基于拓撲關系的激光點云數據路沿線提取方法

張婕，呂楠，茍永剛，龍川

(1.重慶市勘測院，重慶 401121； 2.重慶數字城市科技有限公司，重慶 401121；3.重慶市移動測量工程技術研究中心，重慶 401121)

1 引 言

車載移動測量系統高度集成GNSS、IMU、激光雷達、全景相機等傳感器，能夠在快速移動的狀態下獲取道路及道路兩側地物表面的高精度三維坐標數據，具有全天候、速度快、高精度等優點，已成為空間數據快速獲取的一種重要手段，被廣泛應用于地形圖測量[1～3]、交通[4]、數字城市[5]、公安[6]等領域。

車載移動測量系統獲取的激光點云數據具有目標多樣、點密度分布不均、存在因遮擋而引起的缺失等缺點，給激光點云數據的要素提取帶來了巨大挑戰。針對以上問題，國內外學者開展了大量的研究工作，目前從激光點云數據中提取要素的方法主要分為4類。一是直接對散亂的激光點云數據進行分割、分類，再根據要素的幾何形態與空間分布提取要素的方法[7～9]。二是對激光點云數據進行格網劃分投影為圖像，然后利用圖像處理技術進行要素提取的方法[10，11]。三是將激光點云數據生成體素，再進行目標的提取[12～13]。四是以掃描線為單位，根據要素的分布特征進行分割與提取的方法[14，15]。總體而言，目前激光點云數據要素提取方法主要存在以下幾個方面的問題：①車載移動測量系統記錄的信息在數據處理過程中沒有得到充分的挖掘、利用；②點云數據處理耗時、效率低下；③轉化為圖像和體素的方法降低了精度，容易導致錯提或者漏提。

針對目前存在的問題，本文提出一種基于拓撲關系的激光點云數據要素提取方法，該方法在充分挖掘車載移動測量系統記錄有效信息的基礎上，為點云數據構建了空間拓撲關系，基于拓撲關系對路沿線要素進行了提取。

2 構建拓撲關系

車載移動測量系統在數據采集過程中記錄了激光點的掃描角度、掃描距離、采集時間等信息，根據車載移動測量系統以線性掃描方式為主的點云數據獲取特點，系統記錄的點按照激光腳點返回的時間先后或者角度大小順序排列。同一條掃描行上相鄰點之間的掃描角度差值為一個固定值(通常為激光掃描儀的角度分辨率)，當激光掃描儀視口朝向天空的時候，無激光點返回，當前掃描行的最后一個點Pti和下一掃描行的第一個點Pti+1之間存在掃描角度差值的突變(Pti和Pti+1為記錄的兩個激光點)，同理，兩點的采集時間差值也會出現一個突變。因此，根據下列公式計算相鄰兩個掃描點的時間差或角度差可以將原始離散點云數據分割為一系列按照時間排序的掃描行，如圖1所示。

圖1 移動測量系統線性掃描方式示意圖

fabs(Pti+1(angle)-Pti(angle))>△(angle)

(1)

或：

fabs(Pti+1(gps_time)-Pti(gps_time))>△(gps_time)

(2)

式中，Pti+1(angle)和Pti(angle)為相鄰激光點的掃描角度，相應的，Pti+1(gps_time)和Pti(gps_time)為相鄰激光點的GPS時間。其中，△(angle)和△(gps_time)分別為掃描行的掃描角度差和GPS時間差的閾值，該閾值與激光雷達的角度分辨率和脈沖頻率有關。

在將原始點云數據劃分掃描行后，根據掃描點之間的行間及行內關系，進一步為掃描點之間建立空間上的關聯關系，如圖2所示。

如圖2所示，激光點P與A、B、C相鄰，點D為無回波點，可為激光點P建立如下拓撲關系：

(3)

式中，P、A、B、C為4個相鄰的激光點，Ppreline表示與P點相鄰的上一行激光點，Pnextline表示與P點相鄰的下一行激光點，Pprepoint表示與P點在同一掃描行的上一激光點，Pnextpoint表示與P點在同一掃描行的下一激光點，圖中Pnextpoint對應的激光點D為無回波點，用0來標記。

此外，根據原始的點云數據特點，為每一個激光點增加如下屬性描述，以便于后續數據的處理，屬性描述如表1所示。

其他點云拓撲屬性描述 表1

3 基于拓撲關系的路沿線提取

結合車載激光點云掃描地面道路數據及地物點各自特征與地物點的拓撲關系，將點云數據根據點云側方距分為左右兩部分，對左右兩部分點云數據分別根據路沿的幾何特征使用1×N的移動窗口進行路沿提取。算法流程如圖3所示。

圖3 路沿線提取流程圖

(1)點云劃分

為了提高路沿線提取效率，將點云數據按照下式劃分為左右兩個部分：

(4)

式中，PProfileDist表示點P的側方距，按照點云拓撲中記錄的每個點的側方距值，可將點云數據劃分為左右兩部分，分別從左右部分點云中提取左右路沿線。

(2)點云過濾

為了提高路沿點檢測效率，過濾劃分的左右點云。根據測區道路寬度等信息結合側方距對超出路沿外的點云數據進行過濾，結合采集平臺高度及地面高數據對超出路沿高度的數據進行過濾，過濾條件如下式所示：

(5)

式中，WidthMin與WidthMax分別定義為采集平臺位置到路沿線垂直距離的最小值與最大值，根據點云數據中道路的實際情況設置，HeightMax表示地面高過濾值，結合路沿高度設置。PHeight表示P點的地面高。

(3)移動窗口法檢測路沿點

使用1×N(N通常為奇數)的窗口，分別在左右側掃描線上移動檢測路沿特征點，如圖4所示。

圖4移動窗口路沿點檢測示意圖

如圖4所示，根據點云側方距將點云數據分為左右兩側，然后分別對左右兩側點云采用由窗口1、檢測點P及窗口2構成的1×7窗口從路面開始向路沿方向移動，檢測路沿點，當檢測到路沿候選點時窗口停止移動，繼續下移掃描行中路沿點的檢測。在窗口移動過程中，對窗口1及窗口2的以下兩個條件進行計算：

(6)

其中：

AVG(ProfileDist)=(ProfileDistP1+ProfileDistP2+…+ProfileDistPi)/i

(7)

式中，ProfileDistPi表示Pi點的側方距，△ProfileDist為側方距的閾值，為一個經驗閾值，根據路沿具體特征設定。

(8)

其中：

AVG(Height)=(HeightP1+HeightP2+…+HeightPi)/i

(9)

式中，HeightP1為Pi的地面高，△Height為地面高閾值，為一個經驗閾值，根據路沿具體特征設定。P1，P2，…，Pi為窗口1或2中的點云。

當條件C1成立時，表示窗口內點的側方距值變化不大，可認為是路沿立面上的點；當條件C2成立時，表示窗口內點的地面高值變化不大，可認為是路面上的點。

以檢測左側點云下路沿點為例，根據下路沿點的特征，當檢測點P移動到路沿點時，移動窗口應符合以下兩個特征：

①窗口1的C2條件成立；

②窗口2的C1條件成立。

當以上兩個條件均成立時，認為點P為候選的路沿點。對左側點云中掃描行逐行檢測路沿點，可得到初始的路沿線數據。

(4)異常點刪除

由于道路上車輛遮擋等原因可能造成路沿線錯提，產生一些異常點，可根據路沿線的線性延伸特點，對異常點進行刪除。

(5)抽稀與光滑

按照掃描行逐行提取的路沿點數據密度較大，可按照一定的距離間隔對路沿點進行抽稀，得到較為離散的路沿線。

抽稀后的路沿線數據因為點間距的增加，可能存在不平滑的現象，可再次使用三次Bezier曲線[16]或三次B樣條曲線[17]對路沿線數據進行光滑處理，得到最終的路沿線數據。

4 實驗結果與分析

4.1 實驗數據

本實驗采用重慶數字城市科技有限公司的DCQ-MMS-X1型系統采集的城市街區數據。城市街區的掃描范圍大致為 100 m×650 m，共 8 938 361個數據點。城市街區道路環境包括大量的高層建筑、茂盛的行道樹、路燈、花臺、柵欄等地物，如圖5所示。

圖5 城市街區點云數據

4.2 實驗結果及分析

城市街區數據采用的DCQ-MMS-X1型移動測量系統的激光掃描儀角度分辨率為0.1667°，掃描頻率 25 Hz，本文中的△(angle)取25°，即連續150個點沒有返回可確定激光掃描儀的視口朝向天空，以完成對點云數據掃描行的分割。

該城市街區數據中道路最大寬度約 30 m，最小寬度約 15 m，由于采集平臺基本沿著道路中心線位置行駛，取平臺位置到路沿線的最大寬度值WidthMax為 30 m，最小寬度值WidthMin為 0.5 m，該區域路沿高度不超過 0.3 m，因此，取HeightMax為 0.3 m，對點云數據進行過濾。路沿立面與路面基本垂直，取△ProfileDist為 0.02 m，設置△Height為 0.02 m，采用1×7的窗口對路沿點進行檢測。使用本文方法，采用以上參數設置，該城市街區數據的路沿線提取結果如圖6所示。

圖6 城市街區點云數據

如圖6所示，本文算法對路沿線的提取得到了很好的效果，提取錯誤的區域主要是車輛的遮擋或者道路分叉口處。車輛遮擋造成了路沿線位置點云的缺失，而在道路分叉口處的點云分布較為稀疏以及預先設置的窗口的大小對提取結果造成了影響。但總體而言，本文算法提取的準確率及完整性較高。

為了進一步直觀展示本文算法提取效果，將路沿數據轉換為KML，與Google地圖進行疊加，如圖7所示：

圖7 路沿線與Google地圖疊加效果圖

從圖7可以直觀看出，路沿與Google地圖匹配度較高，在局部細節上(如道路分叉口位置)的路沿也提取較為完整。實驗結果表明，該方法能夠有效地提取路沿線，且路沿提取的完整度及準確率較高。

5 結 語

本文在充分研究車載移動測量系統獲取的激光點云數據基礎上，為點云數據建立了拓撲關系，提出了基于拓撲關系的路沿線提取方法。本文詳細論述了拓撲關系構建過程及基于該拓撲關系的路沿線提取方法，并且通過實驗驗證了本文算法的有效性。本文算法能夠從點云數據中較為完整、準確地提取出路沿線數據，算法簡單，易于實現，為從點云數據中提取其他地物要素(如燈桿、行道樹、道路標線等)信息提供了新的解決思路和方法，有助于推動基于激光點云數據的快速成圖等技術的發展。