车载激光彩色点云的道路标志线提取方法

高　阳，王留召，李　明

(1. 三维信息获取与应用教育部重点实验室，北京 100048； 2. 资源环境与地理信息系统北京市重点实验室，北京 100048； 3. 首都师范大学资源环境与旅游学院，北京 100048； 4. 北京四维远见信息技术有限公司，北京 100070； 5. 中国测绘科学研究院，北京 100830； 6. 国家基础地理信息中心，北京 100830)



车载激光彩色点云的道路标志线提取方法

高阳1，2，3，4，王留召4,5，李明6

(1. 三维信息获取与应用教育部重点实验室，北京 100048； 2. 资源环境与地理信息系统北京市重点实验室，北京 100048； 3. 首都师范大学资源环境与旅游学院，北京 100048； 4. 北京四维远见信息技术有限公司，北京 100070； 5. 中国测绘科学研究院，北京 100830； 6. 国家基础地理信息中心，北京 100830)

Study on the Extraction Methods of Road Signs Based on Vehicular Color Laser Point Cloud

GAO Yang，WANG Liuzhao，LI Ming

摘要：以车载激光扫描点云数据为研究对象，提取了车载激光扫描系统获取的路面道路标志信息；利用点云数据的坐标、RGB、强度等属性信息，提出了一种适用于城区街道道路标志线的自动提取方法流程；提出了点云高差法、灰度差值法、强度差值法和动态网格密度法配合使用解决问题，实现了目标物的提取。通过SSW激光建模测量车扫描的多个路段的点云数据试验，道路标志线点云的提取成功率达到90%以上，达到了算法的预期目标，具有较高的实际应用价值。

关键词：车载LiDAR；点云数据；地面标志物自动提取;灰度差值；扫描强度

在智慧城市的建设中，道路信息的获取占据重要地位，同时也是基础地理信息的组成部分，准确丰富的道路信息对于城市规划及交通管理等具有十分重要的作用，同时，清晰的路面标志物也可以大大方便人们的生活[1-4]。对于道路信息和建筑物屋顶的提取，机载激光扫描数据的处理技术已经比较成熟[5-8]，但是对于路面标志线信息的提取，由于精度、纹理提取困难等问题，不能解决道路路面标志物提取的问题。以车辆为载体，配备激光扫描仪、IMU、GPS、里程计、面阵相机、电动转台及供电和控制系统的车载移动激光扫描建模测量系统成为智慧城市建设基础数据采集的重要手段，在极大程度上弥补了机载测量的不足。因此，研究车载激光点云数据的道路标志线信息提取方法对于智慧城市的推广和发展具有重要的理论价值和实际意义，也为以后的三维城市建模导航打下一定的基础。

近年来，在车载激光扫描数据处理方面，针对点云分类[9-12]、道路信息提取[13-15]及建筑物立面信息提取[16-18]等技术的研究较多，但对于道路路面标志物提取的研究却较少。方莉娜等[19]通过归纳3种路坎类型，并用高程、点密度和坡度3个指标构建路坎模型，分析扫描线上激光点云的空间分布和统计特征提取道路信息。Aleksey B等[20]通过近似的地图道路网络形式给出二维交叉连接图，在既定的路线上逐步生长产生路线图，实现道路信息的大规模提取。Hernandez J等[21]使用较平坦地面算法和相邻区域高度差值来确定相应的路面边界。但以上文献都因算法对象和精度问题，未能进行针对路面标志线的提取。杨必胜等[22]利用点云坐标特征筛选点云，再利用激光扫描强度来区分目标点和其他点，提取道路标志。黄磊等[23]在分析强度与距离、角度的关系后，通过观测数据结算进行修正，并将其划分为16个等级，通过不同强度级的限定，得到对应的不同地物目标。但是由于激光扫描的强度值与环境、光线、距离等有较大关联，这种绝对限定的方法具有一定的局限性。

针对以上存在的问题，本文通过车载激光点云扫描数据的属性信息，针对城市道路标志线的特殊性信息，提出一种广泛适用的提取城市道路标志线的方法，利用多种计算方法组合，层层筛选，准确高效地提取目标地物，弥补了以上方法的不足。

一、道路标志线的自动提取方法

本文针对道路标志线的自动提取问题提出了道路标志线提取的基本原理和技术路线，图1为初步处理后的激光点云数据。首先利用移动窗口法，找出路面边界；然后依次通过对点云高差、相邻点云灰度差值、动态网格点云密度、激光扫描强度值和强度差值的一系列的层层筛选，基本完成对目标点云的提取；最后根据局部点云之间的距离实行聚类归纳，将各个目标分为独立的个体实例并计算相应数据信息(如个体中心点坐标、最大最小X、Y坐标等如图2所示)，根据相应的数据信息判断剔除杂点，得到清晰准确的路面标志线点云。

图1　路面标志线提取方法流程

图2　坐标示意图

激光点云数据具有极大的数据量和部分噪点，需要在进行计算提取之前，对点云数据作初步处理。依据扫描线轨迹和点与局部点云拟合平面的距离差判定，对测量过程中的误差噪点进行初步消除，并对剩余点云进行智能抽稀，减少计算量，为下一步的算法计算提供更加精炼的数据。

1. 基于点云高差法提取路面信息

激光扫描数据中每个点都具有各自的整体坐标，由于路面标志线都在道路表面，整体坐标基本近于路面。因此，首先进行点云高差运算，并通过限制Z坐标的范围来确定水平高度，去除多余点，得到路面的点云信息。

点云高差法即利用中心点与周围点Z坐标值之间的差值，提取平整的路面信息，从而初步判断该点是否符合要求。

点云依照激光扫描线排序，单条扫描线近似于直线，多条扫描线组合起来其排列方式近似于方阵排列，因此本文以方阵表示点云分布。由于目标点云的不同，采用的点云方阵大小也不相同，如图3—5所示，3×3、5×5、7×7，经过多次试验调试，确定提取路面标志线使用5×5的点云方阵效果最佳，适宜计算(以后的相邻点算法皆采取5×5的点云方阵计算)。利用点云的垂直坐标(Z)参与式(1)的计算，其中，5×5方阵点云的坐标分别标注为Z0、Z1、Z2、Z3、…、Z24，ZZ为中心点(A0)与周围各点Z方向的差值(ΔZi)的绝对值总和，ZZ的值大体说明该中心点与周围点拟合近似平面的距离差，通过限定ZZ的阈值的最大值就可实现提取平面的目标，再配合移动窗口法[19]，即可初步提取路面信息。

图3　点云3×3方阵

图4　点云5×5方阵

图5　点云7×7方阵

(1)

2. 基于灰度差值法提取不同地物边缘信息

使用黑色调表示物体即用黑色为基准色，不同的饱和度的黑色来显示图像。在激光扫描点云的属性信息中包含颜色信息(RGB)，利用不同物体的颜色信息来识别地物特征。虽然由于激光扫描时会受到各种干扰，导致RGB值与环境、距离等因素有关，不同的地域也会导致RGB值不同，不能直接单一利用灰度的数值进行判断，但是同时采集的激光扫描数据的相对灰度差值基本稳定，不同颜色的物体完全能够看出其灰度差异。因此，采用灰度差值法提取不同地物的边缘区域。

当颜色信息发生变化时灰度值(Gray=R×0.299+B×0.587+B×0.114)会有较大改变。采用区域均值比[24]构造差异图，通过阈值分割差异图确定变化类，利用单个像素的信息人工地给出决策阈值。在点云数据中，借鉴以上方法，在5×5方阵点云中进行局部计算，算出中心点与周围点的灰度差ΔG，并将差值的绝对值求和(Gray)，根据不同数据限定阈值范围(如式(2)所示)，便于求出不同地物的边缘线，减少大量不相关点，从而为下一步的工作提供更加准确精炼的数据。

(2)

3. 基于扫描强度值与强度差值提取道路标志线信息

激光扫描仪得到的关于扫描强度的记录中，一个扫描点对应一个强度值，无法直观地确定这个点实际所处位置、对应物体类型，也就无法判断整个目标物对激光的反射能力。激光扫描仪的距离和角度足以获取物体位置、轮廓等信息，但并不能反映出不同物体反射激光强度值之间的差别，如图6所示。

如图7所示，在距离扫描仪较近的点(约5 m内)，强度值普遍偏大，道路标志线的反射强度一般在1700(不同扫描仪的扫描结果和计算方式不同，数值仅代表相对区别)以上，而普通路面的反射强度则很少能够达到。因此，目标地物(道路标志线)相对容易区分；当在5 m以外的时候，差别就小了很多，很难用数值的范围阈值直接找到目标，但如果采用临近点强度差值的判断方法提取，效果颇为显著。

图6　点云强度渲染图

图7　扫描强度示意图

强度差值法与上述两种方法相似，取5×5点云方阵中个点的强度值进行计算，如式(3)所示，II为周围24个点与中心点强度的差值的绝对值之和，经过调试，确定在10～325之间较为合适，能够较清晰地提取出道路标志线的轮廓。

(3)

4. 基于动态网格密度法去除杂点干扰

当完成以上步骤时，基本已经能够看出目标点云(道路标志线)的清晰轮廓了，不过周围还有一些零星杂点干扰，不利于后面的各项工作，因此，采取动态网格密度法将其去除。

动态网格密度法如图8所示，以一个点为中心，以X、Y坐标方向为平面画出长宽为0.4 m的方框，计算位于方框内的点的个数(由于经过之前的几种方法，点云基本处于一个近似的平面中，在Z方向上的差别很小，不会影响计算结果)，以便确定方框内的点云稀疏程度，判断该中心点是否属于杂点，是否应该删除该点，而后再换其他点做重复性工作；逐点遍历计算，最终得到准确精练的点云数据。由于之前经过各个步骤的筛选，点云数量已经不大，因此，逐点计算不会有太大的工作量。

图8　动态网格密度法

二、试验及分析

1. 试验数据

本文采用四维远见公司的SSW激光建模测量车采集的实际数据，如图9所示，数据的扫描范围大致为2000×300 m，数据点数约有2000万。扫描数据中包含道路、树木、护栏、建筑物等，路面为城市路面，较为平坦且地面标志线明显。

图9　原始点云数据

2. 试验结果

如图10所示，原始点云经过算法流程提取并矢量化可以看出基本完成了道路标志线的提取工作，这说明点云高差法、灰度差值法、强度差值和动态网格密度法配合使用，对于提取道路标志线有比较明显的作用，能够清晰的提取目标，达到预期目的。

图10　点云矢量化结果

试验结果表明，点云高差法、灰度差值法、强度差值和动态网格密度法配合使用，对于提取道路标志线有比较明显的作用，能够清晰的提取目标，达到预期目标。

3. 试验结果分析

经过以上方法的处理，得到提取后的目标点云(道路标志线)，去除了大量杂点，道路标志线的轮廓清晰明了，实现了道路标志线的自动提取，为后面的工作提供了准确简洁的基础数据，大大简化了三维建模等后续工作。

为了评定信息提取的精度，在3个文件(600 m路段)中各选定两个地物(分道线和指示标)进行了以下指标的评定。

(1) 准确度(correctness)

式中，X为目标中心点X坐标；Y为目标中心点Y坐标。

ΔX=X目标中心点坐标-X提取结果对应目标中心点坐标

ΔY=Y目标中心点坐标-Y提取结果对应目标中心点坐标

(2) 完整度(completeness)

r = S提取结果面积/S完整数据面积

S提取结果面积=(XMAX-XMIN)×(YMAX-YMIN)

式中，XMAX、XMIN为聚类后个体实例的最大最小X坐标；YMAX、YMIN为聚类后个体实例的最大最小Y坐标。

S完整数据面积=点云实际测量面积

(3) 处理时间(time)

具体结果见表1。

表1　数据提取结果精度评价

通过表1可以看出，在3个测试数据中(p,r)两个指标均超过90%，提取时间平均为每个数据22.3 s，说明目标准确提取，并且工作效率较高。

三、结束语

本文以车载激光扫描点云数据为研究对象，利用点云数据的坐标、RGB、强度等属性信息，提出了一种适用于街道道路标志线的自动提取方法流程，并对其中的关键算法作了详细的论述；提出了利用灰度差值法、强度差值法和动态网格密度法配合使用提取道路标志线信息，较之现有的道路标志线提取方法更能高效地提取准确完整的道路标志线信息。试验结果表明，该方法提取结果的准确率和完整率均达到了90%以上，达到了算法的预期目标，为下一步的建模工作打下了良好的基础，在一定程度上推动了数字城市建设的脚步。

参考文献：

[1]ZHOU J,CHENG L,BISCHOF W F. Online Learning with Novelty Detection in Human-guided Road Tracking[J].IEEE Transactions on Geoscience and Remote Sensing,2007,45:3967-3977.

[2]BARSI A,HEIPEK C. Artificial Neural Networks for the Detection of Road Junctions in Aerial Images[J].International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences,2003,34:17-19.

[3]ZHANG C,BALTSAVIAS E,GRUEN A. Knowledge-Based Image Analysis for 3D Road Construction[J].Asian Journal of Geoinformatics,2001,1(4):3-14.

[4]BRAZOHAR M,COOPER D B, Automatic Finding of Main Road in Aerial Image by Using Geometric-Stochastic Models and Estimation[J].IEEE Transaction on Pattern Analysis and Machine Intelligence,1996(18):707-721.

[5]SITHOLE G, VOSSELMAN G. Experimental Comparison of Filter Algorithms for Bare-earth Extraction from Airborne Laser Scanning Point Clouds[J].ISPRS Journal of Photogrammetry and Remote Sensing,2004,59(1-2):85-101.

[6]黄先锋,李卉,王潇,等.机载LiDAR数据滤波方法评述[J].测绘学报, 2009,38(5):466-469.

[7]隋立春，张熠斌，柳艳，等．基于改进的数学形态学算法的LiDAR点云数据滤波[J].测绘学报,2010,39(4):390-396.

[8]程亮，龚健雅.LiDAR辅助下利用超高分辨率影像提取建筑物轮廓方法[J].测绘学报, 2008,37(3):391-394.

[9]ZHAO H,SHIBASAKI R. Reconstructing Textured CAD Model of Urban Environment Using Vehicle-borne Laser Range Scanners and Line Cameras[C]∥Lecture Notes In Computer Science International Workshop on Computer Vision Systems Proceeding. New York：Springer Berlin Heidelberg, 2001:284-297.

[10]MANANDHAR D,SHIBASAKI R. Auto-extraction of Urban Features from Vehicle-borne Laser Data[C]∥International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences. Ottawa:[s.n],2002.

[11]史文中，李必军，李清泉．基于投影点密度的车载激光扫描距离图像分割方法[J].测绘学报, 2005,34(2):95-100.

[12]杨必胜，魏征，李清泉，等. 面向车载激光扫描点云快速分类的点云特征图像生成方法[J]. 测绘学报,2010,39(5):540-545.

[13]MANANDHAR D,SHIBASAK R. Auto-extraction of Urban Features from Vehicle-borne Laser Data[C]∥Symposium on Geospatial Theory, Processing and Applications. Ottawa:[s.n],2002.

[14]ABUHADROUS I,AMMOUN S,NASHASHIBI F, et al. Digitizing and 3D Modeling of Urban Environments and Roads Using Vehicle-borne Scanner System[C]∥International Conference on Intelligent Robots and System. Sendai:[s.n],2004.

[15]JAKKOLA A,HYYPPA J,HYYPPA H, et al. Retrieval Algorithms for Road Surface Modeling Using Laser-based Mobile Mapping[J]. Sensors,2008,8:5238-5249.

[16]BECKER S,HAALA N. Combined Feature Extraction for Facade Reconstruction [C]∥Proceedings of the ISPRS Workshop ‘Laser Scanning 2007 and SilviLaser 2007’.Finland:[s.n],2007:44-49.

[17]PU S,VOSELMAN G. Extracting Windows from Terrestrial Laser Scanning[C]∥ISPRS Workshop on Laser Scanning 2007 and SilvilLaser 2007.Espoo:[s.n],2007:320-325.

[18]ZHAO Huijing, SHIBASAKI R. A Vehicle-borne Urban 3-D Acquisition System Using Single-row Laser Range Scanners[J]. IEEE Transactions on Systems Man and Cybernetics Part B， 2003,33(4):658-666.

[19]方莉娜，杨必胜. 车载激光扫描数据的结构化道路自动提取方法[J].测绘学报,2013,42(2):260-267.

[20]ALEKSEY B, THOMAS F. Extracting Roads from Dense Point Clouds in Large Scale Urban Environment[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2011,66(6):S2-S22.

[21]HERNANDEZ J, MARCOTEGUI B. Filtering of Artifacts and Pavement Segmentation from Mobile LiDAR Data[C]∥ISPRS Workshop Laser Scanning 2009. Paris:[s.n.],2009.

[22]YANG Bisheng, FANG Lina, LI Qingquan, et al. Automated Extraction of Road Markings from Mobile Lidar Point Clouds[J].Photogrammetric Engineering and Remote Sensing,2012,78(4):331-338.

[23]黄磊，卢秀山，梁勇.基于激光扫描回光强度的建筑物立面信息提取与分类[J].武汉大学学报(信息科学版)，2009,34(2):195-198.

[24]WU F,WANG C, ZHANG H, et al. Change Detection and Analysis with Radarsat-1 SAR Image[C]∥Proceedings of IEEE International Geoscience and Remote Sensing Symposium, IGARSS’07. Barcelona: IEEE Computer Socciety,2007:2601-2604.

中图分类号：P234

文献标识码：B

文章编号：0494-0911(2016)04-0028-05

通信作者：王留召

作者简介：高阳(1989—)，男，博士生，主要研究方向为三维信息获取与应用。E-mail：gaoyang198923@163.com

基金项目：国家科技支撑计划(2012BAH34B00)；国家自然科学基金(41371434；41261086)

收稿日期：2015-04-21

引文格式： 高阳，王留召，李明. 车载激光彩色点云的道路标志线提取方法[J].测绘通报，2016(4)：28-32.DOI:10.13474/j.cnki.11-2246.2016.0115.