顾及邻域局部特征的车载点云城市道路提取

罗俊,张春亢,罗启雄

贵州大学矿业学院,贵州贵阳550025

基金项目：国家自然科学基金(41701464);中国科学院战略性先导科技专项子课题(XDA2806020101);贵州大学培育项目(贵大培育[2019]26号)

关键词：车载点云,道路提取,平均曲率,切平面夹角,区域生长

引文格式：罗俊,张春亢,罗启雄.顾及邻域局部特征的车载点云城市道路提取[J].测绘通报,2024(9):62-66,73.doi:10.13474/

摘要

摘要：本文针对区域生长算法导致城市道路提取过程中点云的过分割问题,结合点云空间邻域特征信息,提出了一种用于提取地面点云的改进区域生长算法。首先进行数据预处理,去除远离城市环境的离群点;其次建立二维空间虚拟格网,合理利用点云的空间局部性、减少运算规模;然后采用平均曲率约束和拟合平面夹角约束聚类提取出城市道路点云;最后利用两段城市道路点云进行试验,与现有的区域生长算法进行对比分析。试验结果表明,本文方法能够很好地兼顾提取完整度与准确度,在复杂城市道路点云提取和城市道路建模中具有实用性。

正文

随着城市的快速发展，道路作为城市规划中不可或缺的部分，如何准确高效地提取道路变得尤为重要[1]。目前，车载激光扫描系统作为一种新型的测绘手段，依靠车辆作为载体，能够快速获取道路及附属设施的多维信息。车载激光扫描系统不仅能获取物体表面的三维信息，还可获取颜色、纹理等属性特征，逐渐成为城市规划中必不可少的测绘方式之一[2]。

目前，国内外学者针对车载点云的道路提取研究主要可以分为基于二维图像的道路提取方法[3-5]、基于特征聚类的道路提取方法[6-9]和基于扫描线的道路提取方法[10-13]。基于二维图像的道路提取方法缺点在于将三维点云进行二维投影压缩时，会丧失原本点云的精确度。基于特征聚类的道路提取方法缺点为提取出的道路点云数据存在面状噪音，后期去噪比较困难。基于扫描线的道路提取方法由于需要拟合划分扫描线，虽然提取精度较高，但方法的通用性较差。

区域生长算法作为特征聚类算法的基础方法之一，关键步骤包括初始种子点的选取、聚类条件的选择和新种子点的叠加。选取不同的聚类条件和叠加方式会产生不同的聚类结果，容易导致点云的过分割与欠分割。结合道路点云空间分布特征，本文提出一种依据平均曲率约束和角度约束的区域生长算法，实现对城市中道路点云的高效提取。

1道路点云提取方法1.1点云数据预处理

车载激光扫描系统对城市环境进行扫描点云数据时，由于其扫描方式的独特形式，导致原始车载激光点云数据具有密度高、分布不均匀等特征，因此需要对车载点云进行针对性的预处理。

车载点云中，道路两侧不仅包括大量非地面点云数据，还包括大量噪音点，利用半径滤波去除远离道路的稀疏点，并采用统计滤波减少道路旁的离散点云，以便于提高后期点云处理的效率。

1.2非地面点去除

由于预处理后的点云存在大量非地面点，采用构建虚拟二维格网的方法去除非地面点云，如图1所示。

图1虚拟格网化

图选项

(1)将预处理后的点云投影至二维平面xoy，获取点云平面坐标最值xmin、xmax、ymin、ymax，点云行列数计算公式为

(1)

式中，ceil()为向上取整符号；GL为格网步长；row、col分别为行数、列数。

(2)遍历点云数据，记录划分的格网中点云高程最小值h(row，col)min，并利用点云平面坐标最小值xmin、ymin和式(2)将点云存放于虚拟格网中

(2)

式中，int()表示取整符号；Gr、Gc表示格网的行号与列号；xi、yi表示任意点的坐标值。

(3)设置高程阈值Δh，若虚拟格网中点云满足式(3)，则将大于高程阈值则分类为非地面点，小于高程阈值则分类为近地面点，去除点云数据中的非地面点，保留近地面点。

(3)

通过划分虚拟格网和设置高程阈值对预处理点云进行近地面点获取，过滤高于地面点云的绝大部分非地面点，主要包括汽车、建筑物、行人、树木等。

1.3平均曲率估计

曲率作为描述三维空间曲面的重要特征之一，在点云特征提取中起着非常重要的作用。点云初始特征主要包括坐标信息，如果单点不与邻域点的相对位置进行估算，则无法描绘单点的特征信息。因此，平均曲率特征可以用于筛选对应点并获取目标点集。

点云数据集P={p1，p2，…，pn}中任意一点pi包含无数个法向曲率。其中存在最大值与最小值，称为pi点的主曲率k1、k2，利用主曲率可估算出点的平均曲率为

(4)

点的平均曲率描述该点局部表面的弯曲程度，平均曲率值越大，表明该点局部邻域曲面起伏越大。

目前对点云的曲率估算常用方法为二次曲面拟合方法，由于点云存在无序性特征，通过对点pi的邻域搜索可以获得二次曲面S(u，v)=(u，v，h(u，v))，二次曲面的实际表达式为

(5)

为了获得二次曲面的第一基本量和第二基本量，对曲面S在点pi处求一阶偏导数和二阶偏导数，得到

(6)

(7)

通过式(6)和式(7)可将平均曲率表示为

(8)

1.4切平面角度约束原理

目前，关于区域生长算法的聚类方式通常根据高程h、水平角θh、法向量之间的夹角θn作为向外扩张的增长条件，原理如图2所示。其中，p0表示种子点，pn表示邻近点。高程和水平角都是将道路视为平面，但生活中为保障汽车行驶安全，道路建设应使道路中心高于道路边缘和存在一定的坡度，因此采用高程或水平角作为扩张条件不能有效地提取道路点云。法向量夹角作为扩张条件时，种子点和邻近点都依赖于搜索半径的选择，当道路与植被相连时，可能存在植被点云的法向量与道路法向量夹角小于约束值的情况。

图2区域生长条件

图选项

点云空间中，任意点pi与邻近点拟合生成切平面，而切平面与邻近点不位于同一面上，因此采用种子点的切平面与近邻点的夹角(θt)为同类点的相似度判断标准。判断原理如图3所示。

图3角度约束原理

图选项

城市环境中，道路高程变化不大或道路存在一定稳定的坡度时，θt的值近似等于0，当道路存在凹陷或凸出时，可以通过对θt设置阈值将道路提取出来。因此，结合道路上的θt角度变化范围较小，从而更容易区分地面点云。

1.5改进的区域生长算法

区域生长算法运行过程中，一旦确立初始种子点，初始种子点的邻近点会被考虑为是否与初始种子点同属于一类地物，确定同一类点的原则是空间特征或几何属性的相似度。因此，初始种子点的选取和相似性度量方式的选择直接影响道路提取过程中的准确性。

城市道路环境中，如果采用曲率作为约束条件设置种子点，与地面点云的曲率相比，建筑物、人行道、路牌等物体表面更光滑，曲率更小。因此，除了采取点云的曲率作为初始约束条件，还增加高程作为第二约束条件。近地面点云首先根据曲率进行升序排列，再对具有相同曲率的点云进行高程排序，选取曲率最小、高程最低的平滑点作为种子点。选取公式为

(9)

式中，Kp0表示初始种子点的曲率；Ki表示包含曲率最小的点集；Hp0表示初始种子点的高程；Hj表示曲率相同的高程点集。

初始种子点选取完成后，以初始种子点作为中心，利用KNN算法搜索出种子点的邻近点，依靠式(10)计算出邻近点与种子点的切平面的θt值[14]，设置角度阈值θβ，若θtθβ时，判定邻近点与种子点具有相同的空间属性，并将两点统一归类于地面点。θt的公式为

(10)

式中，A、B、C为种子点的法向量；(xs，ys，zs)为种子点的三维坐标；(xi，yi，zi)为种子点的邻近点的三维坐标。

若种子点和邻近点满足θtθβ，则判断邻近点的平均曲率是否满足KpiKω(Kω为平均曲率阈值)，如果满足平均曲率约束阈值，将邻近点加入种子点队列，直至种子点队列为空时结束区域生长，并输出地面点云。

2试验分析2.1试验数据

试验数据为IQmulusTerraMobilitaContest提供的开源数据集[15]，该数据集收集于巴黎(法国)密集城市环境，作为城市结构化道路环境的典型代表，点云数据实体主要包括行人、车辆、建筑物立面、道路等，选取其中两段城市道路点云。其中，路段1包含12128400个点，路段2包含13776061个点，原始点云按高程渲染结果如图4和图5所示。

图4路段1

图选项

图5路段2

图选项

2.2试验结果与分析

对点云数据的操作主要利用VS2019平台搭载PCL环境，采用C++语言处理。首先，利用半径滤波和统计滤波依次对原始点云数据进行处理。滤波后的车载LiDAR点云去除大量的非必要点和离群点，剩余的点云数据主要包括道路，道路旁的人行道、建筑物、车辆等。然后，将预处理后的点云划分规则格网，将分块点云中远离地面点的点云数据过滤，去除非地面点云对道路点云的干扰，获取近地面点云，路段1和路段2过滤结果如图6和图7所示。因为设置的格网步长较小，路段1和路段2中存在树木的离散点云处仍存在大量树木点云，但细小格网能大量去除建筑物和车辆等地物中大部分点云，因此使用细格网去除非地面点。

图6路段1近地面点云

图选项

图7路段2近地面点云

图选项

利用近地面点云对本文提出的改进区域生长算法进行验证，与利用高程阈值[10]、水平角夹角阈值[16]、法向量夹角阈值[17]等方法对道路点云提取进行对比试验。本文主要算法参数设置见表1。

本文采用准确性P、完整性R、综合性评价指标F作为评估道路点云提取精度指标。由于此数据集中没有对实际的路面点云分类标签，为了准确分析试验结果，采用人工的方式从路段1、路段2中选出地面点云，结合试验对其中非路面点和路面点进行分类，最后利用上述3个指标对试验结果进行分析。公式可表示为

(11)

式中，TP表示正确提取出的路面点云数量；FP表示未能提取的路面点云数量；FN表示错误提取的道路点云数量。

采用基于高程约束的区域生长、基于水平角约束的区域生长、基于法向量夹角的区域生长进行对比，参数设置见表2。为验证本文算法的适用性，选取路段中“十”字形道路路口和直线段点云，结果如图8和图9所示(缺口为车辆或行人遮挡导致)。城市中，为了方便行人行走，路口处和路段中存在缓坡，采取曲率阈值作为选取新种子点增长条件无法去除人行道点云，而基于平均曲率作为种子点增长条件对道路与人行横道处点云能做到较好的分离。

图8

城市路口处点云提取结果

图选项

图9城市直线段处点云提取结果

图选项

由表3可知，对于周边环境复杂、道路遮挡的城市点云，本文提出的区域生长算法提取表现出高效性和完整性，但面对由局部区域导致的错误提取仍无法有效避免，本文算法降低了提取错误率。因此，本文提出的区域生长算法在面对复杂城市道路环境中表现出优越的提取质量，适用于结构化城市道路环境的路面提取，并且不受城市道路弯曲及形状等因素的影响。

3结论

处理区域生长算法导致的车载激光点云过分割问题中，运用两种约束条件从滤波后的点云获取初始地面点，依据初始地面点与邻域点的相似属性，利用平均曲率和地面点云的空间邻域信息迭代高效准确地提取路面点云数据，验证该方法的可行性。结论如下:

(1)面对车载激光扫描系统获取点云数据时，由于行人和车辆等在数据采集过程中对点云的遮挡，使用本文提出的算法能获取准确的地面点云，不受点云遮挡的影响。

(2)面向城市道路环境中路缘石约束条件，本文算法模型对城市结构化道路的路面点云进一步提取结果表现出极高的质量，适用于城市场景地形的变化。提取出的路面点云包括点云的强反射度属性，下一步的研究包括对地面标线的提取。

作者简介：罗俊(1998—),男,硕士生,主要研究方向为车载点云数据处理。

E-mail:1092247102@

通信作者：张春亢。E-mail:chkang_chd@163.com

初审：杨瑞芳

复审：宋启凡

终审：金君

资讯