNLS點(diǎn)/VNLS總≤T2為路燈，VNLS點(diǎn)/VNLS總>T2為非路燈，其中VNLS點(diǎn)為N-LS內(nèi)含有點(diǎn)的緩沖區(qū)體積，VNLS總為N-LS總的體積，T2用于判斷點(diǎn)云是否在LS內(nèi)沿結(jié)構(gòu)線方向上均勻分布的判斷閾值。

若候選路燈被判斷為與樣本路燈一致，則提取LS和N-LS范圍內(nèi)的點(diǎn)云作為路燈點(diǎn)云。

圖10 緩沖區(qū)創(chuàng)建Fig.10 Schematic of buffer creating

圖11 創(chuàng)建緩沖區(qū)和路燈判斷Fig.11 Created buffer and streetlight judgment

2.4.2 參數(shù)確定依據(jù)

進(jìn)行緩沖區(qū)判斷時(shí)，涉及4個(gè)參數(shù)，建立LS和N-LS緩沖區(qū)的R1和R2，以及用于路燈判別的閾值T1和T2，其中R1和R2根據(jù)骨架線的變化而變化。R1與R2根據(jù)緩沖區(qū)參數(shù)確定，在某一段骨架線上R1設(shè)置要略大于該骨架線提取的緩沖區(qū)參數(shù)，通常R1選取為1.2倍緩沖區(qū)參數(shù)，R2設(shè)置為1.5～2.5倍R1。T1根據(jù)數(shù)據(jù)采集質(zhì)量確定，當(dāng)數(shù)據(jù)質(zhì)量好，路燈結(jié)構(gòu)基本完整時(shí)，將T1設(shè)置為較高的值，反之則需要降低T1值。T2根據(jù)路燈周邊環(huán)境確定，若路燈穿插在行道樹等地物中，則T2需要設(shè)置為較大的值，反之則可以設(shè)置為較小值。試驗(yàn)中，T1的值為0.7，T2的值為0.25。

3 試驗(yàn)分析

選取3個(gè)試驗(yàn)區(qū)的數(shù)據(jù)進(jìn)行試驗(yàn)，3個(gè)試驗(yàn)區(qū)中包含了不同種類、不同存在狀況和不同數(shù)據(jù)質(zhì)量的路燈。使用本文算法進(jìn)行運(yùn)算，并對(duì)試驗(yàn)結(jié)果進(jìn)行了分析。

3.1 數(shù)據(jù)概況

試驗(yàn)數(shù)據(jù)概況如表1所示。試驗(yàn)區(qū)A包含3種類型的路燈，測(cè)量車采用單側(cè)車道一次測(cè)量，道路中間為有行道樹的綠化帶，道路右側(cè)的數(shù)據(jù)質(zhì)量?jī)?yōu)于道路左側(cè)，可驗(yàn)證數(shù)據(jù)完整性對(duì)算法的影響。試驗(yàn)區(qū)B包含兩種類型的路燈，分別為孤立的路燈和與行道樹穿插在一起的路燈。試驗(yàn)區(qū)C包含一種路燈，為帶有廣告牌的路燈，可驗(yàn)證路燈燈桿上附屬物對(duì)提取算法的影響。圖12中(a)、(b)和(c)分別為試驗(yàn)區(qū)A、B和C的原始點(diǎn)云圖像。

表1 試驗(yàn)數(shù)據(jù)概況

圖12 試驗(yàn)區(qū)域原始數(shù)據(jù)Fig.12 Raw data of test areas

3.2 數(shù)據(jù)處理

先依據(jù)測(cè)量GNSS軌跡線，保留道路兩側(cè)一定范圍內(nèi)的數(shù)據(jù)點(diǎn)，將距離較遠(yuǎn)的數(shù)據(jù)點(diǎn)去除，這樣不但減少了數(shù)據(jù)量，保留了必要的路燈點(diǎn)云數(shù)據(jù)，而且能去除建筑物等地物的影響。然后對(duì)保留數(shù)據(jù)進(jìn)行處理，包括樣本構(gòu)建和候選路燈提取。圖13為路燈樣本集中的部分樣本點(diǎn)云，方框圈選的路燈為與本研究相關(guān)的6個(gè)路燈點(diǎn)云，根據(jù)路燈模型，對(duì)應(yīng)的幾何模型和結(jié)構(gòu)參數(shù)如表2所示。其中路燈結(jié)構(gòu)線由一組或多組連續(xù)線段表示，線段由兩端點(diǎn)的節(jié)點(diǎn)表示。提取路燈的結(jié)構(gòu)參數(shù)后，根據(jù)路燈結(jié)構(gòu)參數(shù)中燈桿高進(jìn)行候選路燈位置的提取，表3中為測(cè)區(qū)中實(shí)際存在的路燈和提取出來(lái)的候選路燈數(shù)量。在試驗(yàn)區(qū)B中，由于存在較多與路燈高度近似的桿狀地物，因此提取的候選路燈數(shù)量相對(duì)試驗(yàn)區(qū)A中較多。實(shí)現(xiàn)候選路燈位置提取后，根據(jù)樣本參數(shù)中的路燈范圍進(jìn)行候選路燈及其周邊點(diǎn)云的提取。然后根據(jù)樣本參數(shù)進(jìn)行燈桿匹配和燈頭匹配，并根據(jù)燈頭的前后尺寸差異進(jìn)行正確的燈頭方向判別。最后根據(jù)樣本結(jié)構(gòu)線建立緩沖區(qū)，進(jìn)行路燈的判斷和路燈點(diǎn)云的提取。

圖13 路燈樣本集(部分)Fig.13 Streetlight sample sets(part)

種類1種類2種類3種類4種類5種類6試驗(yàn)區(qū)AAABBC點(diǎn)云燈高Ph/m10.813.59.7110.5411.4511.35燈桿高Hh-bottom/m6.511.80.8610.5410.658.3燈頭高Hh/m2.50.50.761.391.52.85燈頭伸展度Hr/m2.052.572.142.82.742.00路燈方向向量m89.8888.48269.7189.9888.43183.23前部分伸展度Hr-front2.052.572.142.82.742.00前部分高Hh-front0.480.450.761.381.490.80后部分伸展度Hr-back1.6300.362.501.97后部分高Hh-back2.200.141.3900.98一維骨架線

表3 提取的候選路燈數(shù)量

3.3 提取結(jié)果

圖14為試驗(yàn)區(qū)提取出來(lái)的路燈位置示意圖，圖中包括6種路燈的位置和GNSS軌跡。3個(gè)試驗(yàn)區(qū)路燈提取結(jié)果統(tǒng)計(jì)如表4所示。

圖14 提取路燈的位置圖Fig.14 Locations of extracted streetlights

區(qū)域種類存在路燈數(shù)提取路燈數(shù)路燈提取率完整左側(cè)完整左側(cè)錯(cuò)誤完整左側(cè)錯(cuò)誤A1888501.0000.625021051081018540.9620.7870.01931825162010.8890.8000.023B465-63-20.969-0.030542-37-20.881-0.048C677-75-00.974-0總計(jì)631514130011090.9520.7800.024

注：種類4為孤立路燈，種類5為與行道樹穿插的路燈。

3.4 結(jié)果分析

表4中包括3個(gè)測(cè)試區(qū)內(nèi)實(shí)際存在的路燈數(shù)量，本文算法提取的路燈數(shù)量，以及誤將其他地物提取路燈的數(shù)量，并計(jì)算各項(xiàng)值比例。

下面對(duì)路燈提取結(jié)果進(jìn)行定性定量分析：

(1) 提取準(zhǔn)確率。試驗(yàn)區(qū)A中，數(shù)據(jù)完整的路燈為131個(gè)，提取出125個(gè)，提取率為95.4%；道路左側(cè)數(shù)據(jù)質(zhì)量較差的路燈為141個(gè)，提取出110個(gè)，提取率為78.0%。試驗(yàn)區(qū)B中孤立的路燈為65個(gè)，提取出63個(gè)，提取率96.9%；與行道樹交叉的路燈為42個(gè)，提取出37個(gè)，提取率為88.1%。試驗(yàn)區(qū)域C中路燈為77個(gè)，提取出75個(gè)，提取率97.4%。3個(gè)試驗(yàn)區(qū)中，數(shù)據(jù)完整路燈共315個(gè)，總提取數(shù)為300個(gè)，總的提取率為95.2%，錯(cuò)誤提取9個(gè)，錯(cuò)誤率2.4%。分布在道路另一側(cè)數(shù)據(jù)質(zhì)量較差的路燈提取率為78%。

(2) 種類識(shí)別。當(dāng)試驗(yàn)區(qū)中存在多個(gè)類型路燈時(shí)，本文算法成功地實(shí)現(xiàn)了路燈的種類識(shí)別，如圖15中為試驗(yàn)區(qū)B中種類4和種類5路燈的交叉區(qū)域，依據(jù)本文算法成功地將這兩種路燈進(jìn)行了區(qū)分。

圖15 路燈分類結(jié)果Fig.15 Results of streetlight classification

(3) 路燈存在狀態(tài)。路燈的存在狀態(tài)主要指其與周邊環(huán)境中的其他地物之間的關(guān)系。以試驗(yàn)區(qū)B為例，種類4的路燈安裝在綠化帶中，周邊僅有低矮的灌木叢，因此其為孤立的路燈，燈桿和燈頭沒(méi)有和其他地物的相交關(guān)系。而種類5的路燈安裝在種植有行道樹的路邊沿，因此路燈燈桿較多地與行道樹穿插在一起，為與行道樹交叉的路燈。試驗(yàn)過(guò)程中，由于行道樹樹冠的影響，種類5的燈桿部分點(diǎn)云部分缺失，因此在提取候選路燈位置時(shí)，需要選取較大的值進(jìn)行膨脹運(yùn)算，以使燈桿鏈接為一個(gè)整體。由提取結(jié)果數(shù)據(jù)可知，與行道樹穿插在一起的路燈仍可以達(dá)到88.1%的提取率。需要注意的是，種類5中，雖然路燈與行道樹有交叉部分，但行道樹樹冠并沒(méi)有淹沒(méi)路燈燈頭部位，所以燈頭方向提取算法可以準(zhǔn)確的進(jìn)行，若燈頭部分和行道樹樹冠點(diǎn)云交叉嚴(yán)重，則難以取得較好的提取效果。

(4) 數(shù)據(jù)質(zhì)量對(duì)提取效果的影響。試驗(yàn)區(qū)A中，測(cè)量車采用單側(cè)車道一次測(cè)量，且道路中間是有行道樹的綠化帶，因此道路右側(cè)的數(shù)據(jù)質(zhì)量?jī)?yōu)于道路左側(cè)，數(shù)據(jù)的這種特點(diǎn)驗(yàn)證了數(shù)據(jù)的完整性對(duì)本文算法的影響。從提取結(jié)果中可以看出，對(duì)數(shù)據(jù)完整的點(diǎn)云可以達(dá)到95.4%的提取率，對(duì)不太完整的路燈點(diǎn)云也能達(dá)到78.0%的提取率。為進(jìn)一步驗(yàn)證點(diǎn)云密度對(duì)本文算法的影響，本文采用對(duì)原始點(diǎn)云進(jìn)行重采樣，改變?cè)囼?yàn)區(qū)的點(diǎn)云密度，并再次對(duì)試驗(yàn)區(qū)使用本文算法進(jìn)行路燈提取，對(duì)種類2和4、5進(jìn)行統(tǒng)計(jì)，圖16為重采樣后提取的路燈的對(duì)比，試驗(yàn)區(qū)A和試驗(yàn)區(qū)B的原始點(diǎn)云密度分別為0.022 m和0.035 m(路燈燈桿上最近點(diǎn)的平均距離)。從試驗(yàn)結(jié)果可以得出，對(duì)于孤立的種類2右側(cè)和種類4的路燈，點(diǎn)云密度的降低并沒(méi)有對(duì)提取結(jié)果造成太大的影響，而對(duì)于種類2左側(cè)受遮擋的路燈和種類5與行道樹交叉的路燈，降低點(diǎn)云的密度，將使得算法較難正確分辨路燈的形狀，從而降低了算法的提取準(zhǔn)確性。

圖16 數(shù)據(jù)質(zhì)量對(duì)提取效果的影響Fig.16 Impact of data qualify

(5) 路燈附屬物的影響。在試驗(yàn)區(qū)域C中，路燈上安裝有廣告牌，作為路燈的附屬物，根據(jù)本文的路燈提取算法，在提取和判斷路燈點(diǎn)云時(shí)，將不受其影響。如圖17所示，橙色點(diǎn)為地面點(diǎn)，紅色點(diǎn)為本文算法提取的路燈點(diǎn)，其他點(diǎn)為未分類點(diǎn)，路燈附屬物被歸為未分類的點(diǎn)云中。試驗(yàn)結(jié)果驗(yàn)證，本文路燈提取算法對(duì)路燈上的附屬物有很好的抗干擾特性，在路燈點(diǎn)云提取時(shí)，不會(huì)受到路燈附屬物的影響，在后期研究中，還可以根據(jù)該算法特性，進(jìn)行路燈附屬物點(diǎn)云提取研究。

圖17 路燈附屬物對(duì)路燈提取算法的影響Fig.17 Influence of streetlight appendage on streetlight extraction algorithm

(6) 運(yùn)算效率。文中算法實(shí)現(xiàn)采用VC++與OpenGL編程實(shí)現(xiàn)，采用普通筆記本電腦運(yùn)行，電腦基本配置為：Intel Core i5-6200雙核處理器、2 GB獨(dú)立顯卡、64位操作系統(tǒng)、8 GB內(nèi)存。3個(gè)試驗(yàn)區(qū)運(yùn)算基本情況如表5所示。

表5 試驗(yàn)區(qū)數(shù)據(jù)運(yùn)算時(shí)間

從表5可以看出，本文算法有很高的運(yùn)行效率，運(yùn)算時(shí)間與數(shù)據(jù)量呈線性關(guān)系，完全能夠滿足實(shí)際工程建設(shè)的需要。

4 結(jié)束語(yǔ)

提出車載LiDAR點(diǎn)云中路燈自動(dòng)提取與識(shí)別算法，通過(guò)構(gòu)建準(zhǔn)確的路燈樣本模型，不但能準(zhǔn)確提取出車載LiDAR場(chǎng)景中的路燈，而且能自動(dòng)識(shí)別出路燈的型號(hào)，獲得每個(gè)路燈準(zhǔn)確的參數(shù)信息，實(shí)現(xiàn)了路燈的精確提取。該算法僅需點(diǎn)云的三維空間坐標(biāo)，有較強(qiáng)的普適性。通過(guò)試驗(yàn)分析，本算法對(duì)于質(zhì)量好的點(diǎn)云數(shù)據(jù)，可以達(dá)到較高的提取率，對(duì)于數(shù)據(jù)質(zhì)量相對(duì)較差的數(shù)據(jù)，仍能達(dá)到樂(lè)觀的提取結(jié)果。對(duì)于與行道樹穿插在一起的路燈，同樣具有較好的提取效果，彌補(bǔ)了先前研究中的不足。當(dāng)路燈燈頭部分點(diǎn)云大量缺失，或者路燈桿不為豎直桿狀地物時(shí)，本文算法難以實(shí)現(xiàn)有效提取，需要在后續(xù)研究中不斷完善。

[1] 盧秀山, 李清泉, 馮文灝, 等. 車載式城市信息采集與三維建模系統(tǒng)[J]. 武漢大學(xué)學(xué)報(bào)(工學(xué)版), 2003, 36(3): 76-80.

LU Xiushan, LI Qingquan, FENG Wenhao, et al. Vehicle-borne Urban Information Acquisition and 3D Modeling System[J]. Engineering Journal of Wuhan University, 2003, 36(3): 76-80.

[2] QIN Rongjun, GRUEN A. 3D Change Detection at Street Level Using Mobile Laser Scanning Point Clouds and Terrestrial Images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 90: 23-35.

[3] WANG Zhen, ZHANG Liqiang, FANG Tian, et al. A Multiscale and Hierarchical Feature Extraction Method for Terrestrial Laser Scanning Point Cloud Classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(5): 2409-2425.

[4] 李永強(qiáng), 楊莎莎, 李框宇, 等. 車載激光掃描數(shù)據(jù)中桿狀地物提取[J]. 測(cè)繪科學(xué), 2015, 40(8): 42-46.

LI Yongqiang, YANG Shasha, LI Kuangyu, et al. Extraction of Rod-like Objects from Vehicle-borne LiDAR Data[J]. Science of Surveying and Mapping, 2015, 40(8): 42-46.

[5] 譚賁, 鐘若飛, 李芹. 車載激光掃描數(shù)據(jù)的地物分類方法[J]. 遙感學(xué)報(bào), 2012, 16(1): 50-66.

TAN Ben, ZHONG Ruofei, LI Qin. Objects Classification with Vehicle-borne Laser Scanning Data[J]. Journal of Remote Sensing, 2012, 16(1): 50-66.

[7] YAN W Y, MORSY S, SHAKER A, et al. Automatic Extraction of Highway Light Poles and Towers from Mobile LiDAR Data[J]. Optics & Laser Technology, 2016, 77: 162-168.

[8] 馮義從, 岑敏儀, 張同剛. 基于知識(shí)的車載LiDAR地物自動(dòng)分類[J]. 計(jì)算機(jī)工程與應(yīng)用, 2016, 52(5): 122-126.

FENG Yicong, CEN Minyi, ZHANG Tonggang. Knowledge-based Automatic Objects Classification from Mobile LiDAR Data[J]. Computer Engineering and Applications, 2016, 52(5): 122-126.

[9] LI Dan. Optimising Detection of Road Furniture (Pole-like Objects) in Mobile Laser Scanner Data[D]. Amsterdam: University of Twente, 2013.

[10] YOKOYAMA H, DATE H, KANAI S, et al. Detection and Classification of Pole-like Objects from Mobile Laser Scanning Data of Urban Environments[J]. International Journal of CAD/CAM, 2013, 13(1): 1-10.

[11] ZAI Dawei, CHEN Yiping, LI J, et al. Inventory of 3D Street Lighting Poles Using Mobile Laser Scanning Point Clouds[C]∥Proceedings of 2015 IEEE International Geoscience and Remote Sensing Symposium. Milan: IEEE, 2015: 573-576.

[12] YANG Bisheng, DONG Zhen. A Shape-based Segmentation Method for Mobile Laser Scanning Point Clouds[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 81: 19-30.

[14] YANG Bisheng, DONG Zhen, ZHAO Gang, et al. Hierarchical Extraction of Urban Objects from Mobile Laser Scanning Data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 99: 45-57.

[15] WU Fan, WEN Chenglu, GUO Yulan, et al. Rapid Localization and Extraction of Street Light Poles in Mobile LiDAR Point Clouds: A Supervoxel-based Approach[J]. IEEE Transactions on Intelligent Transportation Systems, 2017, 18(2): 292-305.

[16] YU Yongtao, LI J, GUAN Haiyan, et al. Bag of Contextual-Visual Words for Road Scene Object Detection from Mobile Laser Scanning Data[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 17(12): 3391-3406.

[17] YANG Bisheng, DONG Zhen, ZHAO Gang, et al. Hierarchical Extraction of Urban Objects from Mobile Laser Scanning Data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 99: 45-57.

[18] YU Tianshu, WANG Ruisheng. Scene Parsing Using Graph Matching on Street-view Data[J]. Computer Vision and Image Understanding, 2016, 145: 70-80.

[19] YU Yongtao, LI J, GUAN Haiyan, et al. Semiautomated Extraction of Street Light Poles from Mobile LiDAR Point-clouds[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 53(3): 1374-1386.

[20] YU Yongtao, LI J, GUAN Haiyan, et al. Three-dimensional Object Matching in Mobile Laser Scanning Point Clouds[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 12(3): 492-496.

[21] YU Yongtao, LI J, GUAN Haiyan, et al. Automated Extraction of Urban Road Facilities Using Mobile Laser Scanning Data[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(4): 2167-2181.

[22] ZHENG Han, WANG Ruisheng, XU Sheng. Recognizing Street Lighting Poles from Mobile LiDAR Data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(1): 407-420.

[23] 孫飛, 徐世武, 張巖. 利用目標(biāo)類樣本的遙感分類策略[J]. 測(cè)繪科學(xué), 2016, 41(2): 133-139.

SUN Fei, XU Shiwu, ZHANG Yan. Classification Strategy for Remote Sensing Data Based on Positive Training Samples[J]. Science of Surveying and Mapping, 2016, 41(2): 133-139.

[24] HUANG Hui, WU Shihao, COHEN-OR D, et al. L1-medial Skeleton of Point Cloud[J]. ACM Transactions on Graphics, 2013, 32(4): 65.

[25] 伍世浩. 點(diǎn)云模型的L1-中心骨架[D]. 廣州: 華南理工大學(xué), 2014.

WU Shihao. L1-medial Skeleton of Point Cloud[D]. Guang-zhou: South China University of Technology, 2014.

[26] AXELSSON P. DEM Generation from Laser Scanner Data Using a Daptive TIN Models[J]. International Archives of Photogrammetry and Remote Sensing, 2000, 33(B4): 110-117.

[27] 李卉, 李德仁, 黃先鋒, 等. 一種漸進(jìn)加密三角網(wǎng)LiDAR點(diǎn)云濾波的改進(jìn)算法[J]. 測(cè)繪科學(xué), 2009, 34(3): 39-40, 216.

LI Hui, LI Deren, HUANG Xianfeng, et al. Advanced Adaptive TIN Filter for LiDAR Point Clouds Data[J]. Science of Surveying and Mapping, 2009, 34(3): 39-40, 216.

[28] CHEN Qi, GONG Peng, BALDOCCHI D, et al. Filtering Airborne Laser Scanning Data with Morphological Methods[J]. Photogrammetric Engineering & Remote Sensing, 2007, 73(2): 175-185.

[29] CAHALANE C, MCELHINNEY C P, LEWIS P, et al. MIMIC: An Innovative Methodology for Determining Mobile Laser Scanning System Point Density[J]. Remote Sensing, 2014, 6(9): 7857-7877.

[30] Wikipedia. Linear Least Squares (Mathematics)[Z]. 2016:2016.