GIS前沿

2023-10-19

导读：基于车载点云数据开展道路要素的自动提取与分类是三维激光扫描技术服务于城市运维活动的一项重要应用。

摘要:基于车载点云数据开展道路要素的自动提取与分类是三维激光扫描技术服务于城市运维活动的一项重要应用。基于现阶段的行业研究情况,本文首先开展了针对不同类型道路要素对象进行方法及算法汇总,然后基于应用实例开展了车载激光雷达(LiDAR)点云用于道路结构、路面标识以及道路区域杆状地物等主要道路要素的自动提取与分类的应用,对其实用性和准确性进行了评价。

引言

近年来,随着无人驾驶技术、导航智能化技术的快速发展,道路的要素辨识也越来越受到人们重视,并由最初基于单张影像的二维识别逐步开始侧重立体感知层面,点云数据和基于点云数据的生产要素提取的技术研发一直是重点任务。其中,以车载为代表的移动设备激光点云数据已成为最主要的应用数据源,是全国道路要素提取工作的重点对象,在此基础上需要开展多种类型的道路要素的自动提取。根据对象的形状、位置及其他特点,道路要素可分为结构化道路要素、杆状物以及路面要素三个主要方面：

(1)结构化道路要素。结构化路面要素是道路交通设计的重要组成部分,通常由车道、人行道和道路二者连接结构的坎状物构成［1］。其中,车道、人行道边界的定义,并服务于高精度地图构建以及城市交通管制为主要研究热点。随着中国国内道路网建设密集度的增多,有效地收集交通要素信息已成为当前中国交通部门的重要难题［2］。

(2)杆状物。杆状地物是城市道路场景中的重要组成部分,快速、自动实现杆状地物的提取与分类,对于数字城市、智慧城市建设具有重要意义。道路场景中常见杆状地物有路灯、行道树、交通指示牌、线杆等［3］。

(3)路面要素。道路的路面要素主要包括道路路面上反映各类交通信息的标线以及路面上的窨井、雨箅子等市政设施。而道路标线在日常生活中为驾驶人员和行人提供丰富的引导信息。为了保障交通安全,道路养护部门需使用道路标线信息及时对损坏的道路标线进行维护和更新;道路标线信息也是高级辅助驾驶系统和无人驾驶技术中使用的车道级导航地图的核心要素［4］。

近年来,针对各类道路要素,尤其是在道路边线、杆状物以及道路标线等方面,已有不少行业学者开展了相关研究,李永强等［3］针对城市道路场景的具体情况提出杆状地物自动提取与分类算法;黄刚等［5］提出了基于深度学习的道路标线自动提取与分类方法;马浩等［6-7］则利用局部特征约束方法进行点云的预处理分割,基于多尺度聚类方法实现了结构化要素的点云提取。基于此,本文首先开展了针对不同类型道路要素对象进行方法及算法汇总,然后面向道路场景综合化管理的具体需求,利用对上述算法及方法进行整合的数据处理平台,基于实例数据开展了车载激光雷达(LiDAR)点云用于各类道路要素自动提取的数据分析。

1 点云数据处理

车载移动测量系统获取的原始数据,需要通过随机配套数据处理软件来获取初始坐标值,结合组合导航数据,解算高精度点云数据。目前,由于城市中道路场景所涉及的结构设施类型很多而且也相对繁杂,信息收集时会把所能扫描到的各种人地物信息逐一收集,在初步处理时行业内一般通过对数据进行滤波、去噪和抽稀,来降低总体点云量,数据处理总体流程见图1。

图1 数据处理流程

在空间中提取的地物元素可利用地面高程等平面信息与路面进行识别,而为了实现对路面元素快速提取的目的,就必须对路面点云进行分解,一方面对解算后的点云信息进行地面的提取,对其他结构化元素、路面元素的提取制作适当的强度模型,进行后续提取操作;另外,余下部分还可进行杆状物提取,初步形成相互独立的新个体,大幅降低了数据量,提高了处理效率。

2 道路要素提取

2.1 结构化道路要素提取

2.1.1 基于局部特征约束的点云分割

点云的局部特性,可以通过反映在对局部小区域中的点云扫描的数据变化,进而进行对点云的分类与识别。通过高程梯度约束,将点云标记为道路的路面节点和路边结构点两类,然后进行了点云初步分割。首先是对高程梯度的定义,基于函数梯度及图像梯度的定义计算区域范围内的数据梯度大小;然后进行局部特征约束,同时结合经验值,通过对不同梯度阈值的筛选,把点云分割为两种类型,并以此区别立面点云与水平点云。

2.1.2 多尺度聚类点云提取方法

由于经局部特征约束后获得的道路备选点与道坎备选点呈块状分布,为了实施进一步的对象划分,先用聚类算法把点云在空间内划分成簇状,然后利用诸如八叉树等基本算法原理对点云划分格网,从而建立拓扑关系,再对使用的聚类尺度进行确定,按对象的几何特征,提取包含目标的节点云簇。

2.1.3 道路点云提取

根据城市中结构化路面的相关特性,首先实现平面投影,通过对提取出来的路面点云进行投影,在保留道路形态特征的情况下,减少诸如路缘石等物体的相邻点云数量。没有被完全切割干净的路缘石点云就被投影到道路路面上,并没有改变路面的边界轮廓和总体点云数量;然后以边界特征为切入点展开特征计算,建立边界特征的计算对象;接着建立合适的阈值,建立一个近领域的阈值,通过算法逐步浏览所有数据;然后通过对阈值进行调节确定最佳提取结果;最后通过设置循环的方式将边界与非边界点云进行分离并存储相应数据。

2.1.4 路坎点云提取

路坎是指路边与路面类连接的分割层,与路面类具有相同拓扑联系。根据路坎的结构特点,同时依照疑似路坎点的形状、姿态和空间分布特征,通过对上述相应的特征进行约束,去除在几何形状上相似于路坎的对象点云簇和其他对象点云,从而实现路坎点云的准确提取。

2.2 杆状物提取

在车载收集到的道路和附近区域点云数据中,杆状地物一般有着相当稠密的点云分布。在无遮挡状况下,杆形地物的整体状况均可从点云数据中较为全面地进行显示,但当路面场景比较复杂,行人和机动车流量较大等状况出现时,通常都会出现比较严重的遮挡现象,且还容易受扫描角度的影响,使得所获取的杆形地物点云信息往往不够完整。

根据先前项目的数据经验,如果对点云采用水平投射,在杆状地物杆部的标准投射为圆弧状,但上部区域的投影形式则各有不同,如在行道树上投射则呈簇状且比较密集,路灯、广告牌等人造地的点云投影为线形,而建筑物上部分则通常投射成长度变化很大的条带线。与贴近地面的杆部比较,靠上的杆部点云一般都相对较为完整。

2.2.1 杆状地物自动提取

一般需要首先将地面点与低地物加以移除。在此基础上先将点云经过格网化处理,再按照杆形地物相对于较高的形态特点,对点云的高度平均值加以计算,并形成纵向的体元模板,再通过对数据进行膨胀和腐蚀处理,获得疑似杆状部分数据。随后再将相邻的点云加以投影并根据规则形状特征加以套合处理,获得圆弧形点云,最后将杆部点云作为搜寻中心对临近区域进行特征搜索处理,最后获得相对较为完整的杆状部分。

2.2.2 杆状地物分类

进行了杆状地物探索和聚类工作之后,通过对各聚类分析法的单元点云建立特征矩阵,并采用了支持向量机的分组方式进行划分。其核参数采用径向基函数,同时引入了惩罚因子与非负松弛因子,以提高了分类的容错程度,同时也对划分后的邻接特征添加了判别因素,以确定杆状地物与附属点云的归属［8-12］。

2.3 路面要素提取

以道路标线反射强度的光点云影像为参照依据,利用基于语义分割的提取方式进行了自动或准自动模式下的提取及分类操作。主要涉及样本准备、模型样本训练、标线提取与分类等过程［13-19］。

2.3.1 样本准备

先对交通标线的强度图数据信息进行记录,再按照相关要求对单个像素元分别用不同形式进行标示,再编制原始样本集和复核数据集的标记图,然后通过进行裁剪处理,使图形统一尺寸,以便进行训练与检验。

2.3.2 模型样本训练

根据实际需要制作索引文件,将训练集和复核集影像分开存储,同时确保两者的对应关系。对诸如步数、带孔卷积、训练图像尺寸、批处理参数等训练参数进行合理的设定［7］,并针对数据中存在的不均匀情况,根据分类数据中的像素占比状况进行实时统计分析,不断调整配置文件的各种训练元素权重直到获得正确结论。

2.3.3 标线提取与分类

训练完成后,对训练模型进行评估,对应的可视化及评估尺寸参数设置为原始尺寸,达到预期要求后,将训练后的模型导出,并使用该模型对验证集样本进行处理,完成道路标线的提取与分类,最终根据结果统计验证集的分类精度。

数据样本训练完成后,对训练使用模型进行相关评估,对应的可视化及评估尺寸参数设置为原始尺寸,在满足预定条件时,可将经过训练后的结果模型进行输出,并利用该模型对验证样本集进行数据处理,,完成道路标线的提取与分类,最后通过结果数据检验集的划分准确性。

2.3.4 道路标线矢量化

基于上述工序完成后的分类结果,利用点云聚类分割算法来获取单个对象点集,从而实现对各类道路标识的单体对象化。进行聚类分割时,利用多维树形数据结构(KD树)方法划分点云,获取不同点云间的拓扑关系,并综合使用各类影响因子来进行聚类分析,获取相应对象点云,然后既定的标线模板进行匹配,并去掉相应道路模型面,再针对不同类型的标线特点和精细度要求,确定符合各类标识特点的矢量化方案,实现标线矢量化,提取效果如图2所示。

图2 各类道路要素提取

3 实例数据分析

实例数据来源于某城区内学校、医院、旅游景区周边交通综合整治项目,涉及道路长度9.7 km,项目组应用了车载激光测量系统开展激光点云及影像数据的同步采集,设备如图3所示。系统由车载平台、坐标采集系统、POS系统、纹理影像数据采集系统、供电系统、控制系统等组成［7］。

图3 车载激光测量系统

数据采集完成后,首先采用车载设备的对应随机软件进行点云数据处理,区域点云如图4所示。然后应用上述相关算法对结构化道路要素、杆状物以及路面要素进行了数据采集。图5显示的是采集结果的相关要素(杆状物、路面线状要素以及结构要素等)与实测点云进行叠加展示的情况,可以看出,相关要素的提取准确性较高,基本符合实际情况。

图4 区域点云数据展示

图5 部分区域道路要素提取叠加展示

另外,为评价相关道路要素矢量点线的准确度,在采集区域内采用常规测量手段进行了204个检查点的采集,并对检查点到相应道路要素的平面距离进行了统计,如图6所示。

图6 道路要素采集精度统计

同时,还对相应要素(道路边线、道路标线及杆状物)最大平面距离进行了统计(表1),综合图6和表1的统计情况可以看出,应用车载LiDAR获取的点云数据进行道路要素提取,其结果具有较高的精度。

表1 道路要素最大平面距离统计

4 结束语

本文以某城区周边交通综合整治项目为实例,针对结构化道路要素、路面要素以及杆状物分别采用了不同的点云提取分类算法进行数据处理应用试验。结果表明,以车载LiDAR点云数据为主要数据源,综合应用多尺度聚类、特征约束、语义分割、样本训练等多种类型的方法提取主要道路要素具有较高的实用性及准确性,提取精度可达厘米级,为后续道路要素数据库的形成乃至高精度道路矢量地图的构建提供了重要的数据基础及方法依据。

但在实际应用过程中仍然存在一些问题,主要有：①杆状物的提取情况仍然存在由于杆状顶部结构过大而导致的杆状地物信息提取不完整的情况;②结构化道路要素存在结构线不够完整,需要更多人工干预进行连接的情况;③道路路面要素的提取基本较为完整,但对于道路路面边缘上的窨井以及雨水箅的识别仍然会有丢漏情况。上述问题在今后的应用过程中还有待进一步解决。