OSM辅助车载LiDAR点云三维道路边界精细提取分析
融合OSM和车载激光扫描数据的建筑物三维快速提取
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。
车载雷达点云的结构化道路边界提取方法
车载雷达点云的结构化道路边界提取方法孔栋;王晓原;孙亮;王方;陈晨【摘要】为了提高结构化道路边界检测的准确性与鲁棒性,结合非参数变点统计方法,提出了一种基于32线激光雷达三维点云的道路边界提取算法.基于结构化道路区域和非道路区域存在一定高程跳变特征,该算法利用非参数变点统计,对激光雷达扫描的道路环境三维点云数据中突变的z坐标值进行标记,并提取对应的候选道路边界点(x,y).利用道路边界方向的最大期望(EM)聚类算法,对候选道路边界点进行聚类去噪.利用最小二乘法拟合道路边界,在不同光照条件下的校园结构化直、弯道路环境进行实车实验,统计直道1 030帧数据和弯道650帧数据.仿真结果表明:算法识别准确性较高且检测距离达18m,耗时约28 ms,可满足智能车实时性要求.【期刊名称】《河南科技大学学报（自然科学版）》【年(卷),期】2018(039)004【总页数】6页(P57-62)【关键词】智能车;激光雷达点云;非参数变点统计;道路边界提取【作者】孔栋;王晓原;孙亮;王方;陈晨【作者单位】山东理工大学交通与车辆工程学院,山东淄博255049;山东理工大学交通与车辆工程学院,山东淄博255049;清华大学汽车安全与节能国家重点实验室,北京100084;山东理工大学交通与车辆工程学院,山东淄博255049;山东理工大学交通与车辆工程学院,山东淄博255049;山东理工大学交通与车辆工程学院,山东淄博255049【正文语种】中文【中图分类】TP242.60 引言道路边界准确可靠的检测可用于确定智能车可行驶区域，并为智能车路径规划系统提供关键信息。
因此，道路边界检测成为近年来的研究热点之一。
目前，结构化道路边界的检测主要有两种方法：基于道路几何特征与基于图像分割的方法。
基于图像分割方法易受光照环境变化的影响，而基于几何特征方法抗干扰性强，检测精度高，是目前主要的研究方向。
用于道路边界检测的传感器主要有视觉被动传感器和雷达主动传感器。
OSM辅助的车载激光点云道路三维矢量边界提取
Keywords
OpenStreetMap, Mobile Laser Scanning Point Clouds, Road Boundary Extraction, Feature Image, Active Contour Model
OSM辅助的车载激光点云道路三维矢量 边界提取
韩 婷，杨必胜，袁鹏飞，梁福逊
2. 三维道路矢量边界提取方法
本文利用 OSM 辅助车载激光点云进行三维道路边界提取，首先利用 OSM 的连接关系对点云进行分 段处理，对于每一段点云进行平面规则格网投影，通过分析格网内部点云的空间特征(高差、点云密度、 到 OSM 距离)构建点云特征图像，然后利用改进的活动轮廓模型算法，改进的模型以梯度矢量流加上宽 度约束作为外部能量，使其更加适用于道路提取，从而更加准确的提取道路边界。本文方法的具体流程 如图 1 所示。
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/
Geomatics Science and Technology 测绘科学技术, 2018, 6(2), 128-140 Published Online April 2018 in Hans. /journal/gst https:///10.12677/gst.2018.62015
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, 6(2): 128-140. DOI: 10.12677/gst.2018.62015
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。
基于路面连续激光点云的车辙精细三维特征提取方法的制作流程
基于路面连续激光点云的车辙精细三维特征提取方法的制作流程一、引言车辙是指车辆在道路行驶时轮胎与路面之间形成的凹陷，它对道路的使用寿命和行车安全都有重要影响。
为了定量分析车辙对道路的破坏程度以及预测其对车辆性能的影响，需要从连续激光点云数据中提取出车辙的精细三维特征。
本文提出了一种基于路面连续激光点云的车辙精细三维特征提取方法的制作流程，用于实现车辙的自动化检测和分析。
二、数据采集和预处理首先，我们需要使用激光扫描仪对道路进行扫描，获取连续的激光点云数据。
然后，对激光点云数据进行预处理，包括去除离群点、滤波、去除地面和建筑物等。
三、路面平面提取在车辙检测中，路面平面提取是一个重要的预处理步骤。
通过对预处理后的激光点云数据进行平面拟合，可以得到路面的几何模型。
常用的平面拟合方法包括RANSAC算法和最小二乘法。
四、划分路面网格为了对车辙进行特征提取，我们需要将路面划分成一系列小网格。
这样可以保证在每个网格内进行车辙的特征分析时避免过多的计算量。
一般情况下，网格的大小可以根据实际需求进行调节。
五、车辙检测在每个路面网格中，我们可以使用高度阈值、斜率阈值等条件来检测是否存在车辙。
通过对激光点云数据进行分析，并与路面平面进行比较，可以确定车辙的位置和形状。
六、车辙特征提取对于检测到的车辙，我们可以提取一系列的特征来描述它的几何和形状特性。
比如，车辙的宽度、深度、长度、形状等。
这些特征可以通过计算激光点云数据的统计信息、曲率、法向量等来获取。
七、车辙分析和破坏程度评估通过对提取到的车辙特征进行分析，可以评估车辙的破坏程度和对道路的影响。
比如，车辙的深度和长度可以用于评估路面的破坏程度，车辙的宽度可以用于评估路面的变形情况。
八、实验结果和讨论通过实验证明了本方法的有效性和可行性。
我们可以将实验结果与传统的车辙检测方法进行比较，并评估本方法在准确性和效率方面的优势。
九、结论本文提出了一种基于路面连续激光点云的车辙精细三维特征提取方法的制作流程。
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。
基于点云局部最优邻域多特征估算的市区道路边界线提取方法研究
1 引言道路边界是划定车辆行驶范围的重要结构，边界信息精确提取可为高精度地图导航、辅助无人驾驶车辆自动定位、感知与行驶规划提供重要信息。
车载激光扫描技术能有效获取大范围内目标物的高精度、高密度三维空间信息，详细描述目标形态，对专题提取道路信息具有明显优势，可有效构建道路各部件形态特征、空间特征，为道路边界信息提取提供数据支撑[1-3]。
目前，已有相关学者开展三维激光点云道路结构信息提取研究，如文献[3]通过计算点云邻域内的高程突变特征提取边界；文献[4]将激光扫描数据分割为扫描线形式，采用移动窗口方法计算邻域内点云高程差、点密度与坡度值等指标，分析点云分布特征，构建路肩模型，提取道路边界信息。
文献[5]利用回波强度信息构建强度图，采用LSD 直线检测提取道路边界。
本文提出一种基于点云局部最优邻域多特征估算的市区道路边界线提取方法，利用高精度车载激光扫描技术获取研究区道路高精度三维点云数据，通过分析点云数据，综合考虑点云的特征信息，采用渐进加密三角网进行点云滤波，实现地面与地物点分离，并以实地数据为例进行算法精度检验，证明了该方法的可行性。
2 研究方法城市道路环境较为复杂，车载激光扫描技术在数据获取过程中无区别获取大范围目标物或非目标物三基于点云局部最优邻域多特征估算的市区道路边界线提取方法研究孙闻谦1 周正2,3（1.中国地质大学土地科学技术学院，北京 100083；2.河南大学地理与环境学院，河南 郑州 451460；3.河南省时空大数据应用产业技术研究院，河南 郑州451460）摘 要：车载激光扫描技术可有效获取大范围目标的高精度三维信息，为道路结构分析、道路部件提取提供数据支撑。
基于车载激光扫描系统获取市区某街道点云数据，提出一种基于点云局部最优邻域多特征估算的市区道路边界线提取方法，首先通过地面滤波，分析局部最优邻域估算采样点维度特征，联合多维度特征实现道路边界信息提取。
结果表明，该方法在直行道路、曲弯、直弯等代表性道路环境中均取得了较好的结果，对扩展研究车载激光扫描技术在道路场景中的应用具有重要价值。
基于三维激光雷达的道路可通行区域分割提取方法
基于三维激光雷达的道路可通行区域分割提取方法三维激光雷达是自动驾驶领域中常用的传感器之一，能够高效地获取周围环境的三维空间信息。
在自动驾驶中，快速准确地提取道路可通行区域的信息对于保障行车安全至关重要。
本文将介绍一种基于三维激光雷达的道路可通行区域分割提取方法。
首先，三维激光雷达获取的点云数据需要进行预处理。
在这一步骤中，需要对点云数据进行滤波，去除噪点和离群点。
此外，还需要进行地面分割，将地面点云和非地面点云区分开来。
基于此，可以进一步提取出车道信息和路面几何特征。
然后，通过基于栅格的方法对点云数据进行分割。
以栅格为基础，对点云进行分割和分类，便于提取和分析。
利用深度学习中的卷积神经网络对栅格进行分类，可高效地提取目标区域的信息。
在对道路可通行区域的提取中，可以通过对路面栅格进行分类，将道路可通行区域和非道路区域分离开来。
最后，通过对目标区域进行聚类，将具有相似属性的栅格划分为同一类。
可以使用基于距离的聚类算法或基于密度的聚类算法，将区域进行聚类。
聚类后的结果可以用于道路开发和路径规划等应用。
相比于传统的基于图像的方法，基于三维激光雷达的道路可通行区域分割提取方法不仅可以提供更加准确的道路信息，还可以自适应地适应不同的路面和光线条件，具有更好的鲁棒性。
此外，该方法还可以应用于智能停车场、城市规划等领域。
总之，本文介绍了一种基于三维激光雷达的道路可通行区域分割提取方法。
该方法具有快速、准确以及鲁棒性强的优点，可以提高自动驾驶系统的行车安全性和准确性。
除了上述提到的点云预处理、基于栅格的分割和聚类方法，对于道路可通行区域的提取还可以探索多种算法和技术。
一种方法是基于分割算法和规则的识别方式。
通过将点云数据分割成小的三维区域，然后在每个区域中分析其特征，如高度、倾斜角度和颜色等。
然后利用预定义的规则，将满足规则的区域归为道路可通行区域。
该方法通过人工定义规则，可以提高提取的准确性。
另一种方法是基于深度学习的端到端方法。
- 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)。
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。
（三）道路边界候选点分车带与分段
考虑到在实际道路边界数据提取分析工作中，OSM矢量道路数据分析得到的数据信息的精确度无法满足本次道路边界精细提取工作的需要，并且数据无法进行三维化处理，因此，在道路边界精细化提取分析过程中，可以将这一技术作为LiDAR点云数据分析工作中的辅助手段。
在实际分析过程中，若OSM数据与LiDAR点云数据位置信息匹配差异较小，那么在后续数据处理过程中可以以OSM 道路数据为基础，建立缓冲区，将缓冲区的数据与LiDAR点云道路边界候选点集进行叠加分析处理，完成大量非道路边界节点的分离工作，分离的点集包括点密度相对较大的植被、建筑物墙体等。
在OSM技术应用过程中，道路数据主要用线状完成车道走向与人行道、建筑区分离边界的表达，但考虑到这种表达方式缺少中间分车带的辅助信息，因此在后续数据典型分析过程中，需要对缓冲区内剩余点进行后续分析，完成分车带点集的提取工作[2]。
OSM数据节点信息的应用可以为道路边界点集分段工作提供辅助。
在实际应用过程中，OSM可以将不合适直接利用的直线进行拟合处理，同时在曲率过高的曲线段处理工作中，可以通过将曲线段分割成若干条局部直线段的方式，降低数据分析的难度。
在OSM矢量线段分析过程中，为了提高算法的计算效率，提升道路边界形状的完整性，可以应用道格拉斯—普克算法对道路节点进行筛选。
在实际分析过程中可以设一条OSM矢量道路的起点与结尾点分别为与，对两点间的直线方程进行化简处理，得到公式ax+by+c=0，然后计算道路上每个
节点P i到直线的距离d i=。
通过计算，可以得到最大的节点到直线的距离d max，然后设距离阈值为d，若d max，那么保留d max，并将该点为界点，对道路线进行分段处理，重复上述过程，将保留的点看做是点云的分段节点。
（四）三维道路边界提取
在开展三维道路边界提取工作时，可以将分段后的三维为候选点及投影到二
维平面上，在平面上对投影点进行局部分段处理，并应用RANSAC直线对其进行
拟合，然后设置一个距离阈值，若点到直线的距离小于这一阈值，那么将这一个
点设置为内点，并通过迭代的方式找到一条直线，使内点数量最多。
在对点云数
据进行预处理与分段处理后，得到的候选点集中与道路边界类别相关的点密度最大，此时可以利用RANSAC拟合直线，找出投影平面上偏向于道路边界点所在的
区域中心。
此时设置合适的距离阈值，则可以完成道路边界节点在投影平面上的
范围筛选工作。
最后将筛选得到的内点平面坐标原本三维点的x，y坐标进行比较，若两者数量一致，那么三维点坐标表示的点就是道路边界点。
考虑到道路边
界点集在高程方向上呈连续分布，因此在利用高程滤波对候选点集进行处理后，
可以得到高程方向上的道路边界点。
需要注意的是，在利用平面映射获取三维空
间道路边界点信息的过程中，需要充分考虑平面范围内距离的影响。
在开展不规
则道路边界曲线分析工作时，需要分段思想将LiDAR点云分为连续的局部区域，
然后利用RANSAN直线模型，对直线段进行拟合，拟合工作完成后对其进行整合
处理，从而得到更为完整的道路边界点。
二、技术应用结果
（一）数据源
本文在实验分析过程中主要以A市某条街道为分析对象，该街道属于典型的
城市道路，道路两侧分布着密集的建筑物和植被，零星分布着多种市政基础设施。
为了切实了解综合应用OSM与车载LiDAR点云数据后，城市道路边界信息的提取
效果，选择附近存在墙体一样的道路边界、形状复杂的分车带以及花坛的直道，
作为试验区。
（二）实验结果
对直道区域的数据集进行分析后可以了解到，首先，在以地面点为基础生成DEM获取剩余非地面点相对高程的过程中，由于CSF滤波中的布料模拟存在错误，导致少量点的高程不够精准。
为了提高高程分析的准确度，提升道路边界点及筛
选工作的完整性，可以将相对高层阈值的范围控制在-0.5m—1m之间。
对于以建
筑物墙体为边界的点集，在分析过程中可以将其高程阈值的范围同样设置为-
0.5m—1m，然后将得到的数据信息进行筛选，去除点集中的非道路边界外点。
对
相对高层进行滤波处理后可以发现道路边界结构得到了完整的保留，但道路边界
附近存在大量的噪声点以及一些结构相似的异常点集。
其次，在应用OSM道路矢量线数据建立缓冲区的过程中，可以从道路边界候
选点中分离噪声点，得到可能为道路边界的点集。
在实际点集分析过程中，建立
缓冲区的主要目的在于消除RANSAC拟合过程中产生的非道路边界的墙体密集点
所产生的误差。
最后，应用DP算法对OSM道路矢量数据节点进行简化，并开展分车带节点
的创建工作，在实际分析过程中，可以以拓扑节点为基础，对上述节点进行分析，选择可能的道路边界点集并对其进行分段处理，然后对应用RANSAC算法对分段
点云进行直线拟合处理，并将提取到的结果进行整合。
在完成数据分析工作后，通过人工目视的方法，完成道路边界节点的分类工作，可以发现综合应用OSM与LiDAR点云数据分析方法可以实现道路边界形态、
条数以及空间位置的有效分类与提取，可以满足后续三维建模工作的需要。
结论：总而言之，在道路边界精细化提取分析过程中，综合应用OMS道路矢
量辅助数据域与车载激光雷达点云数据，可以为道路单位矢量化模型的构建提供
支持，切实提高导航地图的绘制工作的精度，为我国道路交通体系的稳定发展打
下坚实的基础。
参考文献：
[1]方莉娜,卢丽靖,赵志远,等.车载激光点云道路边界提取的Snake方法[J].测绘学报,2020,49(11):1438-1450.
[2]游昌斌. 基于多源数据的城市道路边界三维建模[D].厦门大学,2019.。