EN中文

Journal of Geo-information Science >

2023 , Vol. 25 >Issue 8: 1546 - 1558

DOI: https://doi.org/10.12082/dqxxkx.2023.220792

Urban Road Boundary Extraction Method based on Local Feature Constraints of Scanline for Vehicle-borne LiDAR Point Cloud

  • DONG Xiao , 1 ,
  • WANG Jingxue , 1, 2, * ,
  • ZHANG Chenglong 3
Expand
  • 1. School of Geomatics, Liaoning Technical University, Fuxin 123000, China
  • 2. Collaborative Innovation Institute of Geospatial Information Service, Liaoning Technical University, Fuxin 123000, China
  • 3. Beijing Institute of Control Engineering, Beijing 100190, China
*WANG Jingxue， E-mail:

Received date: 2022-10-15

  Revised date: 2023-02-04

  Online published: 2023-07-14

Supported by

National Natural Science Foundation of China(41871379)

Liaoning Revitalization Talents Program(XLYC2007026)

Liaoning Province Applied Basic Research Program(2022JH2/101300273)

Fold

Abstract

The road boundary extraction from the vehicle-borne LiDAR point cloud can be easily affected by the occlusion of vehicles and pedestrians in urban environment. These occlusion phenomena will cause two problems: one is the generation of pseudo-boundary points, and the other is the discontinuity of boundary lines. We find that the elevation standard deviation constraint can effectively deal with the problems caused by occlusion. First, data pre-processing is carried out, including point cloud subdivision, cloth simulation filtering, and scanline storage. Second, a continuous double window is established based on scanlines. The bidirectional moving window method is adopted to construct elevation difference constraint, angle value constraint, and elevation standard deviation constraint to obtain candidate road points. Then, based on the continuity of road boundary, the DBSCAN algorithm in density clustering is used to generate relatively continuous and accurate road boundary points. Finally, the cumulative curvature value and distance of the boundary breakpoint region are calculated to determine whether a location is a junction. The boundary breakpoint is not considered connected if it is a junction; otherwise, it is regarded as a breakpoint caused by vehicle or pedestrian occlusion. The quadratic polynomial curve is used to smooth the boundary points, and the mathematical parameter model of the boundary is obtained. The experimental results show that the accuracy of road boundary extraction can exceed 80% in an urban environment with more occlusion.

Key words： vehicle-borne LiDAR point cloud; pseudo-boundary point; scanline; bidirectional moving window; elevation standard deviation; intersection detection; curb point cloud

Cite this article

DONG Xiao , WANG Jingxue , ZHANG Chenglong . Urban Road Boundary Extraction Method based on Local Feature Constraints of Scanline for Vehicle-borne LiDAR Point Cloud[J]. Journal of Geo-information Science, 2023 , 25(8) : 1546 -1558 . DOI: 10.12082/dqxxkx.2023.220792

1 引言

与卫星影像技术相比，车载LiDAR不受照明和天气条件的限制，可提供道路环境的高密度、高精度的3D点云而被广泛应用于道路信息提取，尤其对于复杂的城市道路环境[1]。在构成城市道路环境的要素中，路坎作为道路的边界尤为重要[2]，划分道路与非道路区域，保证车辆在道路区域内行驶，保障驾驶人与行人的安全。现有的点云道路边界提取方法可以归纳为4类，如表1所示。
表1 不同方法处理遮挡问题的特点

Tab. 1 Characteristics of different methods to deal with occlusion problems

优点 缺点
点云栅格化方法 能够结合图像处理技术 受网格大小影响、对于遮挡格网无法有效确定格网属性
聚类分析方法 抗噪性强 计算量大、聚类效果难以控制
机器学习方法 适应性、自动
性强		 需要具有完备的样本数据
扫描线方法 无遮挡的情况提取精度高 遮挡情况下，道路边界提取精度低
第1类是点云栅格化方法。该方法首先对点云进行栅格化，得到栅格图像，结合图像处理和道路特征提取信息，是目前采用较为广泛的提取算法。Jaakkola等[3]将点云投影转换成强度和高度特征图像，通过图像处理技术提取道路。舍弃图像处理手段，马新江等[4]根据路缘石的空间单侧连续性与连续分布性进行提取。也有研究改进图像处理技术引入到点云中，刘如飞等[5]巧妙的引用图像处理中的LBP思想。该方法具有较强的可行性，而对于车辆行人遮挡处同样也会投影到格网，无法有效的确定格网属性，影响道路的正确提取，且精度依赖格网的大小。
第2类是基于聚类分析方法。该方法将属性一致的点聚类成若干点簇，将其作为后续处理单元，应用道路区域高程低、坡度小、占据面积广且强度较高等特征[6]。其中超体素聚类是常见的聚类方法， Zai等[7]计算加权距离度量进行自适应超体素聚类，基于图割的能量最小化提取边界点。考虑到超体素聚类后路坎会有超出部分， Mi等[8]使用收缩距离策略进一步定位边界，最后对于遮挡产生的断点采用三次Bezier曲线和Kalman滤波填补。该方法将聚类簇作为处理单元，增强了抗噪性，但能否有效的解决车辆行人遮挡依靠聚类效果，而聚类效果在复杂的城市道路中难以控制，且处理周期较长效率低。
第3类是基于机器学习方法。构建道路样本集，将样本集输入到模型中自动训练、预测分类出道路的边界点。针对经典的机器学习模型Varney[9]、罗海峰[10]构建训练集输入到SVM中进行训练、预测分类边界点。而近些年深度学习模型逐步成为主流，代替经典的机器模型，如Wen等[11]应用能量最小化的加权无向图提取边界，选取样本分别放入到U-Net、CNN模型中训练去除遮挡并填补断点。PointNet开创了基于点的方法[12]， Balado等[13]使用PointNet进行语义分割。该方法通过机器学习计算出最佳的权重用于特征分类，适应区域广、自动性强，但需要具有完备的样本数据用于模型的预测。
第4类是基于扫描线方法。该方法在已有或逐行提取扫描线的基础上，通过空间几何特征，包括高程、距离、点密度、角度等，建立多重约束条件提取边界点[14]。在经典的约束条件基础上，续东等[15]增加路坎与雷达之间测量距离的约束，Huang等[16]采用路坎点密度分布集中的特征进行提取，但遮挡处密度同样较大未能准确去除。以上是扫描线能够成功分离的情况，对于无法将数据分离成扫描线情况，可以按照短距离将点云分割、投影成各个剖面，Guan等[17]垂直与轨迹数据等距切片，熊伟成等[18]计算分割参数自适应切片，采用纵向投影栅格提取边界格网。或者基于轨迹数据建立伪扫描线作为处理单元，李会宾等[19]依靠行驶轨迹数据建立稠密纵断面轮廓，采用单线点云水平线精简稠密轮廓形成伪扫描线。该方法在无遮挡的情况下提取精度高、效率快，缺点也很显然，由于多重约束条件阈值设定较多，同时在车辆行人遮挡的道路环境中，易于将遮挡误识别成道路边界，导致边界精度降低。
综上，目前遮挡问题仍然是车载数据提取道路的棘手问题。因此本文深入探寻车辆底部和行人的点云分布特征，以扫描线为基础发现可以利用高程标准差约束剔除遮挡产生的伪路坎点。

2 研究方法

本文挖掘路坎处的空间模型特征，首先进行数据预处理，包括点云分段及地面点滤波、扫描线分离；然后进行路坎点提取，采用3种约束条件提取候选路坎点，并采用DBSCAN算法聚类去噪；最后实施边界优化及拟合，计算累加曲率值和距离进行路口检测，判定是否为路口之后采用二次多项式曲线边界拟合。图1为本文的整体流程。
图1 本文路坎点提取方法流程

Fig. 1 Flow chart of the proposed curb points extraction method

2.1 数据预处理

利用LiDAR点云进行道路边界点提取，首先对点云进行预处理，主要包括点云分段及地面点滤波、扫描线分离。

2.1.1 点云分段及地面点滤波

鉴于车载LiDAR系统对城市道路采集的数据量庞大，本文首先对点云进行分段处理。然后采用文献[20]的布料模拟滤波算法对每段点云分别滤波处理，去除大部分的非地面点。

2.1.2 扫描线分离

扫描线是按照激光点返回顺序连续存储的点序列[14]。本文以扫描线为基础提取道路边界点，但由于现有点云的无序性，需要将这些地面点按扫描顺序进行逐行分离，在滤波后的地面点具有连续性基础上，本文基于相邻点间距跳跃提取扫描线。
由于LiDAR自身的扫描原理，当扫描视场为顶部天空时无激光点返回，当前扫描线终点与下一条扫描线起点距离上存在明显跃阶[14]。设置突变距离阈值dth， dth根据道路宽度设定。假定i为激光点序号，计算当前两点Pi、Pi+1距离di，若di>dth，则Pi视为当前扫描线终点，Pi+1为下一条扫描线起点，记录两端点。对所有点云进行遍历，得出每条扫描线的起点和终点，对应的得到每条扫描线上所有点。原理如图2所示，车辆前进方向Y，垂直与Y方向建立X轴。
d i = X i + 1 - X i 2 + Y i + 1 - Y i 2 + Z i + 1 - Z i 2
式中：(Xi, Yi, Zi)为当前点坐标； (Xi+1, Yi+1, Zi+1)为下一相邻点坐标。
图2 扫描方式示意图

Fig. 2 Schematic diagram of scanning mode

2.2 路坎点提取

通过路坎与路面之间的几何差异特征。本文在扫描线上建立相邻移动双窗口，对比双窗口内部的平均高差、夹角值、邻域高程标准差。其中本文利用邻域高程标准差约束能够有效的处理车辆和行人遮挡对道路边界提取的影响。

2.2.1 候选路坎点提取

以单个扫描线为基础，采用扫描线中间位置向两端遍历的移动窗口思想。如图3所示，确定中点为起始点，建立左、右两窗口1、2，从起始点开始向左遍历扫描线，当窗口内部点同时满足平均高差、夹角值和高程标准差3种约束条件，停止此扫描线左方向遍历并记录当前待定点为候选路坎点，同理从起始点向右遍历扫描线。移动窗口大小n设定根据文献[14]中指出，需保证窗口内部点的高差低于0.2 m。
图3 双向移动窗口法检测候选路坎点

Fig. 3 Candidate curb points detection by bidirectional moving window method

其中平均高差可以从地面点中检测出大量候选路坎点；夹角值从大量候选路坎点中进一步优化；高程标准差去除车辆、行人遮挡产生的伪路坎点；扫描线双向搜索是为了避免实际道路环境中位于路坎外的设施对候选路坎点提取的影响。
（1）平均高程差。分别计算扫描线上窗口1、2内所包含点的平均高程，二者差值记为ΔZ。对于路面点，理想状态下ΔZ应接近0；而对于路坎点，两窗口的平均高程差ΔZ应在阈值Δh1、Δh2范围内，其应符合式（2）。阈值根据规范[21]要求路坎应高于路面10~20 cm。
Δ Z = | H w 1 _ m e a n - H w 2 _ m e a n | Δ h 1 < Δ Z < Δ h 2
式中：Hw1_mean、Hw2_mean分别为窗口1、2内部点云的平均高程；Δh1为最低高差阈值；Δh2为最大高差阈值；窗口大小n为窗口内包含点云的数目。
（2）夹角值。当前点位于不同位置，两窗口的方向存在不同的变化，如图4所示，分别给出当前点分别位于路坎、路面、排水沟上3种不同情况的窗口方向。定义窗口的方向向量为   v e c t o r   →，根据式（3）计算每个窗口的方向向量   v e c t o r   →以及两窗口之间的夹角angle。当前点位于平整路面上时，两窗口之间的向量夹角接近180°；当前点位于排水沟处时，两窗口之间的夹角小于且接近180°；当前点位于路坎处时，两窗口之间的夹角小于180°，本文考虑到路坎的高度不一，选取较大的角度阈值Δθ，参数设定参考文献[15]。
图4 夹角变化示意图

Fig. 4 Schematic diagram of included angle change

  v e c t o r → = 1 n - 1 ( ∑ ( x k - x i ) ,   ∑ ( y k - y i ) )   a n g l e = a r c c o s v e c t o r 1 → ∙ v e c t o r 2 → v e c t o r 1 → × v e c t o r 2 →   a n g l e < Δ θ
式中：xk、yk为窗口内点的坐标， k ∈ [ 1 , … , n - 1 ]； xi、yi为当前待定点坐标；   v e c t o r   → 1 、   v e c t o r   → 2分别为窗口1、2的方向向量；angle为两窗口方向向量之间的夹角；Δθ为夹角阈值；n为窗口大小。
（3）邻域高程标准差。候选路坎点提取过程中由于车辆的车身底部、车轮以及行人底部遮挡的影响，会产生伪路坎点。图5为遮挡处点云数据，图6为图5矩形区域放大剖面图，图7为扫描线上点云分布示意图。从图中可以发现，车身底部与路面之间存在较大的空隙，使点云在高度上出现跳跃，车轮与行人底部处凹凸不平使点云分布散乱。
图5 不同地物点云分布

Fig. 5 Point cloud distribution of different objects

图6 局部点云分布示意图

Fig. 6 Illustrations of local point cloud distribution

图7 不同地物扫描线上邻域窗口示意图

Fig. 7 Illustrations of neighborhood windows on scanlines of different objects

标准差用来衡量数据的离散程度，标准差越小代表数据分布越聚集。本文采用邻域高程标准差对上述遮挡产生的伪路坎点进行剔除。由于车身底部、车轮、行人底部点云分布散乱，点间高程差波动大，而路坎处点分布均匀且聚集，高程差稳定，因此相较于前者，路坎处具有较小的高程标准差。设定扫描线上当前点的邻域点集为左、右两窗口[Pw1,Pw2]中所包含的点，表示为S，根据式（4）计算其高程标准差为V，给定标准差阈值Vth，若当前待定点邻域高程标准差小于阈值，则记录该点。标准差阈值根据道路遮挡环境设置，经过反复实验得出取值在0.01~0.04最佳。
  M e a n = ∑ ( Z i - n + 1 , … , Z i , … , Z i + n - 1 ) 2 n - 1   V = ( Z i - n + 1 - M e a n ) 2 + … ( Z i - M e a n ) 2 + … ( Z i + n - 1 - M e a n ) 2 2 n - 1   S = P w 1 ,   P w 2 = P i - n + 1 , … , P i , … , P i + n - 1   V < V t h
式中：Pi为当前待定点坐标；Zi为当前待定点高程；[Zi-n+1, …, Zi, …, Zi+n-1]为当前待定点邻域点集S中每个点的高程值；Vth为标准差阈值；n为窗口大小。

2.2.2 候选路坎聚类去噪

对同时满足上述三重约束的候选路坎点，进一步采用DBSCAN聚类算法对其进行去噪。首先选取初始种子点，设置搜索半径Epx，将种子点半径范围内点归为同一簇类，在簇类中选取新的一点作为种子点，同样原理，不断循环迭代，直至全部候选路坎点分类完成。设置簇的最小包含点个数阈值Minpts，将小于Minpts的簇标记为噪声。

2.3 边界优化及拟合

经过上述预处理、候选路坎点检测、聚类去噪后，提取到相对连续且准确的路坎点云。但由于车辆和行人遮挡导致道路边界出现断点，边界线不完整。该步骤计算断点处前后边界局部范围的曲率和距离，若曲率和距离均大于给定的阈值则视为路口，不进行合并连接，否则视为遮挡产生的断点合并连接。最后采用二次多项式曲线拟合边界。

2.3.1 路口检测

现有研究对提取后的边界点直接进行拟合[19]，忽略了路口位置，影响边界的精度，对此本文在拟合之前增加对路口位置的检测，提升边界点的准确性。鉴于路口处的相邻边界距离较大，且路口前后局部边界线存在弯曲度这2个方面特性，借鉴文献[22]中窗口内曲率累加值公式，对其搜索方式进行改进，计算断点前后边界局部范围的曲率值，同时添加距离条件，具体步骤如下：
（1）密度聚类后每个簇为一段连续的边界点集，且断点前后为不同的簇类。如图8所示，选取断点处前后边界上局部范围W1、W2，大小均为Th_size，根据式（5）分别计算W1、W2窗口内点的曲率累加值S1、S2，曲率窗口大小Th_size根据边界弯曲位置的点数设定。
图8 路口检测方法示意图

Fig. 8 Illustrations of intersection detection method

  β = x ' y ' ' - x ' ' y ' ( x ' 2 + y ' 2 ) 3 / 2   S i = ∑ j ∈ W i β i
式中： x '、 y '为Wi内部拟合曲线分别对x、y一阶偏导； x ' '、 y ' '为Wi内部点拟合曲线对x、y二阶偏导； Wi为断点前后边界的局部范围点W1、W2。
（2）计算断点前后两边界簇cluster1、2的局部范围W1、W2终点p2和起点p3之间的欧式距离d， p1为W1的起点， p4为W2的终点。
（3）设定曲率阈值Th_kappa和距离阈值Th_dist。若曲率S1、S2和距离d均大于阈值，该断点标记路口位置，不进行拟合。直线的曲率近似为0，路口处边界具有弯曲度，并且边界点可能不是理想的线性分布，导致曲率变大，因此选取较大的曲率阈值，参数设定参考文献[22]。距离阈值应大于规范中[21]居住区道路最低宽度3 m 。

2.3.2 边界拟合

经过上一步已经检测出边界线的路口位置，但检测结果仍为离散点，需对此构建数学参数模型。除路口位置外，采用二次多项式曲线拟合，得到连续平滑的边界和数学参数模型。截取一段具有车辆遮挡的“Y”型路口位置，显示各步骤处理结果，如图9所示，图中橙色虚线框为遮挡区域。
图9 研究方法各步骤处理结果

Fig. 9 The results of each step of the proposed method

3 实验结果及分析

为了验证本文方法的可行性和精度，本次实验采用IQmulus&TerraMobilita竞赛数据集，该数据集为法国巴黎城市部分街道的3DMLS数据，恒定的角度分辨率0.03°，恒定的时间分辨率10 ms。

3.1 实验数据

选取竞赛数据集其中的实验数据集，定义为路段1、路段2、路段3、路段4。如图10所示，存储街道周围环境的大量激光点云，包括高层建筑物、道路、行道树、路灯等城市附属设施，以及车辆、行人，路段1—路段4分别包含2 565万个点、1 565万个点、2 311万个点、1 377万个点。以ply格式呈现，数据包含三维坐标、反射率、回波强度等一些常用的点云属性。
图10 实验区原始点云数据

Fig. 10 Raw point cloud data of the experimental areas

该数据均为高密度复杂区域，具有直线、弯道特征，在建筑物、行道树、道路附属设施的基础上同时存在大量且连续的车辆、行人遮挡，平均坡度约为2%。其中路段1详细具有“T”型、“十”型交通岗、直角转弯以及路宽变化等多种常见的道路特征，路段2在以上特征的基础上增加道路环形岛，路段3为城市交通岗附近区域，路段4为城市内部道路，存在多个道路交通岗。

3.2 实验过程和结果

移动窗口大小n和高程标准差阈值Vth是影响本文结果的重要参数，为快速验证不同参数对道路边界提取结果的影响，从实验数据路段1—路段4中截取4段长度各约70 m区域，定义type1—type4，分别为存在车辆遮挡的城区道路、“T”型、“Y”型，“十”字型交通岗，其数据密度大，环境复杂。在数据和其他参数相同的情况下进行对比分析，对比分析结果如图11所示。依据本文数据特性在路坎处分布大约4~10个点，同时需保证窗口内部点的高差低于0.2 m[14]，因此窗口的大小要在4~10之间选取，图11(a)为设定不同的移动窗口大小的结果精度。高程标准差阈值需根据道路遮挡环境设置，经过反复实验得出取值在0.01~0.04最佳，分析数据特性，数据type1、type3存在大量遮挡，在图11(b)中可以发现在0.01~0.03之间存在峰值，数据type2、type4少量遮挡，在图11(b)中发现在0.03~0.04之间存在峰值，因此对于遮挡较多的数据，设置较小的标准差阈值0.01~0.03，反之设置较大的阈值0.03~0.04。
图11 不同窗口大小和标准差阈值对比

Fig. 11 Comparison of different window sizes and standard deviation thresholds

在进行边界提取之前需要分段，本文将路段1按照距离分成6段，路段2、路段3、路段4分别分成3段，为了提升准确性分别对每段处理。由于每段道路的路况不同，阈值设定可能稍有变化，其中路段3、路段4在道路提取过程中各自分段参数一致，详细参数如表2所示。
表2 算法参数设置

Tab. 2 Parameter setting

参数 参数数值
路段1 路段2 路段3 路段4
密度聚类点个数阈值Minpts 8 8 8 8 8 15 10 15 15 8 8
距离阈值Th_dist/m 3 3 10 3 3 3 3 3 3 3 3
曲率阈值Th_kappa 1 1 10 1 10 2 5 8 10 2 2
高程标准差阈值Vth 0.030 0.030 0.014 0.023 0.023 0.016 0.030 0.020 0.030 0.030 0.023
CSF布料分辨率/m 1
CSF最大迭代次数 500
CSF分类阈值 0.5
扫描线分离距离dth/m 5
移动窗口大小n 5
平均高程差阈值Δh1、Δh2/m 0.01、0.03
夹角阈值Δθ/° 140
曲率窗口大小Th_size 50
密度聚类Epx/m 0.4
定义原始数据的总长度LTS、左边界长度LS、右边界长度RS、宽度WS，实验得到的总长度LTD，左边界长度LD、右边界长度RD、宽度WD，其中，宽度为多个测量值的均值。实验结果如图12、表3所示。
图12 实验结果

Fig. 12 Experimental results

表3 路坎点提取结果

Tab. 3 The results of curb points extraction (m)

数据 LTS LS RS WS LTD LD RD WD
路段1 1 012.93 504.24 508.69 6.31 977.14 485.71 491.43 6.29
路段2 605.45 318.33 287.12 7.43 561.27 290.42 270.85 7.43
路段3 868.98 329.55 539.43 8.73 785.12 304.22 480.90 8.67
路段4 866.43 430.04 436.39 7.09 764.40 381.30 383.10 6.98

3.3 结果分析对比

将本文实验输出的路坎点输入到CloudCompare软件中进行测量，其中正确提取的路坎长度记为TP，即所提取的路坎与实际路坎相符合；错误提取的路坎长度FP，即所提取的路坎与实际路坎不符合；未被提取的路坎长度FN，即实际存在且未被提取出来的部分。借鉴文献[10]中精度评价方法，应用较广泛的客观评价指标准确度(p)、完整度(r)和精度(q)对结果进行评价，其计算公式如式(6)所示，本实验中TP、FP、FN值均为左右边界长度总和。表4为精度评价统计结果。
p = T P T P + F P r = T P T P + F N q = T P T P + F P + F N
表4 精度评定

Tab. 4 Accuracy evaluation

数据 TP/m FP/m FN/m p/% r/% q/%
路段1 977.14 22.99 35.79 97.70 96.47 94.33
路段2 561.27 20.66 44.18 96.45 92.70 89.64
路段3 785.12 28.90 83.86 96.45 90.35 87.44
路段4 764.40 26.51 102.03 96.65 88.22 85.60
为了充分体现本文方法能够有效的处理遮挡问题，选取3.2节4组代表性数据type1—type4，将本文方法与文献[23]、文献[24]中的道路提取方法进行对比。对比实验参数设定如表5所示，分析对比结果如图13—图16所示，其中遮挡被误识别为边界的情况在图中用矩形标出Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ、Ⅵ、Ⅶ、Ⅷ，对比实验结果评估如表6所示。
表5 对比实验参数设置

Tab. 5 Comparison of experimental Parameter setting

方法 参数 参数数值
文献[23]方法 CSF布料分辨率/m 2
CSF最大迭代次数 500
CSF分类阈值 0.5
扫描线分离距离/m 15
移动窗口大小n 5
高程差阈值/m 0.02
文献[24]方法 CSF布料分辨率/m 1
CSF最大迭代次数 500
CSF分类阈值 0.5
时间阈值/s 0.000 1
移动窗口大小n 5
夹角阈值/° 140
平均高程差阈值/m 0.01
密度聚类半径/m 0.8
密度聚类点个数阈值 9
图13 存在车辆遮挡的城区道路(type1)边界点提取结果

Fig. 13 The results of curb points extraction in urban roads with vehicle occlusion(type1)

图14 “T”型交通岗位置(type2)边界点提取结果

Fig. 14 The results of curb points extraction in the T-shape intersection(type2)

图15 “Y”型交通岗位置(type3)边界点提取结果

Fig. 15 The results of curb points extraction in the Y-shape intersection(type3)

图16 “十”型交通岗位置(type4)边界点提取结果

Fig. 16 The results of curb points extraction in the cross-shape intersection(type4)

表6 对比实验结果评估

Tab. 6 Comparison of experimental results

评定准则 方法 存在车辆遮挡的城区道路 “T”型交通岗 “Y”型交通岗 “十”型交通岗
（type1） （type2） （type3） （type4）
准确度p /% 文献[23]方法 46.18 76.71 61.03 89.70
文献[24]方法 46.13 87.28 77.30 91.53
本文方法 95.12 94.54 99.52 96.63
完整度r /% 文献[23]方法 40.21 82.93 76.23 87.66
文献[24]方法 44.14 80.40 77.54 83.34
本文方法 90.32 91.49 92.46 83.10
精度q /% 文献[23]方法 27.38 66.25 51.27 79.65
文献[24]方法 29.13 71.97 63.15 77.38
本文方法 86.32 86.90 92.05 80.76
从上述对比分析可发现，文献[23]、文献[24]对于遮挡的影响很敏感，导致精度较低。文献[23]选取扫描线上序列差最大间隔的两端点为路坎点。计算速度快，但对周围环境敏感，当遇到路边遮挡时，会将遮挡点与另一个对应边界点视为最大间隔，如图13—图16的Ⅰ、Ⅲ、Ⅴ、Ⅶ局部区域所示。 文献[24]运用扫描线上双窗口间的高程差和夹角值2个经典的几何约束条件，但对于车辆或行人遮挡处的几何特征与路坎相似，同样具有高程、角度跳跃，难以区分，如图13—图16中Ⅱ、Ⅳ、Ⅵ、Ⅷ局部区域所示。本文方法通过采用更为简单的高程标准差约束能够有效的去除车辆、行人遮挡，提高道路边界提取的准确度。

3.4 讨论

从图12和表3、表4可知，对于周围环境复杂、遮挡较多的城市道路，道路边界基本成功提取，边界轮廓清晰简洁。关于局部边界提取不完整问题，是由于标准差约束在去除车辆行人遮挡的同时，路坎点被误删，以及交通岗处边界提取不完整，最终导致边界漏提完整度降低。此外由于城市环境内部的复杂性，部分区域路坎建造高度过低，在移动窗口扫描过程中无法满足高差约束，同时由于参数阈值设置存在局部非最优情况，使得局部车辆行人遮挡无法完整去除，导致部分边界存在错误提取。
采用本文方法需要注意以下3点：① 数据应为城市结构化道路场景；② 滤波后的地面点需分离成扫描线存储；③ 标准差等阈值需多次实验选取相对最优解。
本文的方法也存在不足之处：① 检测结果依赖扫描线的成功分离；② 由于城市道路的复杂性和多样性，同一阈值的适用性不强，尤其是标准差阈值需要经过多次实验选取相对最优解，下一步的工作是综合道路边界几何特征，建立阈值设定的通用参数模型，提升算法的自适应性。

4 结论

针对由城市道路车辆行人遮挡导致的道路伪边界点生成问题，本文主要以扫描线为基础依据高程标准差剔除伪边界点。首先进行数据预处理，包括点云分段及地面点滤波、扫描线分离；其次进行路坎点提取，采用3种约束条件获取候选路坎，并聚类去噪生成相对连续且精确的路坎点；最后进行边界优化及拟合，提升了在车辆行人遮挡情况下道路边界提取的准确度。针对本文数据，道路边界提取精度在80%~95%之间，并得出以下结论：
（1）扫描线分离是本文方法的基石，采用相邻点间距跳跃方法，阈值设置较为固定且速度快。
（2）针对车辆、行人遮挡，导致伪边界点生成，影响边界提取精度，可以通过高程标准差约束剔除。
（3）在边界提取之后，需要考虑路口、断点对边界拟合的影响，可以通过曲率和距离检测路口。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Ma L F, Li Y, Li J, et al. Mobile laser scanned point-clouds for road object detection and extraction: A review[J]. Remote Sensing, 2018, 10(10):1531. DOI:10.3390/rs10101531

DOI

[2]
Huang R L, Chen J J, Liu J, et al. A practical point cloud based road curb detection method for autonomous vehicle[J]. Information, 2017, 8(3): 93. DOI:10.3390/info8030093

DOI

[3]
Jaakkola A, Hyyppä J, Hyyppä H, et al. Retrieval algorithms for road surface modelling using laser-based mobile mapping[J]. Sensors (Basel, Switzerland), 2008, 8(9):5238-5249. DOI:10.3390/s8095238

DOI

[4]
马新江, 刘如飞, 蔡永宁, 等. 一种基于路缘特征的点云道路边界提取方法[J]. 遥感信息, 2019, 34(02):80-85.

[Ma X J, Liu R F, Cai Y N, et al. A road boundary extraction method from point clouds based on curb features[J]. Remote Sensing Information, 2019, 34(02):80-85.] DOI:3969/j.issn.1000-3177.2019.02.013

DOI

[5]
刘如飞, 马新江, 卢秀山, 等. 利用多元LBP特征自动提取城市道路边界[J]. 遥感学报, 2022, 26(3):541-554.

[Liu R F, Ma X J, Lu X S, et al. Automatic extraction of urban road boundaries using diverse LBP features[J]. Journal of Remote Sensing, 2022, 26(3):541-554.] DOI:10.11834/jrs.20209228

DOI

[6]
Yang B S, Liu Y, Dong Z, et al. 3D local feature BKD to extract road information from mobile laser scanning point clouds[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130:329-343. DOI:10.1016/j.isprsjprs.2017.06.007

DOI

[7]
Zai D W, Li J, Guo Y L, et al. 3-D road boundary extraction from mobile laser scanning data via supervoxels and graph cuts[J]. IEEE Transactions on Intelligent Transportation Systems, 2017, 19(3):802-813. DOI:10.1109/tits.2017.2701403

DOI

[8]
Mi X X, Yang B S, Dong Z, et al. Automated 3D road boundary extraction and vectorization using MLS point clouds[J]. IEEE Transactions on Intelligent Transportation Systems, 2021, 23(6):5287-5297. DOI:10.1109/tits.2021.3052882

DOI

[9]
Varney N M, Asari V K. Volumetrie features for object region classification in 3D LiDAR point clouds[C]// 2014 IEEE Applied Imagery Pattern Recognition Workshop (AIPR). IEEE, 2015:1-6. DOI:10.1109/AIPR.2014.7041941

DOI

[10]
罗海峰, 方莉娜, 陈崇成. 车载激光扫描数据路坎点云提取方法[J]. 地球信息科学学报, 2017, 19(7):861-871.

DOI

[Luo H F, Fang L N, Chen C C. Curb point clouds extraction from vehicle-borne laser scanning data[J]. Journal of Geo-Information Science, 2017, 19(7):861-871.] DOI:10.3724/SP.J.1047.2017.00861

DOI

[11]
Wen C L, You C B, Wu H, et al. Recovery of urban 3D road boundary via multi-source data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 156:184-201. DOI:10.1016/j.isprsjprs.2019.08.010

DOI

[12]
Charles R Q, Hao S, Mo K C, et al. PointNet: deep learning on point sets for 3D classification and segmentation[C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2017:77-85. DOI:10.1109/CVPR.2017.16

DOI

[13]
Balado, Martínez-Sánchez, Arias, et al. Road environment semantic segmentation with deep learning from MLS point cloud data[J]. Sensors, 2019, 19(16):3466. DOI:10.3390/s19163466

DOI

[14]
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.

[Fang L N, Yang B S. Automated extracting structural roads from mobile laser scanning point clouds[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(2):260-267.] DOI:CNKI:SUN:CHXB.0.2013-02-017

DOI

[15]
续东, 柳景斌, 花向红, 等. 道路空间特征与测量距离相结合的LiDAR道路边界点提取算法[J]. 测绘学报, 2021, 50(11):1534-1545.

DOI

[Xu D, Liu J B, Hua X H, et al. A road curb points extraction algorithm combined spatial features and measuring distance[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(11):1534-1545.] DOI:10.11947/j.AGCS.2021.20210244

DOI

[16]
Huang J, Choudhury P K, Yin S, et al. Real-time road curb and lane detection for autonomous driving using LiDAR point clouds[J]. IEEE Access, 2021, 9:144940-144951. DOI:10.1109/ACCESS.2021.3120741

DOI

[17]
Guan H Y, Li J, Yu Y T, et al. Automated road information extraction from mobile laser scanning data[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(1):194-205. DOI:10.1109/TITS.2014.2328589

DOI

[18]
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

[Xiong W C, Yang B S, Dong Z. Refining and robust extraction of roads from mobile laser scanning point clouds[J]. Journal of Geo-Information Science, 2016, 18(3):376-385.] DOI:10.3724/SP.J.1047.2016.00376

DOI

[19]
李会宾, 史云, 张文利, 等. 基于车载LiDAR的道路边界检测[J]. 测绘工程, 2018, 27(12):37-43.

[Li H B, Shi Y, Zhang W L, et al. Road boundary detection based on vehicle LiDAR[J]. Engineering of Surveying and Mapping, 2018, 27(12):37-43.] DOI:10.19349/j.cnki.issn1006-7949.2018.12.008

DOI

[20]
Zhang W M, Qi J B, Wan P, et al. An easy-to-use airborne LiDAR data filtering method based on cloth simulation[J]. Remote Sensing, 2016, 8(6): 501. DOI:10.3390/rs8060501

DOI

[21]
中华人民共和国住房和城乡建设部. 城市道路工程设计规范: CJJ 37—2012[S]. 北京: 中国建筑工业出版社, 2012.

[22]
方莉娜, 王康. 基于车载激光点云的道路交叉口检测与识别[J]. 南京信息工程大学学报(自然科学版), 2021, 13(6):635-644.

[Fang L N, Wang K. Road intersection detection and recognition based on mobile laser scanning[J]. Journal of Nanjing University of Information Science & Technology (Natural Science Edition), 2021, 13(6):635-644.] DOI:10.13878/j.cnki.jnuist.2021.06.001

DOI

[23]
马茜芮, 沈月千, 黄腾. 顾及相邻点序号差的路面点云自动提取方法研究[J]. 南京信息工程大学学报(自然科学版), 2021, 13(6):661-668.

[Ma X R, Shen Y Q, Huang T. Automatic extraction of road surface point cloud considering the difference of neighboring point serial numbers[J]. Journal of Nanjing University of Information Science & Technology (Natural Science Edition), 2021, 13(6):661-668.] DOI:10.13878/j.cnki.jnuist.2021.06.004

DOI

[24]
赵焱. 基于车载LiDAR数据的高精地图道路要素提取[D]. 武汉: 武汉大学, 2020.

[Zhao Y. Extraction of road elements in high-definition maps based on vehicle LiDAR data[D]. Wuhan: Wuhan University, 2020.]

Options
Outlines

/

〈 〉