基于車載LiDAR點云的車輛目標自動檢測

胡 舒，王樹根，王 越，李 欣

（1.武漢大學 遙感信息工程學院，湖北 武漢 430079；2.武漢市測繪研究院，湖北 武漢 430022）

隨著科技的發展，城市中私家車的數量急劇增加，違規占道、違章停車等情況層出不窮，導致道路安全形勢日趨嚴峻。夜間違停亂停導致的道路安全問題越來越受到重視，公眾對公共停車場數量的需求也越來越大，因此改善當前城市夜間道路環境已刻不容緩。為了獲取城市區域道路兩側的夜間停車信息，可利用夜間車流量相對較少、路面狀況較穩定的特點開展城市區域道路兩側停車調查工作，為建設公共停車場以及治理夜間違章停車提供依據。

車載激光掃描技術是一種動態獲取城市三維空間數據的新技術[1]。該技術已在三維城市建設、桿狀地物檢測、建筑物立面檢測以及道路安全檢測等領域得到廣泛應用。與機載LiDAR相比，車載LiDAR具有掃描頻率高、移動速度快和測量距離近等特點，采集的點云數據量大且內容豐富，包括道路沿線地物，如樹木、建筑物、行人、線桿、車輛以及其他目標等。車載激光掃描技術不受光照因素的制約，可用來獲取夜間道路兩側的地物目標點云數據。

針對基于三維激光點云的目標檢測方法，國內外已有不少研究，如譚賁[2]、PU S[3]等通過分析車載LiDAR點云中不同地物的掃描點特征來采集點云數據塊的各項特征，再進行地物的自動識別和分類，但沒有討論車輛目標的檢測問題；YANG B S[4]等發現從點云數據中提取車輛目標存在一定的困難，由于建筑物陰影、樹木等對車輛的遮擋，導致檢測準確率降低。然而，基于車載LiDAR點云的車輛目標自動檢測問題鮮有研究，因此本文根據車輛目標的點云特征和自然空間特征等，提出了一種基于知識規則的車輛目標自動檢測方法，并通過實測數據驗證了該算法的有效性。

1 基于知識規則的車輛目標自動檢測

1.1 點云預處理

車載激光掃描系統獲取的車載LiDAR點云數據量非常龐大，且存在數據冗余，為了便于后續處理，需對點云數據進行預處理。本文利用參考文獻[5]的方法分別在水平方向和垂直方向對點云進行處理，主要目的是去除地面點云。在水平方向上，根據道路寬度信息建立緩沖區，道路兩側以外的不屬于道路范圍的點云被全部去除；在垂直方向上，結合POS軌跡數據并按高度過濾，提取出地面到掃描中心高度范圍內的點云。通過上述預處理，去除了地面點云，只保留了感興趣的道路范圍內的點云數據，大大減少了點云數量，提高了點云的處理效率。

1.2 獨立地物分割

本文采用分割的方法對點云進行聚類分析，將點云分割為點云簇；再根據車輛目標的特征，實現城市道路兩側車輛目標的自動檢測。聚類算法主要包括層次聚類方法、劃分方法、基于網格的方法、基于密度的方法以及基于模型的方法[6-8]。除此之外，還可將點云數據進行投影，并對投影得到的圖像進行二值化處理，再利用圖像的聚類方法[9]進行聚類分析。

車載LiDAR點云剔除地面點后，路面目標點云為獨立分布狀態，因此本文分別采用基于歐式距離分割的聚類方法和基于密度的DBSCAN聚類方法對車載LiDAR點云數據進行聚類，并比較兩種算法的性能，進而選取最適合本文數據的方法進行聚類實驗。

1.2.1 基于歐式距離分割的聚類方法

該方法基于歐式距離度量點與點之間的遠近[10]。在多維空間中，利用點與點之間的幾何距離來表示歐氏距離，如在三維空間中的任意兩點A(XA,YA,ZA)和B(XB,YB,ZB)，其歐式距離可表示為：

針對點云數據量龐大、冗余嚴重且處理效率低下的情況，在進行基于歐式距離分割的聚類之前，需先對點云數據進行體素柵格濾波，以實現體素網格化下采樣，該過程利用PCL庫[11]中的VoxelGrid濾波器實現。由于點云中不可避免的存在大量噪聲干擾，為了減少干擾，利用統計分析技術對點云進行濾波，濾除噪聲點，可大大減少冗余的點云數據，使點云形狀特征得以保持，該過程利用PCL庫中的StatisticalOutlierRemoval濾波器實現。

在進行基于歐式距離分割的聚類過程中，利用KD Tree算法在多維空間內對每個點的最鄰近點進行搜索，小于設定的距離閾值D的點云數據被劃分到同一個點云簇。設定一個點云簇包含點云數量的最小值（Min_Size）和最大值（Max_Size），只有包含點云數量在這個范圍之間的點云簇才能被保存下來，其余點云簇則直接濾除，該閾值設定的目的是濾除分割得到的細小部件。

1.2.2 基于密度的DBSCAN聚類方法

由于濾除地面點云后，點云密度特征明顯，因此本文同時采用基于密度的方法進行聚類。具有噪聲的基于密度的DBSCAN[12]聚類方法是一個典型的基于密度的聚類方法。其核心思想為：在點云數據集中選擇任意一個核心對象（即在一定范圍內周圍點的數量大于一定閾值的點）作為種子點，然后向周圍擴展，找到該種子點密度可達的所有樣本集合，聚類為一個點云簇，重復上述過程，直到點云數據集內所有的點都被聚類或被判定為異常點為止。

在聚類過程中，本文采用基于歐式距離分割的聚類方法和基于密度的DBSCAN聚類方法分別對同一組實驗數據進行聚類實驗。聚類結果如圖1所示，可以看出，圖1a中下采樣效果以及離群點濾除效果明顯，點云簇邊緣更加光滑；圖1b中點云簇邊緣噪聲點依然存在，且離群點去除效果較差。基于歐式距離分割的聚類方法的聚類結果明顯優于基于密度的DBSCAN聚類方法，如圖1中紅色矩形框所示，基于密度的DBSCAN聚類方法分割嚴重不足，這是由于該點云數據集密度不均勻所導致的，因此本文選擇基于歐式距離分割的方法進行聚類。

圖1 兩種聚類方法效果對比

1.3 車輛目標的自動檢測

1.3.1 特征提取

對分割后得到的獨立地物點云簇進行點云特征的提取，提取的特征應能區別車輛與其他點云數據中的地物。根據車輛的空間拓撲位置、物理大小、車輛與地面的關系以及車輛的幾何特征等，建立車輛目標自動檢測的知識規則，再根據該規則實現車輛的自動檢測。知識規則涉及車輛目標的大小、高度、水平投影面積、水平投影外接矩形邊界框的長與寬等。

1）大小是區分不同地物目標的重要特征之一。本文采用每個獨立地物包含的點云數量來表示地物大小。

2）高度是區分城市地物的重要特征之一。首先計算獨立地物的最大高度Zmax和最小高度Zmin，再根據式（2）計算得到獨立地物的高度H。車輛目標的平均高度是相似的，約為1.5 m。

3）水平投影面積。車輛在三維、二維空間中的形態如圖2所示，城市中不同型號車輛在水平面上的投影在面積和形狀上是相似的，因此地物的水平投影面積S，即為物體點云簇在水平面上投影的邊界矩形框面積，計算公式為：

式中，xmax、xmin、ymax、ymin分別為x坐標和y坐標的最大值與最小值。

4）水平投影外接矩形邊界框的長與寬，描述的是物體的形狀特性。車輛具有相似的形狀，其水平投影外接矩形邊界框的長與寬也相似，邊長過長和過短的地物都不符合車輛的形狀特性。

圖2 車輛在三維、二維空間的示意圖

1.3.2 特征判定與車輛檢測

在圖像處理時，通常采用模板匹配的方法來檢測地物目標，但在三維點云數據處理時，該方法不適用，因此本文基于上述知識規則和要素特征，分別計算各獨立地物點云的屬性，為進行車輛目標的檢測提供基礎知識。

根據知識規則定義計算獨立地物的特征向量Vi=[x,y,z,n,h,s,l]，其中x、y、z為空間位置，以獨立地物的質心表示；n為大小，以獨立地物點云中所包含的點云數量來表示；h為高度；s為水平投影面積；l為水平投影外接矩形邊界框的長與寬。結合車輛目標的自然特征和空間幾何特征，與知識規則建立自然對應關系，計算各獨立地物點云的特征，并得到特征向量；再與建立的車輛目標自動檢測知識規則進行匹配，實現車輛目標的自動檢測。

基于知識規則的車輛目標自動檢測算法流程如圖3所示。

圖3 基于知識規則的車輛目標自動檢測算法流程圖

2 實驗結果與分析

本文選取武漢市三環線內某道路的車載LiDAR點云實測數據進行車輛目標檢測實驗，以驗證提出的基于知識規則的車輛目標自動檢測算法的有效性與可行性。

2.1 實驗數據

實驗數據來源于武漢市三環線內主要道路的夜間停車狀況調查項目。武漢市三環線內某段道路預處理后的點云數據如圖4所示，呈長條狀分布，全程長約為1.4 km，共包含9 742 560個掃描點。

圖4 武漢市三環線內某段道路的車載LiDAR點云數據

2.2 實驗結果與分析

考慮到點云數據量龐大、處理效率低的情況，實驗中將該道路點云分為8個小段，分別進行車輛目標的自動檢測。首先對點云數據進行預處理、下采樣、濾波以及分割等處理；再利用基于知識規則的車輛目標自動檢測算法計算地物目標的點云特征、幾何特征以及各項屬性；然后將其與車輛目標知識規則庫進行匹配，得到車輛目標的檢測結果。某段道路的檢測結果如圖5所示，原始點云數據在FugroViewer中顯示，其余結果均在CloudCompare軟件中顯示。

由圖5b可知，基于歐式距離分割的聚類方法能很好地去除離群點和異常點，并將地物目標分割成獨立地物點云，地物目標的分割效果較好；由圖5c可知，基于知識規則的車輛目標自動檢測算法能有效實現車輛目標的自動檢測。

為了驗證本文算法的正確性，實驗過程中對8個路段分別進行了車輛目標的自動檢測，同時采用人工目視判讀的方法對點云數據中的車輛目標進行統計，并將本文算法得到的檢測結果與之進行比較，結果如表1所示。

圖5 某段道路車輛目標檢測結果

表1 樣本路段車輛檢測結果

由表1可知，基于知識規則的車輛目標自動檢測算法能有效檢測車輛目標，自動檢測準確率可達88.10%，證明該方法是可行且有效的。

該路段某個位置造成的車輛漏檢（紅色框）和錯檢（黃色框）現象如圖6所示。通過分析可以發現，影響自動檢測準確率的主要原因一方面是部分車輛目標之間存在相互遮擋，導致距離過近、分割不足，或是車輛點云不連貫導致過分割、車輛信息不完整，進而導致提取的特征無法與知識規則匹配；另一方面是由于極少數地物與車輛目標有相似的特征，導致識別困難。

考慮到過分割與分割不足對車輛目標檢測精度的影響，可通過優化聚類方法達到對點云數據的更優分割，從而提高車輛目標檢測的準確率。除此之外，點云密度也是影響檢測精度的因素之一，因此在點云數據的獲取上也應更加嚴謹。

圖6 車輛目標漏檢結果示意圖

3 結 語

本文以武漢市三環線內主要道路的夜間停車狀況調查項目為依托，采用武漢市三環線內某段道路沿線點云數據進行車輛目標的自動檢測。首先通過點云預處理移除地面點云，并對非地面點云進行下采樣和濾波，以簡化點云并去除離群點與異常點；然后采用基于歐式距離分割的聚類方法將點云數據劃分為點云簇；再分析車輛目標的點云特征、自然物理特征、空間幾何特征等相關特點，建立車輛目標檢測的知識規則；最后根據知識規則實現車輛目標的自動檢測。實驗表明，該方法的準確率可達88.10%，減少了人工統計的工作量。在后續研究中，可進一步改進聚類算法以及深入挖掘人工智能方法，以便提高車輛目標檢測的精度和自動化程度。