融合空譜特征的車載LiDAR點(diǎn)云道路標(biāo)識(shí)線提取

范 雯，何鄂龍，李天琪，孫 杰

(中國地質(zhì)大學(xué)(武漢)信息工程學(xué)院，湖北 武漢 430074)

車載激光掃描作為新興的測量手段具有速度快、成本低、密度高及精度高等優(yōu)勢，能夠快速獲取三維城市場景中的表面信息，廣泛應(yīng)用于道路信息提取[1-3]、三維數(shù)字城市重建[4]等領(lǐng)域。其中路寬的測量，特別是自動(dòng)駕駛所需的高精度地圖構(gòu)建等任務(wù)，需要精確的道路標(biāo)識(shí)線。本文的研究重點(diǎn)在于如何快速精確地從車載激光點(diǎn)云數(shù)據(jù)中自動(dòng)提取道路標(biāo)識(shí)線。

目前，基于車載激光LiDAR數(shù)據(jù)對(duì)道路標(biāo)識(shí)線進(jìn)行提取的方法主要分為兩類：一類是先將點(diǎn)云轉(zhuǎn)化為影像，再基于分割的方法提取道路標(biāo)識(shí)線信息；另一類是直接基于點(diǎn)云數(shù)據(jù)進(jìn)行提取。

基于數(shù)據(jù)轉(zhuǎn)換的方法首先將點(diǎn)云數(shù)據(jù)轉(zhuǎn)換為二維圖像，再直接使用成熟的二維圖像處理算法，因此被廣泛應(yīng)用。Mario Solán等[5]首先對(duì)初始路面進(jìn)行分割，利用強(qiáng)度特征從點(diǎn)云中提取反射路面點(diǎn)，然后創(chuàng)建柵格圖像，利用機(jī)器學(xué)習(xí)對(duì)道路標(biāo)志進(jìn)行提取和分類。管海燕等[6]綜合高差、坡度提取道路，利用反距離加權(quán)法將道路點(diǎn)內(nèi)插到帶地理坐標(biāo)的強(qiáng)度圖像中，然后對(duì)圖像進(jìn)行多閾值分割，得到道路標(biāo)識(shí)線。Pankaj Kumar等[7]通過道路邊界識(shí)別路面，利用到導(dǎo)航點(diǎn)的距離和強(qiáng)度構(gòu)建二維圖像，設(shè)置多閾值進(jìn)行分割，通過形態(tài)學(xué)和先驗(yàn)知識(shí)進(jìn)行過濾，最終根據(jù)二維輸出提取三維點(diǎn)云標(biāo)識(shí)，由于入射角和距離的穩(wěn)健性不高，因此適用性不強(qiáng)。楊必勝等[8]根據(jù)高程信息分割路面輪廓，結(jié)合強(qiáng)度和語義信息提取出標(biāo)識(shí)線輪廓，但對(duì)斷裂的較長車道標(biāo)識(shí)不具適用性。李明輝等[9]分析點(diǎn)云高程特征分布圖像，然后進(jìn)行強(qiáng)度閾值分割，生成基于強(qiáng)度的特征圖像，利用幾何和語義信息進(jìn)行道路標(biāo)識(shí)線提取。上述算法中，激光點(diǎn)云數(shù)據(jù)的強(qiáng)度值受復(fù)雜環(huán)境影響，直接根據(jù)強(qiáng)度進(jìn)行閾值分割有一定的局限性。另外，通過點(diǎn)云數(shù)據(jù)轉(zhuǎn)換得到影像數(shù)據(jù)，位置信息有所損失，提取的標(biāo)識(shí)線位置精度降低。

直接基于點(diǎn)云數(shù)據(jù)進(jìn)行路面標(biāo)識(shí)線提取的方法，由于點(diǎn)云數(shù)據(jù)不具備規(guī)則的組織結(jié)構(gòu)，通常需要對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行規(guī)則化，然后進(jìn)行提取任務(wù)。Yu Yongtao等[10]對(duì)分割路面進(jìn)行多閾值分割，通過空間密度過濾的方法提取道路標(biāo)志。高陽等[11]通過高度差異得到路面信息，通過灰度和強(qiáng)度的差異分割得到道路標(biāo)識(shí)線的基本輪廓，再利用動(dòng)態(tài)網(wǎng)格點(diǎn)云密度濾除雜點(diǎn)，未考慮復(fù)雜道路場景對(duì)標(biāo)識(shí)線提取的影響。

綜上所述，點(diǎn)云轉(zhuǎn)換過程中精度的損失和復(fù)雜場景中其他地物的影響等問題，都會(huì)影響提取的精度。本文以高精度車載LiDAR點(diǎn)云數(shù)據(jù)為試驗(yàn)對(duì)象，通過濾波算法獲取地面點(diǎn)數(shù)據(jù)，最終基于特征提取和多閾值分割對(duì)道路標(biāo)識(shí)線進(jìn)行提取。該方法的貢獻(xiàn)主要有以下兩點(diǎn)：①充分考慮點(diǎn)云場景中標(biāo)識(shí)線的屬性信息及其空間分布，提出一種空譜特征提取的方法，克服了傳統(tǒng)算法中點(diǎn)強(qiáng)度變化對(duì)道路線提取精度的影響，提高了標(biāo)識(shí)線提取的穩(wěn)健性；②考慮復(fù)雜道路場景中其他地物和路肩線的影響，通過點(diǎn)云的空間信息濾除路肩線的影響，得到了準(zhǔn)確的道路標(biāo)識(shí)線。

1 車道激光點(diǎn)云道路標(biāo)識(shí)線的自動(dòng)提取

基于車載LiDAR點(diǎn)云數(shù)據(jù)提取道路標(biāo)識(shí)線的方法主要包括以下步驟：首先基于改進(jìn)的不規(guī)則三角網(wǎng)的漸進(jìn)加密濾波算法分割得到路面點(diǎn)；然后利用空譜特征濾除雜亂點(diǎn)；最后根據(jù)高程閾值路肩線點(diǎn)云，提取得到精確的道路標(biāo)識(shí)線點(diǎn)云。其具體流程如圖1所示。

圖1 車載LiDAR點(diǎn)云道路標(biāo)識(shí)線提取流程

本文濾波算法的目的是得到路面信息，處理的對(duì)象主要針對(duì)公路場景，其地形起伏較為平緩，缺少復(fù)雜建筑物。國內(nèi)外眾多學(xué)者基于點(diǎn)云濾波提出了許多方法[12-14]，其中Axelssojn[15]提出的不規(guī)則三角網(wǎng)的漸進(jìn)加密濾波算法，對(duì)大多數(shù)地形具有較好的適應(yīng)性，在復(fù)雜場景下也能夠穩(wěn)健地提取道路路面。因此本文選用其改進(jìn)算法來進(jìn)行路面提取。

本文依據(jù)車載LiDAR點(diǎn)云的顏色信息和位置關(guān)系構(gòu)建空譜特征，對(duì)道路標(biāo)識(shí)線點(diǎn)云進(jìn)一步提取。部分路面雜點(diǎn)和路肩線由于與道路標(biāo)識(shí)線顏色相近，空間上較為聚集，沒有被分離出來，需要進(jìn)一步依據(jù)高程特征分割，得到清晰準(zhǔn)確的道路標(biāo)識(shí)線點(diǎn)云。

1.1 基于改進(jìn)的不規(guī)則三角網(wǎng)漸進(jìn)加密濾波算法

經(jīng)典的不規(guī)則三角網(wǎng)漸進(jìn)濾波首先去除極低粗差點(diǎn)，對(duì)原始點(diǎn)云進(jìn)行規(guī)則格網(wǎng)化，選取格網(wǎng)內(nèi)最低點(diǎn)為種子點(diǎn)，然后依據(jù)這些種子點(diǎn)生成初始不規(guī)則三角網(wǎng)。如圖2所示，點(diǎn)Pa到三角形面片的距離為d，距離閾值為D。該點(diǎn)的鏡像點(diǎn)為Pb。三條邊與三角形所在面片夾角為α、β和γ，角度閾值為θ。

圖2 判斷地面點(diǎn)方法

非種子點(diǎn)Pa為地面點(diǎn)需要滿足條件為

(1)

或Pb為地面點(diǎn)。

改進(jìn)算法[16]選取種子點(diǎn)后，逐格網(wǎng)遍歷LiDAR 點(diǎn)云數(shù)據(jù)，并將當(dāng)前格網(wǎng)內(nèi)的數(shù)據(jù)按高程升序排列，逐步建立漸進(jìn)TIN，迭代提取地面點(diǎn)，能夠較好地保持地形特征。

1.2 融合顏色信息與空間分布的空譜特征提取

車載LiDAR點(diǎn)云中包含坐標(biāo)、強(qiáng)度等屬性信息，還含有鄰域和高程等空間位置信息，由于灌叢點(diǎn)等雜點(diǎn)與標(biāo)識(shí)線點(diǎn)在強(qiáng)度空間中差異較小，本文基于標(biāo)識(shí)線點(diǎn)云與其他地物空譜差異，對(duì)道路標(biāo)識(shí)線進(jìn)行初步提取。雖然激光掃描儀在獲取數(shù)據(jù)時(shí)RGB值會(huì)受到周圍環(huán)境、日照方向等因素干擾，但是在局部區(qū)域內(nèi)保持基本穩(wěn)定。試驗(yàn)中待提取交通標(biāo)志為白色矩形道路線。本文構(gòu)造空譜特征指數(shù)I組合顏色和空間分布來進(jìn)行特征描述和提取。

設(shè)定顏色信息累加和為L，R、G、B分別為3個(gè)波段顏色值，對(duì)該區(qū)域內(nèi)標(biāo)識(shí)線和非標(biāo)識(shí)線的顏色信息特征L分別進(jìn)行直方圖統(tǒng)計(jì)。由于非標(biāo)識(shí)線分布比較離散，單區(qū)間的頻率值較低，制圖時(shí)將其頻率擴(kuò)大30倍。從圖3中可以看到，道路線與非道路線在顏色空間中具有明顯可分的閾值。

L=R+G+B

(2)

圖3 道路場景顏色信息直方圖

非道路線的顏色特征空間中的兩個(gè)峰值，按橫軸順序依次為植被和道路路面。而道路標(biāo)識(shí)線顏色特征空間中的多個(gè)峰值則是因?yàn)閽呙杞堑淖兓?，同一入射角的顏色空間上分布大致相同，不同入射角則存在一定差異。將顏色信息特征L的差異用符號(hào)Z進(jìn)行表示。設(shè)定閾值Lthreshold作為依據(jù)進(jìn)行分割，并劃分類別。L小于閾值時(shí)劃分為非道路線信息，類別賦值為0。否則判斷為道路標(biāo)識(shí)線信息，類別值為1。

Z=L-Lthreshold

(3)

(4)

鄰域信息對(duì)于離群點(diǎn)的去除及根據(jù)幾何形狀進(jìn)一步約束道路標(biāo)識(shí)線點(diǎn)云都具有重要意義。為了得到點(diǎn)云空間中的鄰域信息，將點(diǎn)云數(shù)據(jù)投影到XOY平面上，建立kd-tree樹索引結(jié)構(gòu)。進(jìn)一步分析點(diǎn)云的空間分布，根據(jù)單位面積的道路路面點(diǎn)云密度ρ和道路路面點(diǎn)云的面積S，可以計(jì)算得到一定半徑R內(nèi)點(diǎn)云數(shù)N。

S=π·R2

(5)

N=ρ·S

(6)

將點(diǎn)云的顏色特征和空間分布進(jìn)行結(jié)合，可構(gòu)建空譜特征指數(shù)I?？兆V特征指數(shù)I可表述為

(7)

圖4 道路標(biāo)識(shí)線中某一點(diǎn)的空譜特征分布

(8)

圖4中白色點(diǎn)為標(biāo)識(shí)線上數(shù)據(jù)點(diǎn)，黑色點(diǎn)為選中的標(biāo)識(shí)線上的任一點(diǎn)，可能為邊界點(diǎn)(非角點(diǎn))、角點(diǎn)或非標(biāo)識(shí)線邊界的一點(diǎn)，灰色點(diǎn)代表選中的點(diǎn)一定鄰域內(nèi)滿足空譜特征的點(diǎn)。

本文根據(jù)空譜特征I并通過鄰域比較去除離群點(diǎn)，提取道路標(biāo)識(shí)線初始點(diǎn)云數(shù)據(jù)。

1.3 基于高差閾值分割標(biāo)識(shí)線和路肩線點(diǎn)云

路肩線會(huì)對(duì)道路標(biāo)識(shí)線提取產(chǎn)生干擾，主要位于欄桿下側(cè)道路路面邊界部分。路肩線雖然在顏色和幾何形狀上都與道路標(biāo)識(shí)線類似，但是相對(duì)于道路路面而言，邊界部分點(diǎn)的水平坐標(biāo)相近、垂直方向上存在一定的高差，路肩有一定坡度和高度，可以設(shè)置一定的高差閾值進(jìn)行過濾，如圖5所示。

圖5 道路路面?zhèn)让媸疽鈭D

對(duì)已投影到XOY平面的點(diǎn)，本文選取一定半徑的鄰域，得到鄰域內(nèi)的其余點(diǎn)與該點(diǎn)的高度差異，通過限定高差閾值判斷道路路肩線點(diǎn)并過濾。

Dz=Xp·Z-Xi·Z

(9)

式中，Dz為kd-tree當(dāng)前種子點(diǎn)與鄰域其他點(diǎn)的高程差異；Xp為種子點(diǎn)；Xi為鄰域內(nèi)任一點(diǎn)；Z為高程坐標(biāo)。本文的試驗(yàn)數(shù)據(jù)為高速公路場景，道路邊界部分高程變化明顯，閾值的取值依據(jù)具體的道路情景來確定。

2 試驗(yàn)與分析

基于Visual Studio 2010 C++集成開發(fā)環(huán)境實(shí)現(xiàn)了本文的道路標(biāo)識(shí)線自動(dòng)提取試驗(yàn)。試驗(yàn)平臺(tái)配置為Intel酷睿i7-6900k 3.2 GHz，內(nèi)存為64 GB，Windows 10系統(tǒng)。

2.1 數(shù)據(jù)介紹

本文數(shù)據(jù)采用第四屆全國激光雷達(dá)大會(huì)數(shù)據(jù)比賽提供的試驗(yàn)數(shù)據(jù)，圖6所示為高速公路場景，數(shù)據(jù)包含9 158 078個(gè)點(diǎn)。掃描數(shù)據(jù)中包含道路、植被、交通標(biāo)志等地物，其中交通標(biāo)識(shí)線經(jīng)手動(dòng)提取，共232 711個(gè)點(diǎn)，用于試驗(yàn)效果驗(yàn)證。

圖6 道路場景和道路標(biāo)識(shí)線分布情況

2.2 試驗(yàn)結(jié)果與分析

路面激光點(diǎn)云數(shù)據(jù)主要包括瀝青路面和道路標(biāo)識(shí)線，它們的反射強(qiáng)度也不一樣。黑色瀝青表面對(duì)激光信號(hào)有吸收效應(yīng)，反射率低。相反，道路標(biāo)識(shí)線一般采用黃色、白色的特性涂層，對(duì)激光呈高反射，因此傳統(tǒng)方法中經(jīng)常利用強(qiáng)度特征進(jìn)行分割，但是此處道路場景并不適用，強(qiáng)度特征分布直方圖如圖7所示。

如果利用強(qiáng)度特征，難以從道路場景中分離得到完整道路標(biāo)識(shí)線，并且會(huì)存在大量的噪聲信息。因此本文構(gòu)建了空譜特征I來提取精確道路標(biāo)識(shí)線，并利用高差閾值來過濾有一定起伏特征的路肩線。

圖7 道路場景強(qiáng)度特征直方圖

圖8 路肩線濾除局部對(duì)比

圖8中(a)分為路肩線和標(biāo)識(shí)線點(diǎn)云，(b)為分割后路面點(diǎn)云。試驗(yàn)結(jié)果表明，本文方法能夠有效過濾道路兩側(cè)的路肩線，進(jìn)一步得到精確的道路標(biāo)識(shí)線。試驗(yàn)中高差閾值分割設(shè)定半徑為0.2 m，高差為0.02 m。大于公路場景中道路標(biāo)識(shí)線設(shè)定寬度為0.15 m，小于不同車道間寬7.5 m。試驗(yàn)結(jié)果共提取得到199 560個(gè)道路標(biāo)識(shí)線點(diǎn)，結(jié)果如圖9所示。

圖9 道路標(biāo)識(shí)線提取結(jié)果

從局部放大效果來看，本文分割方法得到結(jié)果可以有效提取道路標(biāo)識(shí)線，在無車輛遮擋區(qū)域如圖9 右下角所示，道路標(biāo)識(shí)線完整清晰，有較好的試驗(yàn)結(jié)果。而在如圖9左上角所示有車輛遮擋路面，由于采用空譜特征進(jìn)行提取，車輛顏色和欄桿陰影在強(qiáng)光下可能對(duì)道路線提取產(chǎn)生干擾，使得有部分道路標(biāo)識(shí)線不能完全提取。

根據(jù)試驗(yàn)結(jié)果將非道路標(biāo)識(shí)線點(diǎn)設(shè)為類別0，道路標(biāo)識(shí)線點(diǎn)設(shè)為類別1，得到混淆矩陣(見表1)。

表1 提取結(jié)果混淆矩陣(總精度：0.996 378)

通過表1可以看出，算法能夠識(shí)別約99.63%非道路點(diǎn)；能夠正確識(shí)別道路標(biāo)識(shí)線的概率為100%，正確提取概率超過85%；能夠正確預(yù)測兩類的概率為99.64%。綜合利用多維特征是本文方法進(jìn)一步的改進(jìn)方向。

3 結(jié) 語

本文提出了一種綜合點(diǎn)云光譜信息、空間位置和高程的分割方式，對(duì)車載LiDAR點(diǎn)云數(shù)據(jù)的道路標(biāo)識(shí)線信息進(jìn)行提取。試驗(yàn)結(jié)果表明，本文方法能夠有效提取道路標(biāo)識(shí)線信息，為后續(xù)道路場景進(jìn)一步識(shí)別、三維場景重建等任務(wù)降低數(shù)據(jù)量。下一步研究計(jì)劃是如何結(jié)合強(qiáng)度特征進(jìn)一步提高道路標(biāo)識(shí)線的識(shí)別精度。