OSM辅助的车载激光点云道路三维矢量边界提取

合集下载

融合OSM和车载激光扫描数据的建筑物三维快速提取

DOI: 10.12677/gst.2018.64044 364 测绘科学技术
石蒙蒙等
有效避免文献[7]中存在的问题，但是该算法仅在较为规则的建筑物立面提取上结果有效。文献[10]通过法向量和距离约束对点云进行分割，然后利用建筑物立面的几何先验知识进行特征提取，建筑立面的提取效果取决于分割效果的好坏，分割效果需要反复尝试才能确定最优的分割参数。文献[11] [12]首先利用 “维数特征”方法确定每个扫描点的最佳邻域，进而计算得到每个扫描点精确的局部几何特征(法向量、主方向、维数特征)，然后基于“维数特征”对扫描点进行粗分类，并设置相应的生长准则对不同类别的扫描数据分别进行分割，最后实现了对建筑物立面区域进行精确提取，并且可提取较复杂的建筑物立面，但是计算量较大。综上，目前直接对车载点云建筑物提取方法存在的主要问题是：1)地物遮挡及先验知识不足导致的错分漏提；2)大数据量特征计算和聚类的计算导致计算复杂度高、耗时长。随着传感器、物联网与云计算的快速发展，志愿者地理信息(Volunteered Geographic Information, VGI)，又称众源地理数据，不断兴起，其中影响力较大的主要有 Open Street Map (OSM)，Waze，Wikimapia， Google Map Maker，Foursquare，以及国内的新浪微博、大众点评等社交与生活服务类网站[13]。与传统地理信息采集和更新方式相比，众源地理空间数据内容丰富，可表达元素拓扑关系，更新速度快，具有丰富的属性和语义信息，成本低廉、可免费获取和使用，成为近年来国际地理信息科学领域的研究热点。虽然目前常见的 VGI 数据缺乏三维信息，并不能全面表达地物信息，但建筑物目标在 OSM 数据中，具有明确的位置和完整的轮廓范围，MLS 数据也具有相应的位置信息，理论上可与其建立起对应关系。因此融合 OSM 数据和 LiDAR 点云数据进行建筑物目标的提取，可以实现优势互补，建立位置精准、关系正确、几何细节和属性信息丰富，方便快速更新的城市三维模型，为后续应用提供数据支撑。因此本文提出融合这两种数据的建筑物提取方法，流程如下图 1 所示。

移动车载激光点云的道路标线自动识别与提取

（ｉｎＩｆｒｔｎＴｃｎｑｅｎｔｕｅｏｕｖｙｎｎａｐｎ，ｉｎ７０５，ｈｎ）ＸｎｏｍａｉｅｈｉｕｓｔｔｆｒｅｉｇａｄＭｐｉｇＸ１０４ＣｉａａｏＩｉＳａ
Ａｂｓｒｃｔａｔ：ＴｈｅｅｒｈｆｃｅｎＬｉｅｒｓａｃｏｕｓｓｏＤＡＲｏｎｌｕｆｒａｕｒａｅａｑｉｅｒｍｅｃｅ— ｂｒｅｍｏｌｐｉｇｓｓｅ — Ｌｎｄｐｉｔｃｏｄｓｏｏｄｓｆｃｃｕｒｄｆｏｖｈｉｌｏｎｂｉｅｍａｐｎｙｔｍａ —
邹晓亮，缪剑，郭锐增，李星全，赵桂华
（西安测绘总站，陕西两安７０５）１０４
摘
要：移动车载激光测量ＬｎＭｒ对ａｄａｋ系统获取的路面激光点云数据进行研究，结合激光点云的回波反射率、扫
描角，以及量测距离等特征信息与道路标线的属性信息，出了一种基于车载激光点云的道路标线自动识别与提
Ｍａｋｒ．Ａｎａｔｍａｉｏｄｍａｋｎｅｅｔｎａｄｅｔｃｉｎｍｅｈｄｉｐｏｏｅ．ＣｍｂｎｎｉｕｏｔｒａｒｉｇｄｔｃｉｎｘｒｔｔｏｓｒｐｓｄｃｏａｏｏｉｉｇＬＤＡＲｆａｕｅｆｅｒ，ａｇｅａｄｄｓａｃｔｒｓｏｔｅｒｏｎｌｎｉｔｎｅ
提取算法。从点云中提取道路标线，采用最小二乘线性最优拟合算法对提取的标线点云进行拟合，生成道路标线的ＣＤ轮廓线，Ａ实现道路标线的自动化识别。以移动车载ＬｎＭａａｄｒｋ系统的Ｓｃｉｋ激光扫描仪获取的路面激光

车载激光点云道路标线提取方法

关键词：车载激光点云；强度特征图像；边缘检测；高斯混合模型；道路标线提取ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１０００—３１７７．２Ｏ１８．Ｏ１＿Ｏ０１中图分类号：Ｐ２３２文献标志码：Ａ文章编号：１０００—３１７７（２０１８）Ｉ５５－０００１—０６
息快速获取的需求。从影像或视频中自动提取道路标线是一种更高效的方式［１－３］，但影像和视频容易受到光照条件的影响，增加道路标线提取的难度。车载激光扫描作为重要的三维空间数据获取技术，能够快速获取道路及周边地物的高精度的三维激光点云［４－５］，是道路标线信息快速获取的重要方式。根据点云强度信息能够有效地从车载激光点云中提取道路标线，但由于车载激光点云的强度受扫描距离与扫描入射角等因素的影响，不同位置的道路标线的强度信息存在差异，导致通过点
ＲｏａｄＭａｒｋｉｎｇＥｘｔｒａｃｔｉｏｎｆｒｏｍＭｏｂｉｌｅＬｉＤＡＲＤａｔａ
ＹＡＮＬｉ，ＬＩＺａｎ
（ＳｃｈｏｏｌｏｆＧｅｏｄｅｓｙａｎｄＧｅｏｍａｔｉｃｓ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙ，Ｗｕｈａｎ４３００７９，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：ＤｕｅｔＯｔｈｅｉｎｆｌｕｅｎｃｅｏｆｔｈｅｓｃａｎｎｉｎｇｒａｎｇｅａｎｄｔｈｅｉｎｃｉｄｅｎｔａｎｇｌｅ，ｔｈｅｉｎｔｅｎｓｉｔｙｉｎｆｏｒｍａｔｉｏｎｏｆｒｏａｄｍａｒｋｉｎｇｉｎｍｏｂｉｌｅＬｉＤＡＲｄａｔａｃｈａｎｇｅｓｖａｒｉｏｕｓｌｙ，ｉｎｃｒｅａｓｉｎｇｔｈｅｄｉｆｆｉｃｕｌｔｙｏｆｒｏａｄｍａｒｋｉｎｇｅｘｔｒａｃｔｉｏｎｂｙｉｎｔｅｎｓｉｔｙｉｎｆｏｒｍａｔｉｏｎ．ＴｈｉｓａｒｔｉｃｌｅｐｒｅｓｅｎｔｓａｍｅｔｈｏｄｏｆｒｏａｄｍａｒｋｉｎｇｅｘｔｒａｃｔｉｏｎｆｒｏｍＭＬＳｂｙｄｅｔｅｃｔｉｎｇｅｄｇｅｏｎｔｈｅｉｎｔｅｎｓｉｔｙｆｅａｔｕｒｅｉｍａｇｅ．Ｆｉｒｓｔｌｙ，ｔｈｅｉｎｔｅｎｓｉｔｙｆｅａｔｕｒｅｉｍａｇｅｏｆｒｏａｄｉｓｇｅｎｅｒａｔｅｄａｎｄｔｈｅｉｍａｇｅｅｄｇｅｃａｎｂｅｄｅｔｅｃｔｅｄ，ａｎｄｗｉｔｈｔｈｅｃｏｎｎｅｃｔｅｄｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓａｓｗｅｌｌａｓｇｅｏｍｅｔｒｉｃｆｅａｔｕｒｅｓｏｆｒｏａｄｍａｒｋｉｎｇｓｗｅｃａｎｇａｉｎｔｈｅｒｏａｄｍａｒｋｉｎｇｓｅｄｇｅ．Ｓｅｃｏｎｄｌｙ，ｔｈｅｅｄｇｅｉｎｆｏｒｍａｔｉｏｎｉｓｕｓｅｄｔＯｅｘｔｒａｃｔｒｏａｄｍａｒｋｉｎｇｐｏｉｎｔｃｌｏｕｄｓｉｎｔｈｅｒｏａｄｓｕｒｆａｃｅｐｏｉｎｔｃｌｏｕｄｓａｎｄｔｈｅｇａｕｓｓｍｉｘｔｕｒｅｍｏｄｅｌｉｓｉｎｔｒｏｄｕｃｅｄｔＯｅｌｉｍｉｎａｔｅｒｏａｄｎｏｉｓｅｐｏｉｎｔｓ，ａｎｄｔｈｅｎｔｈｅｆｉｎａｌｒｏａｄｍａｒｋｉｎｇｐｏｉｎｔｃｌｏｕｄｓｃａｎｂｅｇｅｎｅｒａｔｅｄ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｉｓｐｒｏｐｏｓｅｄｍｅｔｈｏｄａｃｈｉｅｖｅｄ９３ｏｆｃｏｍｐｌｅｔｅｎｅｓｓｒａｔｅａｎｄ９７ｏｆｃｏｒｒｅｃｔｎｅｓｓｒａｔｅａｖｅｒａｇｅｌｙｗｉｔｈｔｈｒｅｅｓａｍｐｌｅｓ．

基于车载激光雷达的点云道路标线提取方法

doi:10.3969/j.issn.1003-3106.2023.05.030引用格式:康学亮,王晓川.基于车载激光雷达的点云道路标线提取方法[J].无线电工程,2023,53(5):1228-1234.[KANG Xueliang,WANG Xiaochuan.Road Marking Extraction from Point Cloud Based on Vehicular Lidar [J].Radio Engineering,2023,53(5):1228-1234.]基于车载激光雷达的点云道路标线提取方法康学亮1,王晓川2(1.河南物流职业学院信息工程学院,河南新乡450014;2.郑州大学物理学院,河南郑州450001)摘㊀要:车载激光雷达扫描技术对道路信息提取具有重要的现实作用,而道路标线作为道路的重要组成部分,是自动驾驶㊁全息城市建模不可或缺的信息之一㊂从车载扫描点云数据中自动㊁快速㊁准确地提取出道路标线是当前研究的一个难点,通过布料模拟算法从车载点云数据中提取出地面点云,将点云格网化,用反距离加权插值方法计算格网内点云强度值得到强度值矩阵,对该矩阵进行均值池化计算,设定阈值将矩阵二值化并反投影出标线点云,对标线点云进行高斯滤波得到精化的道路标线点云㊂实验表明,该算法提取的平均准确率为86.8%,平均完整率为91.3%,平均综合提取质量为88.8%,能够完整且准确地提取出标线点云㊂关键词:车载激光雷达;布料模拟算法;反距离加权插值;均值池化;高斯滤波中图分类号:TN958文献标志码:A开放科学(资源服务)标识码(OSID ):文章编号:1003-3106(2023)05-1228-07Road Marking Extraction from Point Cloud Based on Vehicular LidarKANG Xueliang 1,WANG Xiaochuan 2(1.School of Information Engineering ,Henan Logistics Vocational College ,Xinxiang 450014,China ;2.School of Physics ,Zhengzhou University ,Zhengzhou 450001,China )Abstract :Vehicular lidar scanning technology has an important practical effect on road information extraction,and road marking,as an important part of the road,is one of the indispensable information for autonomous driving and holographic city modeling.Automatically,quickly and accurately extract the road markings from the on-board scanning point cloud data is a difficult point in the current research,first the ground point cloud is extracted from the vehicle point cloud data through the cloth simulation algorithm,andthen the point cloud is performed to be grid,the inverse distance weighted interpolation method is used to calculate the intensity of thepoint cloud in the grid to achieve the intensity value matrix,the mean pooling calculation of the matrix is performed,the threshold is set to perform binarization of the matrix and the marking point cloud is performed back projection,and finally the marking point cloud is performed Gaussian filtering to obtain a refined road marking point cloud.The experiments show that the average accuracy of thealgorithm extraction is 86.8%,the average completeness rate is 91.3%,and the average comprehensive extraction quality is 88.8%,which can completely and accurately extract the marking point cloud.Keywords :vehicular lidar;cloth simulation algorithm;inverse distance weighted interpolation;mean-pooling;Gaussian filtering收稿日期:2022-12-23基金项目:国家自然科学基金(62072203)Foundation Item:National Natural Science Foundation of China(62072203)0㊀引言车载激光雷达扫描可以高效获取物体三维坐标和反射强度,近年来广泛应用于自动驾驶㊁全息城市建模等领域,为实时㊁丰富㊁准确的道路信息提取提供了新的方式㊂道路标线是道路信息的重要组成部分[1-3],学者们围绕自动提取点云道路标线进行了一系列研究,但该过程仍存在自动化程度低㊁提取稳定性差㊁准确度较低等问题㊂复杂的道路环境,如行人㊁行车和树木阴影,以及天气环境变化㊁道路面破损等诸多影响[4-5],为道路标线的准确提取带来了一定难度㊂从车载激光雷达获取的海量点云数据中提取出道路标线主要依赖的是反射强度信息,道路标线以喷漆着色而具有较高的反射强度,普通路面的强度值相较则低很多㊂鉴于此,可根据点云的反射强度对其分类,提取出需要的标线点云[6],当前国内外的研究进展主要都是以此展开㊂文献[7]首先通过反距离加权插值的方法获取点云强度图像,以差分直方图进行动态阈值分割,最后用张量投票算法完成点云标线提取,但传统张量投票算法存在计算复杂和效率低的缺点㊂文献[8]通过分层模板算法对点云局部强度计算,初步提取出点云标线,而后利用改进的alpha shapes算法完成精确提取㊂文献[9]以车载扫描点云的颜色㊁空间邻域点分布和高程特征完成标识线提取,该方法未充分考虑到点云强度特征,且仅适用于获取了颜色信息的车载扫描数据㊂文献[10]提出了一种点云强度特征图像边缘检测方法,该方法对点云进行投影获取二维强度图像,对该图像进行边缘检测,根据标线固有的几何特征完成连通分析得到标线的边缘,最后根据边缘信息并结合高斯滤波获取完整标线点云,该方法在强度特征图像阶段以格网内平均强度作为像素强度值,未考虑点间距离差异和网格大小对像素值精度的影响㊂文献[11]将深度学习应用在道路边线提取上,首先通过移动窗口算法提取地面点并生成地面点云强度图像,然后用DeepLab V3+深度学习网络对其语义分析提取出标线点云,但目前没有较好的公开道路标线点云训练数据,制作训练数据集存在工作量大㊁数据不完善等问题㊂文献[12]对点云强度值进行校正,增强路面点与标线点的强度值差异,通过聚类方法分割出标线点云,最后根据实线的语义信息和几何特征提取出实线型点云数据㊂文献[13]根据道路标线的几何特征构建了一套提取规则,然后根据选取的种子点进行生长得到标线点云,但是受设定的标线提取规则限制,其提取效果和类型十分有限㊂文献[14]从车载扫描中获取扫描线点云数据,根据路面几何突变的性质提取地面点,用反距离加权插值计算栅格强度并转换为二值图像,然后依据设定的自适应阈值分割方法提取出标线点云,最后分别根据聚类和深度学习的方法完成单体识别与分类,算法复杂度较高㊂当前对于车载扫描道路标线提取的研究主要集中在对点云投影生成强度图像进而提取标线点云,然而该类型算法存在的普遍问题是阈值设置未考虑局部邻域特征㊁不具有自适应性等,并且提取的标线点云通常含有一定的噪声点㊂本文首先对车载扫描点云数据进行地面点提取,然后将点云建立格网并做投影,计算格网的反射强度值,对格网强度进行均值池化建立局部邻域强度的感知,再设定阈值将其二值化,最后反投影出标线点云,通过高斯滤波得到精确的标线点云㊂具体安排如下:第1节介绍算法的原理与详细的实现流程;第2节以车载点云数据作为实验数据源,分析算法的可行性并与类似算法进行对比;第3节对全文进行总结,对所提算法的优劣势作出说明,并对下一步工作进行展望㊂1㊀算法原理本文车载扫描点云的道路标线提取算法流程如图1所示,主要步骤分为:布料模拟算法[15-16]地面点提取㊁点云格网化㊁反距离加权插值[17]计算强度㊁均值池化建立二值化的强度感知㊁反投影标线点云和高斯滤波[18]㊂图1㊀道路标线提取算法流程Fig.1㊀Flowchart of road marking extraction algorithm1.1㊀地面点提取道路标线均位于道路面上,因此要从车载扫描点云中提取道路标线,首先要提取出路面点云㊂布料模拟算法的原理是物理仿真一块布料,布料由虚拟的线构成,线与线之间是紧密相连的,进而约束结构间的相对关系㊂布料模拟算法在地面点滤波中的应用就是先对点云进行翻转,通过一块虚拟布料从上至下自由下落并覆盖点云,这样布料就近似地生成了地表的形状,如图2所示,分析布料至点云的距离即可提取出地面点㊂图2㊀布料模拟示意Fig.2㊀Schematic diagram of cloth simulation要从原始点云提取出地面点,模拟的布料结构就必须包含许多节点,分析节点与相邻点云间的相互作用就能确定最接近真实地表形状的节点位置,并确定模拟的布料形状完成地面点提取㊂布料模拟算法需要设置优化函数求解布料形状,以仿真粒子之间的作用力:m ∂X (t )∂t 2=F ex (X ,t )+F in (X ,t ),(1)式中:m 为粒子质量,X 为t 时刻粒子所处的位置,F ex (X ,t )为外部驱动因素,即粒子运动时所受到的外力,F in (X ,t )为内部驱动因素,即内部粒子相互连接的力㊂外部驱动因素的位移如下:X (t +Δt )=2X (t )-X (t -Δt )+G mΔt 2,(2)式中:Δt 为时间步长,G 为粒子所受到的重力大小㊂内部驱动因素的位移如下:D =b (p i -p 0)㊃n2,(3)式中:p i 为p 0的相邻粒子,n 为单位向量,b 为粒子移动决定因子,当粒子可移动时b 为1,否则为0㊂布料模拟算法地面点提取的具体流程如下:①对车载扫描点云数据进行垂直方向翻转;②设置格网大小并初始化虚拟布料,布料位置需在翻转后点云中最高点的上方;③将点云与布料粒子投影至同一平面,搜索粒子的最近邻点云并储存其高程值h ;④计算可移动粒子在重力作用下的位移,与对应最近邻点云的高程值h 比较,若粒子位移小于或等于h 则将粒子高度设为h ,再将粒子设为不可移动;⑤计算各粒子受内部驱动因素影响下的位移;⑥重复④㊁⑤,当所有粒子的高度变化足够小或迭代次数达到设定阈值时停止;⑦计算车载扫描点云与粒子之间的高度差;⑧若点云与粒子间高度差小于设定阈值,则认为是地面点,否则是非地面点㊂1.2㊀点云格网化车载扫描点云二维格网化是将其按平面方向的最大包围盒建立格网,使所有点云均落入格网内,并将点云按格网进行索引和存储㊂点云格网化需要先设定最小网格尺寸R ,划分的二维格网数如下:cols =int X max -X min R ()+1rows =int Y max -Y min R ()+1ìîíïïïï,(4)式中:X max ㊁X min ㊁Y max ㊁Y min 分别为点云x 方向最大值㊁x 方向最小值㊁y 方向最大值㊁y 方向最小值㊂各点平面坐标分别为X ㊁Y ,其在格网中的索引如下:idx x =int X -X minR ()+1idx y=int Y -Y min R ()+1ìîíïïïï㊂(5)1.3㊀反射强度插值车载扫描点云具有反射强度信息I ,本文使用反距离加权插值算法求取建立的格网(对应二维图像的像素,下文中像素同最小格网)强度值,各像素中心点与像素内各点云P k (X k ,Y k ,Z k ,I k )的距离计算如下:d (m ,n ,k )=X k -X min+(2m -1)R 2()()2+(Y k -Y min+(2n -1)R 2()()2)12,(6)式中:m ㊁n 为像素的位置索引,其余变量定义同上㊂以d (m ,n ,k )倒数为权值进行反距离加权插值强度,各像素插值的强度值如下:I (m ,n )=ðI kd (m ,n ,k )ð1d(m ,n ,k )㊂(7)1.4㊀强度二值化提取标线所有像素强度值组成了一个矩阵,为了将各像素与周围像素联系起来,建立更大范围的感知,可以对像素强度值矩阵进行均值池化,本文均值池化的最终目的是根据局部范围强度平均值设定自适应的阈值,以对像素强度值矩阵进行二值化㊂均值池化需要预先设定感知范围的大小即像素范围,假设感知范围为1,均值池化的示意如图3所示㊂图3㊀均值池化示意Fig.3㊀Mean pooling diagram为了保证各像素在均值池化后均存在有效值,需要根据设定的感知范围将像素强度值矩阵向外扩充,扩充大小即感知范围大小,扩充值本文设定为像素边缘强度值㊂对比均值池化后的强度值矩阵与原始强度值矩阵中的各个值,以某像素强度值I origin 为例,二值化过程如下:I binaryzation =1,I origin >ε1㊃I meanpooling and I origin >ε2㊃I mean0,else{,(8)式中:I meanpooling 为均值池化后的强度,I mean 为均值池化后的强度值矩阵平均值,ε1㊁ε2为设定的阈值㊂二值化后值为1的像素内所包含的点云即为标线点云,对像素进行反投影即可得到对应的标线点云㊂得到的标线点云仍存在部分非标线点,高斯滤波可以较大程度去除标线附近稀疏的噪声点,因此本文算法最后一步对提取的标线点云进行高斯滤波得到精确的标线点云㊂2㊀实验2.1㊀实验数据实验数据共3组,为上海市城区某主干道以及某高速道路数据,由华测AS-900车载激光扫描系统采集获取,数据均为解算和拼接后的结果,车速在高架路段控制在60km /h 左右,城区干道控制在40km /h 左右㊂实验路段1为城区主干道点云,包含一段十字交叉路口,整体路段长度约为300m㊂实验路段2为一段直线型城区主干道,整体路段长度约为200m㊂实验路段3为曲线型高架路段,整体路段长度约为500m㊂实验设备和3组原始数据的反射强度点云如图4所示㊂(a )实验路段1(b )实验路段2(c )实验路段3(d )数据采集现场照片图4㊀原始实验数据Fig.4㊀Original experimental data2.2㊀评价指标本文对车载扫描点云提取道路标线提取的评价分定性和定量2种方式,定性分析即通过提取结果图对比完成,定量分析采用准确率㊁完整率和综合提取质量[19]3个常用指标来完成㊂本文数据通过手工标注的方式提取出标线点云,并将其作为假定的真实标线点云和评价的参考数据㊂准确率p ㊁完整率r ㊁综合提取质量F 的计算如下:p =TPTP +FP ,(9)r =TPTP +FN ,(10)F =2㊃p ㊃rp +r,(11)式中:TP 为提取的正确标线点云数,FP 为提取的错误标线点云数,FN 为漏提取的标线点云数㊂2.3㊀实验结果分析3段车载扫描实验数据的CSF 算法以及阈值分割算法参数设定如表1和表2所示㊂表1中布料模拟算法在3组实验对布料网格分辨率大小㊁布料刚性参数和距离阈值均设定统一参数;表2中本文均值池化分割算法参数R 即最小像素的大小,该值越小提取的精确度越高,但是过小会导致像素内不存在点云,一般要大于点云密度,二值化需要设定的2个阈值ε1和ε2,分别为像素局部邻域强度值和像素整体强度值,可以自适应地约束像素强度值相对于局部和整体的比例,并给出了对照组的最大熵阈值分割算法的分割阈值和最大熵值参数㊂表1㊀CSF 算法实验参数Tab.1㊀Experimental parameters of CSF algorithm实验数据CSF 分辨率/mCSF 粗糙度CSF 距离阈值/m实验路段10.130.03实验路段20.130.03实验路段30.130.03表2㊀阈值分割实验参数Tab.2㊀Experimental parameters of threshold segmentation实验数据网格大小/mε1ε2最大熵分割算法阈值最大熵值实验路段10.05581016013.02实验路段20.0552930811.90实验路段30.055597599.16实验第一步需要先将3段车载扫描数据进行去噪和布料模拟算法提取地面点,实验结果如图5所示㊂布料模拟算法对于不同类型数据,例如坡度变化较大路段,可以设置参数进行坡度处理,本文实验路段1和2均坡度平缓,而实验路段3存在较大坡度变化,因此在第3组数据布料模拟提取地面点时进行了坡度处理,可以看出3段实验数据均可以准确地提取出地面点㊂(a )实验路段1(b )实验路段2(c )实验路段3图5㊀地面点提取结果Fig.5㊀Ground point extraction results为了测试本文算法均值池化二值化后的像素强度分割效果,选取最大熵阈值分割算法作为参照算法,阈值分割后点云投影的强度特征如图6所示,各组实验分图中上图为最大熵阈值分割算法,下图为本文算法㊂实验路段1和实验路段2中最大熵阈值分割算法的结果分别存在大量的误判点和漏判点,这是因为该算法原理是基于全局进行阈值分割,而一段道路的不同区域间必然存在强度分布不均匀,这就使得难以找到最优的强度阈值将各区域标线提取出来,而本文算法在设定阈值时综合考虑了全局和局部的像素强度特征,因此具有较好的标线提取效果㊂实验路段3中2种算法结果均能较好地提取出标线点云,可以看出该组数据强度值分布较为均匀㊂(a )实验路段1(b )实验路段2(c )实验路段3图6㊀不同阈值分割方法标线提取图像Fig.6㊀Marking extraction image with different thresholdsegmentation methods根据二值化的强度特征图像反投影出标线点云,然后对其进行高斯滤波去除噪声点和标线附近稀疏的非点,表3为3组实验数据中本文算法与最大熵阈值分割算法的提取结果定量对比㊂可以看出,实验路段1和实验路段2中本文算法提取结果在准确率㊁完整率和综合提取质量上均远高于最大熵阈值分割,实验路段3最大熵阈值分割算法的提取效果有所提高,但本文算法仍然较好㊂表4为本文算法的不同阶段在3组实验路段中的耗时统计,可以看出,计算时间最长的步骤是计算强度图像,整体计算效率较高㊂标线点云提取结果如图7所示,各分图中上图为手工标注结果,下图为本文算法提取结果㊂可以看出,本文算法与手工标注的结果相比,3组数据均相差不大,表明本文算法能够准确且完整地提取出标线点云㊂表3㊀实验精度分析Tab.3㊀Experimental accuracy analysis单位:%实验数据算法p r F 实验路段1最大熵阈值分割算法65.488.376.7本文算法89.191.090.1实验路段2最大熵阈值分割算法61.872.167.3本文算法75.891.783.0实验路段3最大熵阈值分割算法86.189.388.0本文算法95.591.193.2表4㊀实验计算效率分析Tab.4㊀Analysis of experimental calculation efficiency单位:s实验数据布料模拟算法耗时计算强度图像耗时图像二值化耗时反投影提取点云耗时实验路段1 2.413.6 3.0 2.1实验路段2 3.215.1 3.3 1.7实验路段32.319.03.82.4(a )实验路段1(b )实验路段2(c )实验路段3图7㊀标线点云提取结果Fig.7㊀Results of marking point cloud extraction3㊀结束语本文提出了一种基于车载激光雷达扫描点云的道路标线提取算法,首先利用布料模拟算法对车载扫描点云数据进行地面点提取,可以有效提高后续计算效率和减少干扰点云㊂然后对点云建立二维格网并做投影,通过反距离加权插值方法计算格网内的反射强度值,对格网强度进行均值池化建立局部邻域强度的感知,以此自适应地设置全局和局部的阈值将强度特征矩阵二值化㊂最后反投影出标线点云并做高斯滤波得到精化的标线点云㊂所提算法可以有效地从原始城市道路采集点云中提取出标线点云,由粗到精的过程使得算法能够取得较高的准确率和稳定性,逐步迭代剔除非标线点的思想也使得算法的效率得到保障㊂通过3组路段的实验给出了算法参数的建议取值范围,同时也得出结论,本文算法标线提取的平均准确率为86.8%,平均完整率为91.3%,平均综合提取质量为88.8%,相对于最大熵阈值分割算法有较大提升㊂整体计算成本上本文算法的效率较高,主要耗时在强度图像的计算上,后续研究可以进一步对此步骤优化㊂综合来看,本文算法能够完整㊁准确且稳定高效地提取出车载扫描点云的标线点云数据,具有一定的实际应用价值㊂本文算法提取的标线点云没有进一步对标线点云进行分类,如虚线㊁实线和标志箭头等,因此在本文提取结果的基础上,完成标线点云的自动分类是下一步需要进行的工作㊂参考文献[1]㊀姚连璧,秦长才,张邵华,等.车载激光点云的道路标线提取及语义关联[J ].测绘学报,2020,49(4):480-488.[2]㊀MI X X,YANG B S,DONG Z,et al.A Two-stageApproach for Road Marking Extraction and ModelingUsing MLS Point Clouds [J].ISPRS Journal of Photo-grammetry and Remote Sensing,2021,180:255-268.[3]㊀FANG L N,SUN T T,WANG S,et al.A Graph AttentionNetwork for Road Marking Classification from Mobile LiDAR Point Clouds[J].International Journal of AppliedEarth Observation and Geoinformation,2022,108:102684.[4]㊀WEI C,LI S R,WU K,et al.Damage Inspection for RoadMarkings Based on Images with Hierarchical Semantic Segmentation Strategy and Dynamic Homography Estima-tion[J].Automation in Construction,2021,131:103876.1-103876.19.[5]㊀MA L F,LI Y LI J,et al.Capsule-based Networks forRoad Marking Extraction and Classification from MobileLiDAR Point Clouds [J].IEEE Transactions on Intelli-gent Transportation Systems,2020(99):1-15.[6]㊀魏双全,房华乐,林祥国.先验知识引导的车载激光扫描点云道路信息提取[J].测绘科学,2014,39(10):81-84.[7]㊀GUAN H Y,LI J,YU Y T,et ing Mobile LiDARData for Rapidly Updating Road Markings [J ].IEEETransactions on Intelligent Transportation Systems,2015,16(5):2457-2466.[8]㊀曾妮红.基于车载LiDAR点云数据的滤波及道路标识线提取研究[D].武汉:中国地质大学,2016. [9]㊀范雯,何鄂龙,李天琪,等.融合空谱特征的车载Li-DAR点云道路标识线提取[J].测绘通报,2018(8):97-101.[10]闫利,李赞.车载激光点云道路标线提取方法[J].遥感信息,2018,33(1):1-6.[11]黄刚,刘先林.基于深度学习的道路标线自动提取与分类方法[J].中国激光,2019,46(8):146-153. [12]方莉娜,黄志文,罗海峰,等.车载激光扫描数据中实线型交通标线提取[J].测绘学报,2019,48(8):960-974.[13]袁家明,张卡,陈辉,等.基于几何规则的车载近景立体影像道路交通标线自动提取[J].测绘通报,2020(4):27-33.[14]YAO H B,QIN C C,CHEN Q H,et al.Automatic RoadMarking Extraction and Vectorization from Vehicle-borneLaser Scanning Data[J].Remote Sensing,2021,13(13):2612.[15]ZHANG W M,QI J B,WAN P,et al.An Easy-to-use Air-borne LiDAR Data Filtering Method Based on Cloth Simu-lation[J].Remote Sensing,2016,8(6):501. [16]李特.布料模拟滤波方法在铁路勘测LiDAR中的应用[J].铁道勘察,2020,46(5):13-17.[17]柴国亮,苏军伟,王乐.一种保持二阶精度的反距离加权空间插值算法[J].计算物理,2020,37(4):393-402.[18]马小陆,甄文雪,巩朝光.一种改进的LiDAR点云滤波方法[J].河北工程大学学报(自然科学版),2022,39(1):84-91.[19]CHENG M,ZHANG H C,WANG C,et al.Extraction andClassification of Road Markings Using Mobile Laser Scan-ning Point Clouds[J].IEEE Journal of Selected Topicsin Applied Earth Observations and Remote Sensing,2017,10(3):1182-1196.作者简介㊀㊀康学亮㊀男,(1983 ),毕业于华北水利水电学院计算机科学与技术专业,硕士,高级讲师㊂主要研究方向:计算机应用㊂㊀㊀王晓川㊀男,(1982 ),硕士,实验师㊂主要研究方向:信息安全㊂。

OSM辅助车载LiDAR点云三维道路边界精细提取分析

OSM辅助车载LiDAR点云三维道路边界精细提取分析摘要：在城市道路规划、道路交通高精度管理工作中，提升道路边界提取工作精确度，成为一项极为必要的工作。

本文介绍一种利用开源街道地图（OMS），辅助车载激光雷达（LiDAR）点云数据，开展三维道路边界精确提取工作的技术方法，以期提高道路边界提取准确率与召回率，为智能交通体系的建设提供支持。

关键词：OSM数据；车载LiDAR点云；三维道路边界引言：三维激光雷达技术作为一种实时获取周边环境信息的重要技术，在对地观测、目标分类识别等工作中，得到了广泛应用。

现阶段，将三维激光雷达技术应用到高精度导航地图制作中，不仅可以为我国道路交通管理体系完善提供支持，还能推动智能交通无人驾驶项目的深入研究。

因此，研究此项课题，具有十分重要的意义。

一、道路边界提取方法（一）技术流程在开展道路边界精细化提取工作时，可以综合应用LIDAR点云与OSM数据，通过分析道路边界的几何结构、位置信息、高度信息等特征的方式，提取三维道路边界的层次。

在实际提取过程中，首先，可以对车载LiDAR点云数据进行滤波预处理，在地面点生成数字高程模型，然后以此为基础获取非地面点的相对高程，通过设置高程阈值的方式，去除数据信息中的大量非道路临界点。

其次，以研究区域OSM道路矢量数据为基础，构建缓冲区获得道路边界的候选点集。

再次，综合应用OSM节点与相邻路线的角度，对候选点集进行分段处理。

最后，利用RANSAC算法，对分段后的候选点集进行线性拟合分析，提取道路边界点云[1]。

（二）数据预处理在数据预处理过程中，可以先应用梯度滤波、高程滤波、CSF滤波技术，对原始车载LiDAR点云数据进行滤波预处理，分离数据中的地面点与包含道路边界非地面点集，然后利用地面点生成DEM，完成非地面点集相对高层的获取工作。

在此过程中可以利用道路边界高层阈值，完成建筑物屋顶、电力线、部分树冠等非道路边界点的点集过滤工作，得到道路边界候选点粗集。

基于车载激光扫描数据的道路路面提取与三维重建算法研究

基于车载激光扫描数据的道路路面提取与三维重建算法研究陈德良，何秀凤（河海大学地球科学与工程学院，南京，210098）摘要：车载激光扫描系统可以精确、快速获取城市建筑物、道路交通设施等地物的表面信息，非常适合于城市三维空间信息的快速获取，具有高效率、高精度的独特优势。

车载激光扫描数据由于其数据量大、数据格式独特，现阶段针对车载激光扫描点云数据的处理还主要依赖人工交互或半自动化处理，而且没有针对城市地物的三维重建方法。

本文针对这一问题，介绍了城市道路提取、道路路面孔洞修补以及道路模型重建的过程，其中，提出一种基于贝塞尔三角形面片的路面孔洞修补方法。

选取了位于芬兰埃斯波市的车载扫描点云数据为实验对象，验证了本文提出方法的可行性与实用性。

关键词：车载激光扫描贝塞尔三角形补洞三维重建1.引言在现代化城市发展中，特别是在城市规划和道路设施建设中，需要实时获取高精度的路面信息。

从前期的道路设计阶段到道路施工阶段以及后期的道路保养、维护阶段，实时快速的获取路面整体信息是一项非常重要的工作。

近年来，三维城市模型的研究已经在城市规划和建设、公路安全等方面得到广泛应用。

并发挥了一定的作用，长期以来，它一直是测绘、摄影测量、遥感、计算机视觉以及模式识别等领域研究的重要课题。

在道路设计阶段需要提取路面的数字高程模型以及三维表面模型，这样能在设计时利用这些模型来进行规划分析、景观设计和环境影响评估。

在道路投入使用阶段，我们需要获取城市道路路面信息，这些信息可以应用在公路安全、公路保养、公路设施定位以及车辆导航等方面。

城市道路路面信息包括停车视距、通过视距、视线范围、车道数、车道宽度、人行道路径、道路横向纵向坡度以及路面材质等。

对于新修建的道路，有着完善的路面信息，可是对于那些早期建设的城市道路，随着时间的推移，实际路面已经发生了比较大的变化，由于没有定期对道路进行测量监测，路面实际情况已与保存的资料有着较大的差别，或者由于监测周期较长，有些路面变化没有在保存资料中实时有效地反映出来。

基于车载三维激光扫描的道路线提取研究

基于车载三维激光扫描的道路线提取研究李明辉;田雪冬;胡维强【期刊名称】《测绘与空间地理信息》【年(卷),期】2014(000)004【摘要】The car-mounted mobile laser scanning system ( mobile lidar) has become a cost-effective solution for capturing spatial data in complex urban areas at the street level quickly and accurately .In particular , mobile lidar can acquire three -dimensional (3D) dense -points, which enable easier building façade reconstruction, man-made object extraction, 3D city modeling, street-scene modeling and visualization than most other methods .In most By inherent characteristics of scanning data , the rapid and effective method used to extracting road mark was put forward with the study of vehicle -borne laser scanning point cloud data .The proposed method first generates a geo -referenced feature image of point clouds followed by extracting the approximate outline of road using dis -crete discriminate analysis from the geo -referenced feature image .Second , the proposed method further segments the point clouds of road according to the reflectance strength of point clouds for extracting the point clouds of road markings .Generally, road markings show a set of predefined shapes .Hence, these predefined shapes can easily be modeled as many structures (e.g., rectangle, dotted lines).The proposed method generates a geo -referenced reflectance strength image of the point clouds of roadmarkings , labeling the regions of road markings according to the shape and arrangement of road markings , and applies the PPHT operator for extracting road markings .In order to improve the performance of road markings extraction , the proposed method incorporates the semantic knowledge (e.g., shape, pattern) of road markings, which is particularly helpful for extracting those road markings occluded or with incomplete shapes.The above key steps were successfully integrated into the proposed method .Two different datasets were selected for checking the validity of the proposed method .The experimental results demonstrated that the proposed method shows a good performance for ex -tracting road marking from mobile lidar point clouds .Moreover , the match between the extracted road markings and the original point clouds proves that the proposed method detects and extracts road markings correctly .%近年来，随着空间信息获取技术的发展，激光扫描技术在城市三维数据采集中应用越来越广泛，本文以车载激光扫描点云数据为研究对象，利用点云数据空间分布特征和反射强度信息，结合道路标线的几何特征，提出一种快速有效地从离散点云中提取道路标识线的方法。

车载激光扫描数据的高速道路自动提取方法

车载激光扫描数据的高速道路自动提取方法随着车载激光扫描技术的逐步普及，其在道路提取、地名标注、城市建设等领域已经取得了广泛应用。

在高速公路道路自动提取方面，车载激光扫描技术能够快速、准确地提取出高速公路的道路中心线、车道线以及路沿石等信息，后续还可以进行道路线型分析、车道宽度分析以及交通流量分析等工作。

本文将详细介绍车载激光扫描数据在高速公路道路自动提取方面的方法。

1. 数据获取与预处理车载激光扫描仪的安装位置应该尽量低，以便扫描到道路底部的重要信息，同时还应该考虑传感器的激光能量、发射频率等因素。

在采集激光数据时，应该选择适当的时间段和速度，保证数据的质量和稳定性。

获取完数据后，一些预处理工作还是必要的，例如去除树木、建筑物等遮挡物，去除噪点等。

2. 地面点云数据的分割地面点云是由于普通车载激光扫描系统所采集到的地物点中有比较稳定的地面点，因此将其与所有点进行分离可以大大提高后续的道路提取精度。

地面点云的分割可以采用RANSAC算法来实现，也可以使用一些更先进的方法，例如基于点云密度的Hough变换等。

分割完成后，我们就得到了分离出来地面点云以及其他非地面点云的两部分。

3. 地面法向量估计以及道路中心线提取接下来，在地面点云上进行法向量估计和曲率计算，以得到地面数据的曲线方向信息，然后根据曲率大小过滤掉不符合条件的点云，最后使用曲率不变形（Curvature Invariant Form，CIF）算法提取出道路中心线。

对于CIF算法，可以将其概括为以下三步：（1）选取曲率变化大的点作为道路中心线起点；（2）沿着具有最大曲率的方向找到下一个点，继续延伸直到结束点；（3）将延伸出来的道路中心线转化为直线段，消除其中一些噪点。

4. 车道线提取在道路中心线提取出来以后，需要在其周围进一步提取出车道线的信息。

由于车道线通常是以一定的距离并行于道路中心线的，因此，可以通过在道路中心线两侧横向搜索的方法来提取出车道线位置。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

th st th
Abstract
High-precision 3D road information plays an important role in intelligent transportation, urban planning and management. The mobile laser scanning system can quickly obtain the 3D information of the street scene, but it is difficult to directly extract the complete and accurate road boundary from the original point cloud due to the large amount of data, occlusion and complicated urban street scenes. OpenStreetMap is a kind of crowd source geographic data. It can be used to assist road extraction of mobile laser point clouds. This paper proposes a road 3D boundary extraction algorithm that integrates two-dimensional vector data OpenStreetMap and vehicle-borne laser point cloud data. Firstly, the point cloud feature map is constructed by analyzing the spatial distribution characteristics of the Scanning points. The OSM provides the initial position, and then the road boundary extraction is performed on the feature map of the point cloud by the improved active contour model. We use StreetMapper data to carry out experiments. The results show that the proposed algorithm can repair the lack of boundary information caused by point cloud defects, and accurately and completely extract road three-dimensional boundary information, which proves strong robustness and applicability.
DOI: 10.12677/gst.2018.62015 129
测绘科学技术
韩婷等
取，然后利用 KNN 将路坎点聚类提取道路边界。此方法采用单一特征进行聚类分析的，导致后续需要进行大量优化工作。第三类是基于机器学习的道路信息提取[9] [10]，这类算法利用机器学习算法通过人工选取一定的路坎与非路坎进行样本训练，实现路坎点云的提取。罗海峰[9]先构建包含相对高程、法向量方向、多尺度高程差及多尺度高程方差的点云特征向量，然后采用 SVM 提取路坎点云，并对提取结果进行聚类去噪优化。杨必胜和刘缘[10]提出 BKD 三维局部特征，该特征包含高斯核密度估计和二值化，然后利用随机森林分类器提取路坎和道路标线。这类方法需要进行大量样本训练，其通用性受到限制。第四类是基于点云特征图像的道路信息提取[11] [12] [13] [14]，这类算法将点云数据投影到二维空间，将三维特征转化为二维平面特征，利用图像处理技术对道路进行识别提取。 Jaakkolat [11]通过计算格网之间的点云高程差异生成高程梯度图，利用图像处理算子检测路坎位置。Boyko [12]提出了一种适用于大范围城市场景道路提取的方法，该方法利用点云高程特征和法向量特征形成特征图，然后利用活动轮廓模型算法检测出道路边缘位置，此方法仅适用于密度非常大的点云。此类方法的处理效率较高，因此本文采用此类方法，并在 Boyko 的方法上进行改进，提出一种效率更高且准确率更高的算法。目前存在的算法，还存在以下问题，第一没能解决因遮挡、数据缺失、点密度分布差异等导致道路目标提取不完整或漏提取的问题，道路提取结果的正确度和完整度有待提高。其次目前方法多数集中在道路点云的分割，道路边界仍由无拓扑信息的点云构成，未能将这些点云转化成能够精确表达道路形状的三维矢量道路信息。最后还存在效率不高等问题。本文算法充分利用 OSM 的先验知识(位置、语义、拓扑等)，并改进活动轮廓模型算法，能够快速完整准确的提取出包括遮挡及数据缺失区域的道路边界，最终生成精确的具有语义和拓扑信息的三维矢量道路数据。
2.1. 数据预处理
2.1.1. 车载点云分段车载激光扫描获取的点云的数据量大，需要分段处理。本文依据 OSM 的拓扑连接性对车载点云进行分段，即利用 OSM 的顶点及交叉点作为分割点。因为 OSM 的形状和道路形状近似，在道路形状较为复杂时需要分成多段简单的道路进行处理，OSM 为了表示出道路的形状顶点随之增加，因此 OSM 的顶点是天然的分割点，并且提取完成之后再根据这些顶点进行拼接，有效的保证拓扑不变性。首先把车载激光点云垂直投影到 XOY 平面，图 2 是投影后的点云与 OSM 的叠加显示图。对于由两个顶点构成的一段 OSM，以之为对称中心线做 Bounding box，考虑到 OSM 并不位于道路中心线，为了完整保留道路，所以矩形宽度值应设定为大于道路宽度，并且考虑到分段提取完成后重新连接需要保证段与段之间有一定的重合度，所以矩形的长度值应设定为大于 OSM 线段长度。根据 OSM 端点坐标可求得 Bounding box 四个顶点坐标，利用判断点是否在多边形内部算法 PNPoly 算法求出所有位于该 Bounding box 内部的点，即是对应于该段 OSM 的点云段。
摘
要
高精度的三维道路信息在智能交通、城市规划与管理等领域具有重要的作用。车载激光点云数据包含了道路及其周围地物的三维信息，但存在数据量大、场景复杂和地物遮挡等问题，为道路边界信息的准确提取带来挑战。 OpenStreetMap (OSM)作为一种众源数据，提供了基础道路信息。本文提出一种基于OSM 数据辅助，从车载激光点云数据中提取道路三维边界的方法。首先分析车载点云的空间分布特征，构建车载点云特征图，然后以OSM数据作为初始位置，通过改进的活动轮廓模型算法进行道路边界提取，得到三维矢量道路边界。本文采用StreetMapper数据进行实验，结果表明，本文提出的算法能够修复点云缺损导致的边界信息缺失，准确且完整的提取道路三维边界信息，具有较强的稳健性和适用性。
关键词
OpenStreetMap，车载激光点云，道路边界提取，点云特征图，活动轮廓模型
Copyright © 2018 by authors and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). /licenses/by/4.0/
Open Access
1. 引言
空间信息技术正在向着三维化发展，激光雷达扫描系统能够快速准确的获取高精度的三维空间信息。从 LiDAR 点云中提取高精度的三维道路信息在城市规划、3D 导航和智慧城市等领域具有重要作用。但是车载激光雷达点云具有密度分布不均匀，数据量大，数据不完整和场景复杂等缺陷，从而影响的道路提取的完整性和正确性。目前存在的车载激光点云道路提取算法，可分为四大类。第一类是基于扫描线的道路信息提取[1] [2] [3] [4] [5]，这类算法将每条扫描线近似看作道路的一个横截面，利用相邻扫描线的空间相似性进行提取。方莉娜[1]基于移动窗口滤波法先提取地面点云，再根据扫描窗口内的高差、坡度、点密度的变化从地面点云中识别路坎点云，该方法依赖于大量经验阈值，且提取精度受到窗口大小影响。Guan [2]利用轨迹信息创建道路横截面点云段，从每段点云中提取主点形成一条伪扫描线，然后根据坡度，高差提取路坎点云，由于主点不能包含全部路坎点，此方法会造成路坎位置的偏差。Elberink [3]同样利用轨迹信息创建道路横截面数据，然后利用 RANSAC 算法检测路面两侧垂直面片最为路坎边界，此方法仅适用于垂直形态的路坎。这类基于扫描线的方法对于非线性的扫描仪，需要大量预处理来获取伪扫描线，降低了处理效率并且会造成精度损失。第二类是基于聚类的道路信息提取[6] [7] [8]，这类算法根据道路点具有相似的几何和强度特征，将具有相似特征的点通过聚类分析提取道路点。闫利[6]提出一种基于法向量的模糊聚类方法进行道路提取。 Ibrahim [7]先利用点密度阈值分割地面点，然后根据地面点的高程离散度、法向量、高程梯度等信息通过高斯滤波器提取道路边界。此方法需要大量人工经验阈值的选择。Zhou [8]通过检测高程差异进行路坎提
文章引用: 韩婷, 杨必胜, 袁鹏飞, 梁福逊. OSM 辅助的车载激光点云道路三维矢量边界提取[J]. 测绘科学技术,.2018.62015
韩婷等
武汉大学测绘遥感信息工程国家重点实验室，湖北武汉
收稿日期：2018年4月12日；录用日期：2018年4月21日；发布日期：2018年4月28日
OSM-Assisted Extraction of 3D Vector Boundary from Mobile Laser Scanning Point Cloud
Ting Han, Bisheng Yang, Pengfei Yuan, Fuxun Liang