基于车载点云数据的道路边界交互式提取方法

摘要

本发明公开了基于车载点云数据的道路边界交互式提取方法，包括利用车载三维激光扫描系统获取道路的点云数据，并进行预处理；手动选取起始点并确定延伸方向，在直线附近设置缓冲区域并搜索在该区域内的点云数据，根据点云数据的GPS时间将缓冲区域内的点云数据划分为不同的扫描线并对每条扫描线进行道路边界点云提取，得到道路边界点云集合MP；使用SOR方法对道路边界点云集合MP去噪，得到MP'；使用迭代适应点方法对MP'进行道路矢量边界拟合，得到拟合多段线；将拟合多段线末尾直线的两端点作为新的起始点和延伸方向，直到无法再得到拟合多段线。得到的拟合多段线作为此次车载点云数据的道路边界。实现道路边界的快速提取。

说明书

技术领域

本发明涉及车载点云数据处理技术领域，具体涉及基于车载点云数据的道路边界交互式提取方法。

背景技术

车载激光扫描系统是一种以车辆作为搭载平台，将全球卫星导航系统(GlobalNavigation Satellite System，GNSS)、图像传感器(Charge-coupled Device，CCD)和惯性测量系统(Inertial Navigation System，INS)与三维激光扫描系统高度集成的测量方式，具有信息量丰富、精度高、灵活性强等众多优点，能够快速获取道路及其周围场景的精确三维信息，对高精度地图构建、道路信息维护以及城市三维可视化等方面发挥着数据支撑作用。随着车载移动测量系统和传感器在空间解析度、测量精度等方面的进步，以及三维模型构建、点云数据处理、计算机图形学等相关技术的发展，对车载点云的提取和分类得到了越来越多的研究以满足现阶段对数字城市建设的迫切需求。

现有点云提取的研究中，道路边界提取方法主要分为两类，一类是通过扫描线上地物点云的分布特征和地物的空间特征进行提取；针对每条扫描线用高斯低通滤波提取路面点云，然后用Hough变换提取垂直分布的点作为路坎点(见文献“ZHANG W.Li DAR-basedroad and road-edge detection[C].Intelligent Vehicles Symposium.San Diego:IEEE,2010:845-848”)；还有对每条扫描线进行滤波，提取路面点云，根据高程、密度、坡度等信息提取路坎点(见文献“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.”)。另一类方法根据点云的空间相似性，通过聚类分割的方法进行提取；有根据路面法向量的分布特征，对点云进行迭代模糊聚类的方法提取路面(见文献“闫利,张毅.基于法向量模糊聚类的道路面点云数据滤波[J].武汉大学学报·信息科学版,2007,32(12):1119-1122.”)；有通过对点云高度差异进行检测后，使用KNN算法进行聚类，接着根据路坎的宽度和长度进行优化(见文献“Zhou L,VosselmanG.Mapping curbstones in airborne and mobile laser scanning data[J].International Journal of Applied Earth Observation and Geoinformation,2012,18(none):0-304.”)；还有对三维点云进行领域搜索，根据点云密度进行地面点分割，通过形态分析细化地面点云，使用高斯滤波器检测路道路边界(见文献“Ibrahim S,LichtiD.Curb-Based Street Floor Extraction from Mobile Terrestrial LIDAR PointCloud[J].ISPRS-International Archives of the Photogrammetry,Remote Sensingand Spatial Information Sciences,2012,XXXIX-B5:193-198.”)。

同时，现有对点云的提取多为全自动提取方法，基于扫描线的道路矢量边界自动化提取方法充分利用地物的空间分布信息，但忽略了扫描线间各地物的连续关系，而且需要路坎的高程、密度等大量经验阈值，无法应用于复杂场景；基于点云空间特征聚类分割的道路矢量边界自动化提取方法，基于道路边界和路面的一种或多种特征进行分割聚类，存在算法时间复杂度大，容易出现过分割和欠分割现象。除此之外，自动化处理结果不可避免出现提取错误和精度不理想的地方，这些问题结果的分布难以预测，对问题结果的修改所花费的时间成本非常高，无法在实际生产过程中广泛应用，给车载点云的分类和提取带来困难。

发明内容

为克服上述缺点，本发明的目的在于提供基于车载点云数据的道路边界交互式提取方法，实现道路边界的快速提取。

为了达到以上目的，本发明采用的技术方案是：一种基于车载点云数据的道路边界交互式提取方法，其特征在于：包括以下步骤：

步骤1：利用车载三维激光扫描系统获取道路的点云数据，对点云数据进行预处理；

步骤2：手动选取道路边界上的两个点作为起始点和道路边界延伸方向确定直线，在直线附近设置缓冲区域并搜索在该区域内的点云数据，根据点云数据的GPS时间将缓冲区域内的点云数据划分为不同的扫描线并对每条扫描线进行道路边界点云提取，得到道路边界点云集合M

步骤3：使用SOR方法对道路边界点云集合M

步骤4：使用迭代适应点方法对M

步骤5：将拟合多段线末尾直线的两端点作为新的起始点和道路边界延伸方向，返回步骤2直到无法再得到拟合多段线，将此时已得到的所有拟合多段线作为此次车载点云数据的道路边界。

进一步来说，所述步骤1中利用车载三维激光扫描系统获取道路的点云数据，具体过程为：

使用车载三维激光扫描系统获取道路的初始点云数据和照片，接着进行格式转换、轨迹解算和预检查，然后建立坐标系，最后进行SLAM解算并导出点云数据。

进一步来说，所述步骤1中对点云数据进行预处理的具体过程为：手动裁剪删除路面以上非地面点云数据，保留路面点云数据。

进一步来说，所述步骤2中根据点云数据的GPS时间将缓冲区域内的点云数据划分为不同的扫描线并对每条扫描线进行道路边界点云提取，具体过程为：

步骤2-1：根据GPS时间对缓冲区域内的点云数据进行排序，计算相邻点P

步骤2-2：通过计算每条扫描线的高程值，识别出道路边界点P

步骤2-3：将识别到的所有道路边界点P

进一步来说，所述步骤2-1中根据GPS时间对缓冲区域内的点云数据进行排序，排序的方式为按照GPS的时间大小。

进一步来说，所述步骤2-2的具体过程为：

步骤2-2-1:计算每条扫描线的高程极值Z

步骤2-2-2：然后设置步长r，从i

步骤2-2-3：分析步骤i'

步骤2-2-4：将i'

进一步来说，所述步骤3中使用SOR方法对道路边界点云集合M

步骤3-1：对M

步骤3-2：设置步长l对M

步骤3-3：对M

进一步来说，所述步骤3-1中对M

进一步来说，所述步骤4中使用迭代适应点方法对M

步骤4-1：选取M

步骤4-2：选取A、B间曲线上离该直线段距离最大的点C作为分割点，计算点C到直线段的距离d；

步骤4-3：将d与预设的阈值TD

步骤4-4：返回步骤4-1直到M

本发明的有益效果是，

(1)利用GPS时间将缓冲区内点云数据划分为扫描线，针对每条扫描线数据，通过分析点云高程分布特征，设置高程阈值提取路面边缘点作为道路边界点云。降低单次待处理数据的复杂度，提高了数据处理效率。

(2)基于交互式的道路矢量边界提取方法，手动选取两点确定起始点和道路边界延伸方向。交互式提取过程中提供的辅助数据可有效提高道路矢量边界的提取精度。

(3)针对初步识别的道路边界点云，首先按照距起始点的距离对道路边界点云进行排序分段，设置高程阈值进行滤波，然后利用相邻扫描线的位置关系，计算路坎点到相邻两点构造的直线距离，设置距离阈值进行滤波。之后利用迭代适应点算法拟合道路矢量边界，利用识别的矢量边界末尾直线的两端点作为新的起始点和道路边界延伸方向。实现完整道路边界的高精度快速提取，简单、高效、精确、实用，在实际生产工作中具有良好的应用前景。

附图说明

图1是本发明的流程图。

图2为本实施例中利用车载三维激光扫描系统获取道路的点云数据。

图3为对图2进行预处理得到的结果示意图。

图4为本实施例中缓冲区点云数据的示意图。

图5为本实施例中道路边界点云初步提取的结果示意图。

图6为本实施例中对道路边界点云去噪后的结果示意图。

图7为去噪对比试验中去噪前的示意图。

图8为去噪对比试验中去噪后的示意图。

图9为本实施例中道路矢量边界拟合的结果全局图。

图10为图9中道路矢量边界拟合的局部图。

图11为本实施例最终提取到道路边界示意图。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

参照图1流程图所示，本发明一种基于车载点云数据的道路边界交互式提取方法的实施例，包括以下步骤：

步骤1：利用车载三维激光扫描系统获取道路的点云数据，对点云数据进行预处理。本实施例中，使用徕卡Leica Pegasus:Two Ultimate车载三维激光扫描系统获取道路的初始点云数据和照片，该设备扫描效率100万点/s，测距精度1mm，水平精度0.02m，高程精度0.015m。接着使用硬件配套IE软件进行GNSS格式转换、轨迹解算和预检查，然后使用配套的Infinity软件建立坐标系，最后利用配套的AutoP软件进行SLAM解算(修改轨迹)并导出LAS格式点云数据，获得的初始道路点云俯视图如图2所示，点云显示效果为按照高程值进行渲染后的结果；在RealWorks软件中对点云数据进行预处理，手动裁剪删除路面以上非地面点云数据，保留路面点云数据，预处理得到的结果如图3所示。

步骤2：手动选取道路边界上的两个点作为起始点和道路边界延伸方向确定直线方程，第一个点作为起始点，第一个点确定直线方向，利用第一个点和第一个点的坐标计算斜截式直线方程y＝k×x+b。图3中箭头代表手动选取道路边界上两点作为起始点并确定道路边界延伸方向。

在直线附近设置缓冲区域并搜索在该区域内的点云数据，按照直线方向设置缓冲区域半径R，本实施例中R设置为0.3m。根据点云数据的GPS时间将缓冲区域内的点云数据划分为不同的扫描线并对每条扫描线进行道路边界点云提取，得到道路边界点云集合M

步骤2-1：根据GPS时间对缓冲区域内的点云数据进行排序，计算相邻点P

车载平台行驶时，车载激光扫描仪的每条扫描线是垂直于道路延伸方向的，近似于道路的一个横断面，每条扫描线结束到下一条扫描线开始前有一个相对较大的时间差，点云数据中每个点云都配有一个GPS时间，GPS时间精度可到纳秒级，利用相邻点的GPS时间差值提取扫描线。本实施例中ΔT设置为1.0e-4。

步骤2-2：通过计算每条扫描线的高程值，识别出道路边界点P

步骤2-2-1:计算每条扫描线的高程极值Z

步骤2-2-2：然后设置步长r，从i

步骤2-2-3：分析步骤i'

步骤2-2-4：将i'

步骤2-3：将识别到的所有道路边界点P

识别的缓冲区域数据如图4所示，由于迭代识别道路边界中每次迭代过程均需要分割缓冲区数据，因此图4中为多次分割的缓冲区数据。识别的道路边界点云数据如图5所示，图5中识别的道路边界点云形状近似道路边界，但部分位置点云较厚，存在少量的噪声数据。

步骤3：使用SOR(Statistical Outlier Removal)方法(SOR是使用统计分析技术，从一个点云数据中集中移除测量噪声点，对每个点的邻域进行统计分析，剔除不符合一定标准的邻域点)对道路边界点云集合M

步骤3-1：对M

步骤3-2：设置步长l对M

步骤3-3：对M

边界点云去噪结果如图6所示，图6中道路边界点云形状近似道路边界，数据完整且各位置点云厚度均非常小。为了进一步说明本发明中的去噪效果，图7和图8中对去噪前后的道路边界点云进行了对比，图7为去噪前的道路边界点云，图8为去噪后的道路边界点云，可以看出本发明中的去噪方法可有效去除所有的噪声点，同时保留边界点数据，道路边界点云完整，去噪效果较好。

步骤4：使用迭代适应点方法对M

步骤4-1：选取M

步骤4-2：选取A、B间曲线上离该直线段距离最大的点C作为分割点，计算点C到直线段的距离d。

步骤4-3：将d与预设的阈值TD

步骤4-4：返回步骤4-1直到M

道路矢量边界拟合的结果如图9和图10所示，图9为矢量边界全局图，图10为图9中的矢量边界局部图，图9中提取的矢量边界较为平滑，图10中提取的矢量边界与道路边界点云重合度非常高。

步骤5：将拟合多段线末尾直线的两端点作为新的起始点和道路边界延伸方向，返回步骤2直到无法再得到拟合多段线，即无法再识别新的道路边界，将此时已得到的所有拟合多段线作为此次车载点云数据的道路边界。

图11为最终提取的道路边界示意图，图中为机动车道四条边界的提取结果，可以看出发明方法提取的道路矢量边界平滑、完整且精度较高。

以上实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人了解本发明的内容并加以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所做的等效变化或修饰，都应涵盖在本发明的保护范围内。