EN中文

地球信息科学学报 >

2016 , Vol. 18 >Issue 3: 376 - 385

DOI: https://doi.org/10.3724/SP.J.1047.2016.00376

地球信息科学理论与方法

面向车载激光扫描数据的道路目标精细化鲁棒提取

  • 熊伟成 , * ,
  • 杨必胜 ,
  • 董震
展开
  • 武汉大学 测绘遥感信息工程国家重点实验室,武汉 430079

作者简介:熊伟成(1989-),男,湖北咸宁人,硕士,研究方向为激光雷达数据特征提取与三维重建.E-mail:

收稿日期: 2015-05-18

  要求修回日期: 2015-09-16

  网络出版日期: 2016-03-10

基金资助

国家自然科学基金项目(41371431)

收起

Refining and Robust Extraction of Roads from Mobile Laser Scanning Point Clouds

  • XIONG Weicheng , * ,
  • YANG Bisheng ,
  • DONG Zhen
Expand
  • State Key Laboratory for Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China
*Corresponding author: XIONG Weicheng, E-mail:

Received date: 2015-05-18

  Request revised date: 2015-09-16

  Online published: 2016-03-10

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

精确的三维道路信息,对于交通运输,城市规划,道路网建设,三维道路建模等具有重要意义.车载移动测量系统作为一项高新测绘技术能快速,准确地获取三维激光点云,适用于大场景的道路提取与建模.本文提出了一种从车载激光点云中快速精细化提取三维道路及其边界的方法.该方法首先利用车载激光点云的空间特征对点云进行自适应分段,然后利用先验知识与规则提取候选的道路及其边界,并根据道路边界的线状特征,对所提取的道路边界进行跟踪及矢量化,最后得到道路的参数.为了验证本方法的有效性,试验采用了3组不同道路场景的数据进行验证,结果表明提取结果的准确度,完整度及检测质量都达到了90%以上.定量与定性的结果分析表明,本文方法对于不同复杂场景下不同点密度的数据具有很好的适应性,能快速,鲁棒地提取大场景内的道路及其边界.

关键词： 车载LiDAR; 激光点云; 道路提取; 道路模型参数

本文引用格式

熊伟成 , 杨必胜 , 董震 . 面向车载激光扫描数据的道路目标精细化鲁棒提取[J]. 地球信息科学学报, 2016 , 18(3) : 376 -385 . DOI: 10.3724/SP.J.1047.2016.00376

Abstract

Accurate three-dimensional road information has important significance in the fields of transportation, urban planning, road network construction, 3D road modeling and intelligent vehicle. For instance, in the field of intelligent vehicle, accurate three-dimensional road information can provide lane level road information for autonomous navigation. As a high-tech tool of surveying and mapping, mobile laser scanning can obtain 3D laser point cloud quickly and accurately and is suitable for road extraction and modeling in large-scale scenes. A robust method for extracting the refined three-dimensional road and its boundary from mobile laser scanning point clouds is proposed. First, the point cloud is self-adaptively partitioned according to the spatial feature of mobile laser point cloud. Then, the candidate road and its boundary are extracted based on the prior knowledge and rules. And the extracted road boundary is tracked and vectorized according to the linear feature of the road boundary. Finally, the road model parameters are computed by the extracted road and its boundary. Experiments were undertaken to evaluate the validities of the proposed method with three different scene datasets, including the highway, urban area and campus. The highway dataset contains a steep ramp and its point density is low, the urban dataset contains flower beds in the middle of the road, the campus dataset contains a great many of objects such as trees, pedestrians, cars et al and its point density is very high. The completeness, correctness, and quality of the extracted roads are over 91.29%, 93.15%, and 90.08%, respectively, which proves the proposed method is capable in various complex scenes with different point density, which is fast and robust to extract road and its boundary in large-scale scenes.

Key words： mobile laser scanning; laser point clouds; road extraction; road model parameter

1 引言

道路在交通运输,城市规划,"智慧城市"等领域都占有举足轻重的地位,准确且高精度的道路几何信息对于灾害管理,应急响应,交通事故分析等有重要的作用[1-4].遥感数据(如航空或卫星影像,以及机载激光雷达数据)提取道路信息,一直是摄影测量与遥感领域研究的热点,但是,通过这些方法获得的结果缺少高精度的道路几何信息[5-6],无法满足三维导航和"智慧城市"建设等方面的需求.
车载移动测量系统作为一项迅猛发展的高新测绘技术,以汽车作为观测平台,集成GNSS,IMU,激光扫描仪,CCD相机等多种传感器,能快速地获取目标对象的高精度几何信息和纹理信息,为道路信息的提取提供了新的途径[7-9].车载移动测量系统获取的数据量大,如RIEGL VVMX-450每秒能获取1 100 000点,每小时大约获取60 G的点云数据,而且获得的激光点云场景复杂,目标多样,不同目标相互交错,重叠,数据还存在缺失等现象,这些问题对从车载激光点云中快速,正确,完整地提取道路信息提出了挑战.
利用车载激光雷达数据提取道路信息的方法主要分为2类:
(1)结合第三方数据(如路网数据,深度数据等)对道路进行提取.HAN利用2D-LiDAR传感器获取得到的深度数据提取道路的线段特征,然后在车辆的局部坐标系下通过NNF最近邻过滤器对道路特征进行追踪得到道路的边界,该方法能提取不同结构道路的边界[10].Kumar等利用改进后的参数活动轮廓模型及snake模型,并将2个模型有效地结合起来提取道路两边的边界.参与算法的参数值由经验而定,并将导航信息作为snake模型的初始值[11].Boyko等将路网数据中的二维道路点融合点云数据中的高程信息作为snake模型的初始化数据,然后将局部范围中提取得到的路坎点,作为snake模型的收敛边界进行大场景城市环境的道路提取[12].这类方法能在更多信息的支持下对道路目标进行提取,但当第三方数据本身出现错误或者缺乏时,就难以有效地从点云数据中提取道路信息.
(2)在无第三方数据下,通过利用道路特征等信息对道路进行提取.Yang等通过扫描点的GPS或角度得到扫描线,然后利用扫描线上激光点的空间分布特征提取路坎点,最后对提取的路坎点进行优化得到道路及其边界[13].该方法需提取激光数据的扫描线,而扫描线的获取是一个繁琐的过程.Yuan等提出一种从激光点云中提取道路面的算法,其利用模糊聚类对LiDAR点进行聚类,并利用坡度信息将直线拟合到线性集群数据中来提取道路表面区域[14].该方法由于使用模糊聚类,效率比较低,无法快速地处理大范围内的数据.Goulette等提出了一种从激光数据中分割道路,树,以及立面的方法[15].该方法利用道路作为水平面具有高的点密度将道路分割出来,并利用分割出来的信息,计算道路的宽度和曲率.该方法并没有提取道路的精确边界,而且对于道路地形起伏大的场景无效.
针对上述问题,本文根据车载激光点云的空间分布特征,以及道路边界的线性特征,提出了一种从车载激光扫描点云中快速精细化提取三维道路的方法.

2 三维道路精细提取

车载激光扫描系统的扫描方式主要为线性扫描,在不同的道路环境中数据都具有很强的空间一致性,其分布大致为一系列相互紧密相邻的扫描线.本文首先根据激光数据的时间与空间特性将激光数据进行自适应分段,目的是将数据分割为相互紧邻的独立小段,以便对道路目标区域的确定及方便对道路边界进行快速提取,同时有利于计算道路的几何参数;然后,根据道路边界的几何特征,提取潜在的道路边界点并对潜在的道路边界点进行分析,以得到完整的矢量化道路边界及道路;最后,利用提取得到的道路及其边界,对道路几何信息进行计算.该方法的具体流程如图1所示.
Fig. 1 Flowchart of road information extraction from mobile LiDAR points

图1 道路信息提取流程

2.1 车载激光数据的自适应分段

车载激光扫描系统主要的扫描方式为线性扫描,激光点云在获取过程当中按照时间顺序进行获取,在空间中依次排列相互紧邻.如图2(a)所示,相邻点依次紧邻形成扫描线,且相邻的扫描线在空间上相互紧邻并沿车辆行进方向依次排列.
Fig. 2 Diagram of data partition

图2 点云分段示意图

如图2(b)所示,扫描线 S k - S k + 3 相互紧邻,扫描线内的点在空间上连续排列.在对激光数据进行分段时,设每个剖面的点数为 N 1 ,则点数为N的数据共有剖面的个数 N s 值为:
N s = N N 1 + 1 (1)
Sectio n i 与 Sectio n i + 1 为空间相邻的2个剖面,且2个剖面的点数都为 N 1 .由于扫描线的点数未知,剖面中扫描线的个数也未知.由于点密度的影响, N 1 的取值将直接影响剖面中扫描线的个数及分布.
如图2(b)所示,首先在数据中任意取2段连续相连的剖面 Sectio n i , Sectio n i + 1 ,将剖面的点数设为一个比较大的值 N l ,以保证剖面能包含多条扫描线.然后,通过点云密度分析得到 Sectio n i 与 Sectio n i + 1 的道路格网,取格网中高程最小的点作为道路点,分别设为 P i , P i + 1 .接着,将 P i 与 P i + 1 连成直线 Lin e i , i + 1 ,为直线 Lin e i , i + 1 设置一个缓冲区Buffer,缓冲区宽度为一个小值如0.15,同时求 Sectio n i 中处在Buffer里的点,设为点集合B.设定一个初始点集合P,将 P i 加入点集合P中,搜索B中所有的点,当B中存在点 P j ,使得 P j 到点集P中所有的点的距离都大于缓冲区宽度,则将 P j 加入点集合P,重复搜索操作直至B集合中没有点满足要求为止.这时点集P中的点即为直线 Lin e i , i + 1 与 Sectio n i 中扫描线的交点.最后,求点集合P中任意2点距离的最大值与最小值,设分别为 d s 与 d i .则该数据分段参数 N 1 值为:
N 1 = K 1 × N l ( d s d i + 1 ) (2)
式中: K 1 的值为3-4.式(2)表示保证任意密度的数据在分段时,每个剖面的扫描线个数大约为 K 1 个.该数据密度聚类参数 R d 的值为:
R d = K 2 × d s (3)
式中: K 2 的值为2.5 - 3.0 .设 Mi n d 为2.3节中聚类图的最少点数,其值为3,表示密度聚类搜索半径为 K 2 倍的剖面距离,每个聚类段的最少点数为 Mi n d .

2.2 道路边界精细提取

城市中道路一般为规则化的,路坎作为道路的边界一般表现为规则的人造台阶形状[13,16],由此可知,路坎在激光扫描数据中具有一些不同于其他目标的特征.而在郊区或偏远地区(如高速公路)时,道路并没有路坎,但是,道路边界一般有护栏或点的高程变化大,表现出较大的高程差异.道路边界点提取时首先需对每个剖面格网化,然后分析每个格网的密度得到一个位于道路中的格网,最后以道路格网为初始格网,利用道路边界的特征提取道路边界点.
2.2.1 点云密度分析
由于车载激光扫描系统一般采用线性扫描方式,故靠近车辆的数据点密度较高,而离车辆较远的数据点密度较低,所以,在车载激光数据中道路处的点密度,要比非道路处的点密度要大,通过这些特性可在剖面中提取道路点.
密度分析时以剖面为单位进行分析,设任意一个剖面为 Sectio n i ,将 Sectio n i 进行纵向格网化,剖面 Sectio n i 是由若干个扫描线组成,在空间上呈现为条带型,可通过PCA(Principal Components Analysis)计算 Sectio n i 的纵向方向 n v ;然后,以 ∆ d 为步长,以 n v 为方向,对 Sectio n i 进行格网化;最后,对每个格网内的点进行密度分析.设 Sectio n i 中某格网的点高程最大最小值分别为 Z max , Z min ,以 ∆ Z 为高程间隔(一般取一个小值如0.1)将该格网内的点进行剖分,其段数为:
S n = Z max - Z min ∆ Z + 1 (4)
则第 j 段中点的高程应满足的条件为:
Z j ∈ [ Z min + ( j - 1 ) × ∆ Z , Z min + j × ∆ Z ] (5)
由于道路呈平面状,故道路点在水平方向具有较高的密度.最后,统计每段中点的个数,将点数最多的段的点数值作为格网的密度值.显然,密度值最大的格网一定处在道路上,取该格网中高程最小的点,该点即为道路点.
2.2.2 基于规则的道路边界候选点提取
激光扫描数据中道路边界的高程变化比道路中的点大,且边界点的高程差在一定范围内.设任意一个剖面为 Sectio n i ,由密度分析得剖面 Sectio n i 中密度最大的格网为 B k (即为处在道路上的格网),如图3所示.
Fig. 3 Road border judgment

图3 道路边界判断

道路边界点提取首先以道路格网 B k 为起始格网,分别沿着剖面 Sectio n i 左右2个方向对格网进行搜索;然后,通过判断法向量夹角,高程差值以及高程残差等对边界格网进行提取;最后,对提取得到的多个边界点组成的边界点集进行判断,得到道路的左右边界点.由于道路上的车辆及行人不符合道路边界特征,而搜索是由道路处的格网向两边进行,所以提取过程中首次获得的点为道路的边界点,如图3(b), B m 与 B p 都为搜索到的道路边界格网,而 B m 为道路格网 B k 首次搜索得到,为真实的道路边界.道路边界点提取的伪代码如算法1所示.
算法1中,B={ B 1 , B 2 , ⋯ , B n }为一系列的格网, r th , θ th 分别为高程标准差阈值和角度阈值, ∆ Z 1 、 ∆ Z 2 为高差阈值, P l , P r 分别为左右边界点, n B i , r B i , h B i , P i 分别为格网 B i 的法向量,高程标准差,高程最大值,高程最小的点; C P l 为左边界点集, θ 为 B i 与 B k 法向量的夹角;SIZEOF( C P l )为 C P l 中点的个数.
通过对每个剖面进行道路边界点提取能得到一系列离散的道路边界点.但是,由于道路中央及边缘存在篱笆,栏杆等与道路边界特征相似的地物,会使得提取的道路边界点出现伪边界点;而且由于车辆等的遮挡会使道路边界部分缺失,提取的边界点还需拟合成线以便精确地表示道路边界.

2.3 基于线状特征的道路边界跟踪及矢量化

通过道路边界点提取得到的离散点,需进行聚类与特征分析,以便剔除一些伪边界点,补全由于遮挡造成的道路边界缺失,同时需对其进行矢量化,以便精确地表示道路边界.该过程主要分为4步(图4):(1)根据车辆的走向将提取到的道路边界点进行左右侧分割;(2)对边界点进行密度聚类;(3)通过特征分析剔除,合并道路边界聚类簇;(4)对每个道路边界聚类簇进行矢量化.
Fig. 4 Road border tracing and vectorization

图4 边界跟踪及矢量化

道路边界点左右侧分割车辆在扫描数据过程中,在一定时间内是沿着一个方向前进的,由于车辆行进于道路上,处于车辆两边的道路边界点,可根据车辆行驶方向将其分成2类,即道路的左边界点和右边界点,如图4(b)所示.
道路边界点密度聚类边界点分割后,分别对道路两侧的道路边界点进行密度聚类.采用DBSCAN聚类方法[17],通过设定聚类搜索半径 R d ,以及形成聚类簇的最少点数 Mi n d 对整个道路边界点进行聚类.通过密度聚类得到的每个聚类簇为一段道路的连续边界点集,如图4(c)所示.
道路边界线状特征聚类提取的边界点有些为伪边界点,且扫描时车辆等的遮挡会造成同一边界点集出现断裂.图5(a)所示(图5为图4(c)中的红框)聚类簇 C k 为伪边界段,呈现为非线性特征,而道路边界 C i , C i + 1 为线性特征,通过PCA计算每个聚类簇中点的特征值,当聚类簇中存在点的特征值不满足式(6)时,即聚类簇不符合线状特征,该聚类簇为非道路边界.图5(b)所示, C i 与 C i + 1 应为同一段道路边界,但由于遮挡等原因造成两聚类簇之间点缺失.首先通过PCA计算每个聚类簇中端点的主方向,以 C i 为初始聚类簇,搜索其他聚类簇的端点,当聚类簇端点的主方向与 C i 端点的主方向小于阈值 θ pca ,且端点的空间距离满足一定的阈值 dis t c 时,则该两聚类簇为同一个道路边界,重复上述过程直至所有聚类簇完成搜索为止(式(6)).
Fig.5 Road feature analysis

图5 道路特征分析

(6)
式中:f1 ,f2 ,f3 分别为聚类簇点的特征值,其值依次从大到小;T1 和T2 为线性特征阈值.
矢量化通过上述步骤得到一系列道路边界点集,使用样条曲线对边界点集,进行拟合得到一系列的道路边界线.

2.4 道路模型参数计算

道路特征描述的参数一般包括道路宽度,坡度,曲率等,其对道路建模,交通事故分析,交通控制等具有重要意义.由于道路在空间上是连续的整体,在对道路进行描述时,需将道路剖分为一系列连续的道路段.由上述可知,剖面在空间上是相互连续的,通过设定一个参数N2 ,将N2 个空间连续的剖面作为一个道路段,图6(a)为剖分得到的一系列连续道路段.点数为N 的数据共有道路段的个数Nr 值为:
(7)
Fig. 6 Diagram of road partition

图6 道路剖分示意图

车辆在扫描数据过程中的行进方向即为道路的走向,可认为是与道路边界平行的方向.通过以上密度分析得到道路格网中的道路点,对每个道路段中的道路点进行多项式曲线拟合,将一系列连续的道路段拟合成的曲线,合并成一个道路中心线,图6(b)红线所示,该中心线与道路边界平行处于道路上.
(1)道路宽度.通过PCA计算道路段Roadi 的特征方向分别为ux ,uy ,uz,如图6(b)所示.ux大致与扫描线方向一致,uy与ux垂直且2 个向量处于道路段所形成的面上,uz 与ux ,uy 垂直.计算Roadi在ux方向上的长度dx,拟合得到的道路中心线在该道路段的边界点,分别为pk ,pk +1 .由于扫描线方向与道路边界不垂直,所以,uy 也不与道路边界平行(图6(b)).则Roadi处的道路宽度dr为:
(8)
(2)坡度.道路坡度即道路段所处的面与XOY面的夹角,设XOY的单位法向量为e ,则Roadi 处的坡度gr为:
g r = tan arccos u z × e u z × 100 % (9)
(3)曲率.设道路段 Roa d i 处的道路点,通过 k 次 多项式拟合得到的曲线为 y k = f ( x ) ,则取该段曲线中心点作为道路的曲率,设中心点为 p mid ,则曲率 l r 为:
c r = | y ″ k | | 1 + y ′ k 2 | 3 2 (10)
式中: y ′ k 与 y ″ k 分别为 y k = f ( x ) 在点 p mid 处的一阶导数和二阶导数.
通过上述步骤即可求得所有道路段的道路参数,由于求得的参数值为离散的,所以,可对求得参数值进行拟合,以便估计道路在任意一处的参数值.

3 鲁棒提取实验与分析

3.1 实验数据

试验采用3组不同道路环境的数据集,对本文提出的方法进行验证分析,这3组数据分别为大数据量的校园数据,带有中间花坛的城区数据以及高速公路数据.图7分别为这3组数据的原始数据,表1分别为这3组数据的相关描述信息.
Fig. 7 Datasets of the raw data

图7 原始数据

Tab. 1 Description of the experimental data

表1 实验数据描述

特征
数据 数据大小/GB 点数/个 数据范围/m2 数据描述
校园数据 56.6 2 129 923 634 1726×1882 数据点密度大,特征复杂,含有大量的树及建筑物,校园内因车辆与行人密集,激光数据点中的道路存在大量的车辆,行人等,使得数据存在大量的遮挡现象,而且整个数据的地形起伏大
城区数据 0.84 32 123 587 393×2113 数据点密度比较大,为典型的城区数据,含有大量的建筑物,树木,杆状物,篱笆等等,道路中央还存在非规则化的花坛,整个区域地形起伏不大
高速公路数据 0.22 6 734 500 2973×1578 数据点密度相对比较小,为高速公路数据,其区域高程起伏比较大,特别是匝道部分

3.2 实验结果

从这3组数据可知,不同扫描仪在不同场景下获取数据的点密度存在很大的差异.对3组不同道路环境的数据进行处理时,采用表2中的同一组参数.参数中的 K 1 与 K 2 保证了处理不同点密度的3组数据的自适应性;格网步长 ∆ d 为一个小值,对不同数据而言格网的大小是一样的;路坎高差阈值 ∆ Z 1 、 ∆ Z 2 ,法向量夹角 θ th ,以及道高程标准差 r th 等参数由道路几何结构确定,实际中道路设计是按照标准进行设计的,道路边界的特征大体一样,故这几个参数的取值,在不同数据中具有适应性;道路段参数 N 2 表示截取道路的宽度,主方向夹角 θ pca 以及聚类簇距离 dis t c ,分别表示2聚类簇聚合的参数,由于道路上主要是车辆的遮挡,故 dis t c 的取值为车辆的长度.图7为3组数据的原始点云,图8(a)-(c)分别为校园数据,城区数据以及高速公路数据的道路及其边界提取结果,试验中采用2.0 GHz Intel(R) Core(TM)i7-4750HQ CPU四核处理器进行并行处理,数据处理时间如表3所示.
Tab. 2 Setting of the data processing parameters

表2 数据处理参数设定

Tab. 3 Time of data processing

表3 数据处理时间

时间/min
数据 数据分段 边界点提取 矢量化及道路参数计算 总计
校园数据 7.46 60.16 8.53 76.15
城区数据 0.22 1.72 0.32 2.26
高速公路数据 0.006 0.467 0.098 0.571
Fig. 8 Results of road and it's boundary extraction

图8 道路及其边界提取结果

注:图8(a),(b),(c)上半部分表示提取到的道路边界,且边界已矢量化,不同颜色代表不同的道路段;下半部分中,蓝色为提取到的道路,绿色为其他目标

综上分析,本文方法能快速准确地提取城区及高速公路等非城区的道路及其边界信息,能处理带有车辆,行人等干扰信息,带有中间花坛的道路,以及地形起伏变化大的高速公路匝道等不同复杂场景的数据;对不同扫描仪在不同场景下获取的不同点密度数据,本方法具有很好的鲁棒性.

3.3 试验结果分析

本文利用人工标记道路边界的信息,通过计算准确度,完整度等精度评价指标来验证道路及其边界提取的精确度[11-13](图9).
Fig. 9 The actual and extracted road boundary grids

图9 真实与提取到的道路边界格网

上述对每个剖面都进行了格网化,可将每个剖面中真实的道路边界格网标记出来,然后经线状特征分析后得到的道路边界格网进行对比,以判断道路及边界是否提取正确.
准确度p为:
p = TP / ( TP + FP ) (11)
完整度r为:
r = NT / ( NE + NN - NF ) (12)
检测质量q为:
q = TP / ( TP + FP + FN ) (13)
道路边界完整度c为:
c = NT / ( NE + NN - NF ) (14)
式中:TP为正确的道路边界格网数;FP为错误的道路边界格网数;FN为未检测出的道路边界格网数;NT为真实环境中道路的有效边界个数;NE为矢量化后的道路边界个数;NN为漏提取的道路边界个数;NF为错误提取的道路边界个数.精度评价指标p,r,q能有效地评价道路边界提取的精度,提取质量c能评价道路边界的提取完整度.
从表4可知,道路边界的完整率c要比总体完整率r的值要小,这是由于在对道路边界进行合并时,遮挡过多会使提取的道路边界更零散,而高速公路数据中真实道路边界数比较小,这会使得c更容易偏小.试验结果中出现错误的道路及其边界主要是在车辆过多(图8(a)),路坎磨损严重的街道(图8(b)).这是因车辆过多会将路坎分割为一个个零碎的小段,提取得到的道路边界也是一系列零碎的聚类簇,在特征分析过程中有可能会将一些过于零碎的聚类簇去掉;而路坎磨损严重会使得路坎的几何特征无法满足道路边界提取中的几何约束,最终无法提取有效的道路边界.针对车辆过多造成边界提取不全的现象,实际中道路上的车辆是无法遮挡道路所有边界的,可利用未遮挡而提取到的道路边界作为插值中心,对该条道路边界进行插值拟合,得到被遮挡区域的道路边界,以便得到完整的道路边界及道路信息.
Tab. 4 The accuracy of road and it's boundary extraction result

表4 不同数据的道路及边界提取精度值(%)

数据 p r q c
校园数据 93.15 91.29 90.08 89.03
城区数据 97.86 95.54 92.21 91.24
高速公路数据 98.28 96.73 95.98 80.00

4 结论

本文针对车载激光雷达数据,通过利用激光扫描数据中点云的空间特征及道路边界的特征信息,在不依赖第三方数据的情况下,提出了一种快速提取不同复杂场景下三维道路的方法.通过对3组不同场景下的激光扫描数据,试验验证了方法的有效性;通过对道路及边界提取结果与手工标记的结果进行对比,本文提取的精度总体大于90%.试验结果表明,本文方法在无第三方辅助数据的条件下,对于不同点密度,不同道路环境的三维道路信息提取结果,具有很好的鲁棒性,并能有效地计算道路的几何模型信息,解决了只能利用某个特定种类的扫描仪在特定场景下,获取的数据进行道路目标提取,以及无法有效获得道路的几何模型参数的问题.

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Arita S, Goff D, Miyazaki H, Ishio W.Wide field of view (FOV) and high-resolution lidar for advanced driver assistance systems[C]. Proc. SAE 2007 World Cong, 2007:51-59.

[2]
Brenner C.Extraction of features from mobile laser scanning data for future driver assistance systems[M]. Advances in GIScience, 2009:25-42.

[3]
Darnel C.Using LiDAR to solve industry challenges[J]. Geo: Geoconnexion International Magazine, 2012,11(1):18-19.

[4]
Gomes S V.The influence of the infrastructure characteristics in urban road accidents occurrence[J]. Accid. Anal. Prevent, 2013,60:289-297.This work aims to contribute to the scientific knowledge of accidents phenomenon in Portugal, with detailed and accurate information on the factors affecting its occurrence. This allows to explicitly include safety aspects in planning and road management tasks.

DOI PMID

[5]
Elberink S J O, Vosselman G. 3D information extraction from laser point clouds covering complex road junctions[J]. The Photogrammetric Record, 2009,24(125):23-36.Abstract An automated method for 3D modelling of complex highway interchanges is presented. Laser data and 2D topographic map data have been combined in an innovative 3D reconstruction procedure. Complex situations as shown in this paper demand knowledge to guide the automatic reconstruction. This knowledge has been used in the fusion procedure to constrain the topological and geometrical properties of the reconstructed 3D model. These additions are needed to take care of the lack of data in occluded areas. Laser data has been segmented and filtered before it is fused with map data. In the surface-growing algorithm combining map and laser points, the laser data is assigned to the corresponding road element. Although results are shown using two specific data sources, the algorithm is designed to be capable of dealing with any polygon-based topographic map and any aerial laser scanner data-set. Résumé Une méthode automatisée pour la modélisation 3D d’échangeurs autoroutiers complexes est présentée. Des données laser et une carte topographique 2D sont combinées à travers une procédure innovante de reconstruction 3D. Cet article montre que dans des situations complexes la reconstruction automatique doit être guidée par de la connaissance. Cette connaissance a été utilisée dans la procédure de fusion pour contraindre les propriétés topologiques et géométriques du modèle 3D reconstruit. Ces ajouts sont nécessaires en raison du manque de données dans les zones cachées. Les données laser ont été segmentées et filtrées avant d’être fusionnées avec la carte. Dans l’algorithme de croissance de surface qui combine la carte et les points laser, les données laser sont attribuées au tronçon de route correspondant. Bien que les résultats proviennent de deux sources spécifiques de données, l’algorithme est conçu pour être capable de traiter n’importe quelle carte topographique à base de polygones, et n’importe quel jeu de données de laser aéroportéà balayage. Zusammenfassung Dieser Beitrag präsentiert eine Methode zur 3D-Modellierung von komplexen Autobahnkreuzungen. Für die 3D-Rekonstruktion wurden flugzeuggestützte Laserdaten und zweidimensionale Kartendaten kombiniert. Derart komplexe Objekte benötigen Vorwissen, um die automatische Rekonstruktion zu steuern. Damit lassen sich bei der Fusionierung Bedingungen für die topologischen und geometrischen Eigenschaften des rekonstruierten 3D-Modells formulieren. Dies ist erforderlich, um das Fehlen von Daten in verdeckten Gebieten zu kompensieren. Die Laserdaten wurden zunächst segmentiert und gefiltert bevor sie mit den Kartendaten fusioniert wurden. In dem Oberflächenwachstumsverfahren werden Karten- und Laserpunkte kombiniert und die Laserdaten dem korrespondierenden Straßenelement zugewiesen. Die gezeigten Ergebnisse beziehen sich auf zwei spezifische Datenquellen, allerdings ist der Algorithmus so ausgelegt, dass jede vektorbasierte Karte und jeder flugzeuggestützte Laserdatensatz genutzt werden können. Resumen Se presenta un método automático para modelado tridimensional de intersecciones complejas de autopistas en el que datos láser y cartografía topogràfica bidimensional se combinan mediante un innovador procedimiento de reconstrucción tridimensional. Las situaciones complejas como las que se presentan en este artículo requieren de la aportación de conocimiento para guiar el proceso de reconstrucción automática. Este conocimiento se usa en el procedimiento de fusión para limitar las propiedades topológicas y geométricas del modelo tridimensional reconstruido, y resulta indispensable para suplir la falta de datos en partes ocluidas. Los datos láser se segmentan y filtran antes de la fusión con la cartografía. Los puntos láser y la cartografía se combinan con un algoritmo de crecimiento de superficies, en el que los puntos láser se asignan al elemento de la carretera correspondiente. Aunque los resultados corresponden a dos conjuntos de datos concretos, el algoritmo está diseñado para manejar cualquier mapa topográfico con polígonos y cualquier conjunto de datos de un barredor láser aéreo.

DOI

[6]
Lafarge F, Gimelfarb G, Descombes X.Geometric feature extraction by a multi-marked point process[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence, 2010,32(9):1597-1609.This paper presents a new stochastic marked point process for describing images in terms of a finite library of geometric objects. Image analysis based on conventional marked point processes has already produced convincing results but at the expense of parameter tuning, computing time, and model specificity. Our more general multimarked point process has simpler parametric setting, yields notably shorter computing times, and can be applied to a variety of applications. Both linear and areal primitives extracted from a library of geometric objects are matched to a given image using a probabilistic Gibbs model, and a Jump-Diffusion process is performed to search for the optimal object configuration. Experiments with remotely sensed images and natural textures show that the proposed approach has good potential. We conclude with a discussion about the insertion of more complex object interactions in the model by studying the compromise between model complexity and efficiency.

DOI PMID

[7]
Graham L.Mobile mapping system overview[J]. Photogrammetric Engineering & Remote Sensing, 2010,76(3),222-229.

[8]
Haala N, Peter M, Kremer J, et al.Mobile LiDAR mapping for 3D point cloud collection in urban areas-aperformance test[J]. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2008,37(B5):1119-1124.ABSTRACT

[9]
Tao C V, Li J.Advances in Mobile Mapping Technology[M]. London: Taylor & Francis Group, 2007:36-54.

[10]
Han J, Kim D, Lee M, et al.Road boundary detection and tracking for structured and unstructured roads using a 2d lidar sensor[J]. International Journal of Automotive Technology, 2014,15(4):611-623.Road boundaries can give useful information for evaluating safe vehicle paths in intelligent vehicles. Much previous research has studied road boundary detection, using different types of sensors such as vision, radar, and lidar. Lidar sensors, in particular, show advantages for road boundary extraction including high resolution and wide field of view. However, none of the previous studies examined the problem of detecting road boundaries when roads could be either structured or unstructured. In this study, we developed a road boundary detection and tracking algorithm using lidar sensing for both structured and unstructured roads. The algorithm extracts road features as line segments in polar coordinates relative to the lidar sensor. The extracted road features are then tracked with respect to a vehicle's local coordinates using a nearest neighbor filter. The proposed algorithm accurately detected the road boundaries regardless of the road type.

DOI

[11]
Kumar P, McElhinney C P, Lewis P, et al. An automated algorithm for extracting road edges from terrestrial mobile LiDAR data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013,85:44-55.Terrestrial mobile laser scanning systems provide rapid and cost effective 3D point cloud data which can be used for extracting features such as the road edge along a route corridor. This information can assist road authorities in carrying out safety risk assessment studies along road networks. The knowledge of the road edge is also a prerequisite for the automatic estimation of most other road features. In this paper, we present an algorithm which has been developed for extracting left and right road edges from terrestrial mobile LiDAR data. The algorithm is based on a novel combination of two modified versions of the parametric active contour or snake model. The parameters involved in the algorithm are selected empirically and are fixed for all the road sections. We have developed a novel way of initialising the snake model based on the navigation information obtained from the mobile mapping vehicle. We tested our algorithm on different types of road sections representing rural, urban and national primary road sections. The successful extraction of road edges from these multiple road section environments validates our algorithm. These findings and knowledge provide valuable insights as well as a prototype road edge extraction tool-set, for both national road authorities and survey companies. (C) 2013 International Society for Photogrammetry and Remote Sensing, Inc. (ISPRS) Published by Elsevier B.V. All rights reserved.

DOI

[12]
Boyko A, Funkhouser T.Extracting roads from dense point clouds in large scale urban environment[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2011,66(6):2-12.This paper describes a method for extracting roads from a large scale unstructured 3D point cloud of an urban environment consisting of many superimposed scans taken at different times. Given a road map and a point cloud, our system automatically separates road surfaces from the rest of the point cloud. Starting with an approximate map of the road network given in the form of 2D intersection locations connected by polylines, we first produce a 3D representation of the map by optimizing Cardinal splines to minimize the distances to points of the cloud under continuity constraints. We then divide the road network into independent patches, making it feasible to process a large point cloud with a small in-memory working set. For each patch, we fit a 2D active contour to an attractor function with peaks at small vertical discontinuities to predict the locations of curbs. Finally, we output a set of labeled points, where points lying within the active contour are tagged as 鈥渞oad鈥 and the others are not. During experiments with a LIDAR point set containing almost a billion points spread over six square kilometers of a city center, our method provides 86% correctness and 94% completeness.

DOI

[13]
Yang B, Fang L, Li J.Semi-automated extraction and delineation of 3D roads of street scene from mobile laser scanning point clouds[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013,79:80-93.Accurate 3D road information is important for applications such as road maintenance and virtual 3D modeling. Mobile laser scanning (MLS) is an efficient technique for capturing dense point clouds that can be used to construct detailed road models for large areas. This paper presents a method for extracting and delineating roads from large-scale MLS point clouds. The proposed method partitions MLS point clouds into a set of consecutive "scanning lines", which each consists of a road cross section. A moving window operator is used to filter out non-ground points line by line, and curb points are detected based on curb patterns. The detected curb points are tracked and refined so that they are both globally consistent and locally similar. To evaluate the validity of the proposed method, experiments were conducted using two types of street-scene point clouds captured by Optech's Lynx Mobile Mapper System. The completeness, correctness, and quality of the extracted roads are over 94.42%, 91.13%, and 913%, respectively, which proves the proposed method is a promising solution for extracting 3D roads from MLS point clouds. (C) 2013 International Society for Photogrammetry and Remote Sensing, Inc. (ISPRS) Published by Elsevier B.V. All rights reserved.

DOI

[14]
Yuan X, Zhao C X, Cai Y F, et al.Road-surface Abstraction using Ladar Sensing[C]. ICARCV, 2008:1097-1102.

[15]
Goulette F, Nashashibi F, Abuhadrous I, et al.An integrated on-board laser range sensing system for on-the-way city and road modelling[J]. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2006,36(1):1-6.ABSTRACT Precise realistic models of outdoor environments such as cities and roads are useful for various applications. However, for a high level of detail, and a large size of environment to be digitized, one has to face the issues of quantity of information to be acquired, processed and stored, and of overall processing time. We present in this paper an integrated on-board laser range sensing system addressing this need: it is designed to perform city and road geometric modelling as it moves. It is based on a laser range sensor mounted on a vehicle whose position is known trough GPS-INS localization; it produces raw 3D range data and performs specific modelling for cities and features extraction for roads.

[16]
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):261-267.车载激光扫描系统获取的结构化 道路环境(城市道路/高速公路)点云数据量大、目标复杂,难以有效提取出道路的点云。本文通过分析扫描线上激光点云的空间分布和统计特征,提出一种适用于 结构化道路环境的道路点云自动提取方法。在Optech公司提供的两份车载激光扫描点云数据中,道路提取结果的完整率、准确率、提取质量相应地超过 94.92%、95.80%和91.13%。通过定量和定性的试验分析,该方法不仅适应于有固定道路宽度的规则道路提取,同样适用于无固定宽度的非规则道 路提取。

[ Fang L N, Yang B S. Automated extracting structual roads from mobile laser scanning point clouds[J]. Acta Geodaetica et Cartographica Sinica, 2013,42(2):261-267. ]

[17]
Ester M, Kriegel H P, Sander J, et al. A density-based algorithm for discovering clusters in large spatial databases with noise[C]. Proceedings of the Second International Conference on Knowledge Discovery and Data Mining, 1996:226-231.

Options
文章导航

/

〈 〉