一種桿狀交通設(shè)施點(diǎn)云自動(dòng)提取的方法

孫春生

(南京捷鷹數(shù)碼測繪有限公司，江蘇 南京 210019)

1 引 言

桿狀交通設(shè)施是重要的基礎(chǔ)道路設(shè)施，其信息的快速獲取在道路資產(chǎn)調(diào)查、自動(dòng)駕駛和輔助駕駛等領(lǐng)域發(fā)揮重要作用。激光點(diǎn)云是激光掃描設(shè)備進(jìn)行測繪作業(yè)所采集的數(shù)據(jù)成果，它蘊(yùn)含著豐富的三維空間信息，有利于我們從中提取桿狀交通設(shè)施。同時(shí)，激光點(diǎn)云數(shù)據(jù)海量存在遮擋和密度不均等問題嚴(yán)重影響了桿狀交通設(shè)施的提取[1]。目前基于激光點(diǎn)云的桿狀交通設(shè)施目標(biāo)提取方法主要分為基于體素和基于對象兩種方法?；趯ο蟮姆椒ㄖ黧w思想是將點(diǎn)按一定準(zhǔn)則合并成一個(gè)個(gè)對象，直接以每個(gè)對象進(jìn)行分析，判斷其是否為所需要提取的目標(biāo)。由于點(diǎn)云場景復(fù)雜和噪聲的影響，基于對象方式所提取的桿狀交通設(shè)施結(jié)構(gòu)較為完整，更適合用于桿狀交通設(shè)施形態(tài)和要素的提取[2]。

2 點(diǎn)云預(yù)處理

2.1 基于局部最低高程的地面點(diǎn)云移除

由于激光掃描系統(tǒng)的無差別特性，獲取的激光點(diǎn)云中含有大量的地面點(diǎn)。本文的研究目標(biāo)是非地面的桿狀交通設(shè)施，所以地面點(diǎn)并不是興趣目標(biāo)，為了提高效率可以將這些地面點(diǎn)移除。另外，地面點(diǎn)將非地面點(diǎn)連接在一起，很難分開。因此首先選擇對原始激光點(diǎn)云數(shù)據(jù)進(jìn)行濾波，移除掉地面點(diǎn)。地面點(diǎn)的濾波是國內(nèi)外激光點(diǎn)云數(shù)據(jù)處理的研究熱點(diǎn)之一[3]，主要分為基于斜率、基于形態(tài)學(xué)、基于表面和基于分割的濾波方法。由于興趣目標(biāo)是非地面的桿狀交通設(shè)施，移除地面的目標(biāo)是為了使非地面不同地物相互分離，所以并不需要對地面點(diǎn)進(jìn)行精細(xì)的濾波，從局部區(qū)域來看，可以假設(shè)最低點(diǎn)為地面點(diǎn)。將激光點(diǎn)云劃分成若干個(gè)二維網(wǎng)格，在每個(gè)網(wǎng)格中最低高程的點(diǎn)可以假設(shè)成地面點(diǎn)，到最低點(diǎn)高差在一定范圍內(nèi)的點(diǎn)都可以認(rèn)為是地面點(diǎn)，反之則為非地面點(diǎn)。

2.2 基于歐式距離的非地面點(diǎn)云聚類

地面點(diǎn)濾波算法能有效濾除了地面點(diǎn)。失去了地面點(diǎn)的約束后，非地面目標(biāo)之間空間距離差異更加明顯，因此可以根據(jù)點(diǎn)與點(diǎn)之間空間距離的遠(yuǎn)近聚類成不同的對象。基于歐式距離的聚類算法是目前最通用的空間聚類方法之一，比較每個(gè)點(diǎn)和其鄰域點(diǎn)的空間距離來判斷是否為同一集群，并利用KD樹組織和檢索點(diǎn)云，實(shí)現(xiàn)將離散的、信息較少的非地面點(diǎn)向聚合的、信息豐富的點(diǎn)云對象轉(zhuǎn)變。

3 混合點(diǎn)云的檢測與分割

基于歐式距離的聚類算法受激光點(diǎn)云數(shù)據(jù)中噪聲的影響較大，有的點(diǎn)云對象只包含一種地物目標(biāo)，而有的點(diǎn)云對象則混合了多種地物目標(biāo)，我們暫且將后者稱為混合點(diǎn)云。如果混合點(diǎn)云中存在桿狀交通設(shè)施，將會增大桿狀交通設(shè)施提取的難度，所以需要對混合點(diǎn)云進(jìn)行處理。目前主要利用圖割理論[4]的方法，進(jìn)一步對混合點(diǎn)云分割，實(shí)現(xiàn)混合地物的分離。但混合點(diǎn)云可能含有多個(gè)目標(biāo)，僅僅分割一次難以得到理想的效果。這里提出一種基于迭代最小割的混合點(diǎn)云檢測與分割方法，可以自動(dòng)檢測混合點(diǎn)云并對其進(jìn)行分割。算法流程圖如圖1所示。

圖1 混合點(diǎn)云檢測與分割示意圖

桿狀交通設(shè)施高度較為明顯，高度越高的點(diǎn)云對象越有可能含有桿狀交通設(shè)施，而且混合點(diǎn)云對象投影到水平面的面積往往較大。通過計(jì)算每個(gè)候選點(diǎn)云對象的最小外包盒，得到每個(gè)候選點(diǎn)云對象的高度和水平投影面的面積，當(dāng)候選對象高度大于某一閾值且水平投影面積大于某一閾值時(shí)，認(rèn)為該對象是混合點(diǎn)云，需要進(jìn)行進(jìn)一步分割。最小割是圖割中最經(jīng)典的算法之一，它利用最小割的準(zhǔn)則對全局能量函數(shù)進(jìn)行求解，達(dá)到全局最小化，使分割以后的兩個(gè)區(qū)域相似性最小。對于混合點(diǎn)云目標(biāo)，同一地物內(nèi)部相似性較大，不同地物之間相似性較小，所以本文采用最小割算法，實(shí)現(xiàn)從混合點(diǎn)云中提取桿狀交通設(shè)施。對于檢測出的混合點(diǎn)云，利用文獻(xiàn)[4]中的能量函數(shù)，并利用最小割算法對能量函數(shù)進(jìn)行求解。最小割的目標(biāo)就是讓所有邊的權(quán)值之和最小。因?yàn)闂U狀交通設(shè)施總是明顯要高于周圍的其他地物，所以和其他地物的重疊混合多半發(fā)生在桿狀交通設(shè)施的底部，混合點(diǎn)云頂部為桿狀交通設(shè)施的可能性較大。首先將混合點(diǎn)云沿Z軸方向分成10段，將最高的兩段內(nèi)的點(diǎn)作為前景點(diǎn)，計(jì)算平滑函數(shù)跟代價(jià)函數(shù)將混合點(diǎn)云分割成前景和后景兩部分。對于分割完的兩個(gè)點(diǎn)云，計(jì)算兩者的外包盒進(jìn)行混合點(diǎn)云的檢測，通過迭代的方式反復(fù)進(jìn)行分割，直到?jīng)]有任何候選點(diǎn)云結(jié)束分割。

4 桿狀交通設(shè)施檢測

通過點(diǎn)云預(yù)處理和混合點(diǎn)云的分割，原始激光點(diǎn)云中的桿狀交通設(shè)施聚合成了獨(dú)立的點(diǎn)云對象。然而，提取的點(diǎn)云對象中除了桿狀交通設(shè)施以外，還包括如建筑、樹木、欄桿和車輛等其他地物對象，有些地物與桿狀交通設(shè)施形態(tài)相似，需要對其進(jìn)行甄別[5]。為了將桿狀交通設(shè)施和其他地物區(qū)分開來，我們設(shè)計(jì)了一種結(jié)合先驗(yàn)知識和形狀知識的層次濾波器，用于檢測桿狀交通設(shè)施。

4.1 基于先驗(yàn)知識的桿狀交通設(shè)施檢測

桿狀交通設(shè)施往往需要一定高度保證其正常履行交通職能。所以，高度較高的點(diǎn)云對象才有可能是桿狀交通設(shè)施。本文基于此先驗(yàn)知識，設(shè)置了一個(gè)高度濾波器，將高度高于最小高度閾值的點(diǎn)云對象作為潛在桿狀交通設(shè)施備選并送入形狀濾波器進(jìn)行篩選。

4.2 基于形狀知識的桿狀交通設(shè)施檢測

不同的桿狀交通設(shè)施的形狀雖然有差異，但也有共同點(diǎn)，即它們都有垂直的桿狀結(jié)構(gòu)，而且與散亂的自然樹木相比，桿狀交通設(shè)施形狀更加規(guī)則。如果要確定一個(gè)桿子的形狀，首先要確定它的半徑和高度。此外，還要保證桿子的均勻性，即各個(gè)連續(xù)剖面的半徑不能變化太大?；诖诵螤钪R構(gòu)建形狀濾波器用于檢測桿狀交通設(shè)施，主要分為橫斷面分析和離散度檢測兩個(gè)部分。

5 實(shí)驗(yàn)與分析

5.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)是利用Trimble TX8激光掃描儀采集的常州武進(jìn)區(qū)龍江高架和長虹高架互通處點(diǎn)云，南北長約 3 km，東西長約 2 km。如圖2所示，測試數(shù)據(jù)中含有豐富的道路、建筑、樹木、欄桿、車輛和交通設(shè)施等地物信息。通過人工標(biāo)記的方式統(tǒng)計(jì)，實(shí)驗(yàn)數(shù)據(jù)中路燈、路牌、監(jiān)控探頭等桿狀交通設(shè)施共645個(gè)。

圖2 實(shí)驗(yàn)場景激光點(diǎn)云示意圖

5.2 參數(shù)設(shè)置

由于點(diǎn)云場景的復(fù)雜性，經(jīng)過分割之后會存在很多過分割的地物碎片，為了移除這些細(xì)小的地物碎片設(shè)置最小高度閾值th。同時(shí)經(jīng)過同一場景反復(fù)測試，對相鄰切片最大對角線長度差ld、增長切片最小高度ph、最大對角線長度td和最大離散度閾值tSc等參數(shù)進(jìn)行設(shè)置，具體閾值如表1所示。

點(diǎn)云分割提取參數(shù)閾值 表1

5.3 評價(jià)指標(biāo)

本文利用準(zhǔn)確度P、完整度R和F1測度三種定量化指標(biāo)評價(jià)桿狀交通設(shè)施的提取結(jié)果。它們的定義如下：

(1)

(2)

(3)

其中，TP表示檢測出來的正確桿狀交通設(shè)施，F(xiàn)P表示檢測出來的非桿狀交通設(shè)施地物，F(xiàn)N表示沒有檢測出來的桿狀交通設(shè)施。所以準(zhǔn)確度P可以定量評價(jià)提取的準(zhǔn)確性，完整度R可以定量評價(jià)提取的完整性。F1作為準(zhǔn)確度和完整度組合的評價(jià)指標(biāo)，是對提取方法的綜合評價(jià)。

5.4 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)點(diǎn)云通過上述方法進(jìn)行桿狀交通設(shè)施提取，其中正確596個(gè)，錯(cuò)誤33個(gè)，遺漏49個(gè)。依據(jù)上述評價(jià)指標(biāo)評價(jià)結(jié)果如表2所示。

實(shí)驗(yàn)點(diǎn)云分割提取的結(jié)果與評價(jià)指標(biāo) 表2

6 小 結(jié)

在實(shí)驗(yàn)分析中，該方法能夠自動(dòng)提取出絕大部分的桿狀交通設(shè)施，但由于場景的復(fù)雜性，一些不完備的桿狀交通設(shè)施，它們無法被歐式聚類成一個(gè)完整的點(diǎn)云對象，難以用基于對象的方法提取。同時(shí)，如圖3中所示，仍然存在一些非桿狀交通設(shè)施被錯(cuò)誤提取的現(xiàn)象，例如部分只含有少量樹葉的粗細(xì)較均勻的樹樁同桿狀交通設(shè)施結(jié)構(gòu)相似，因此它們被錯(cuò)誤地提取成桿狀交通設(shè)施。另外，該方法僅適用于在底部重疊的混合場景，其他頂部混合等場景則效果較差。

圖3 實(shí)驗(yàn)場景激光點(diǎn)云桿狀交通設(shè)施提取局部圖