手持三維激光掃描室內停車場地面標識要素提取方法

劉云彤,黃金亭,王家耀

(1.黃河水利職業技術學院,河南 開封 475004; 2.河南大學地理與環境學院,河南 開封 475004;3.河南大學時空大數據產業研究院,河南 鄭州450046)

近年來,隨著城市化進程的加速和車輛保有量的快速增長,停車問題逐漸成為城市交通管理和規劃的重要挑戰之一[1]。室內停車場作為解決停車需求的重要設施,在城市中扮演著重要的角色,不僅提供車輛停放的空間,還能有效利用地下空間,緩解交通壓力。然而,室內停車場的管理和使用涉及一系列復雜的問題,如停車位的分配、車輛導航、安全性規劃等。在解決這些問題時,室內停車場平面圖作為一種重要的工具和信息載體發揮著至關重要的作用。構建精確的室內停車場平面圖是一項重要的工作,對于解決城市停車問題、提高停車效率和優化交通流動具有積極的影響[2]。

近年來,由于手持式三維激光掃描儀具備體積小巧、重量輕、易于攜帶和操作的優點,逐漸被應用于地下空間普查[3]、工業測量[4-5]和文物保護[6]等領域。使用者可以自由移動掃描儀,不受固定架或支撐設備的限制,能夠快速、方便地掃描室內停車場,得到整個停車場的三維點云。然而,目前商業軟件中尚未見到利用手持掃描儀點云高效、自動化進行室內停車場成圖的工具。在實際制圖過程中,常常采用在點云上手工繪圖的方法,制圖效率較低。其主要瓶頸在于缺乏快速、自動化的三維點云地圖要素的提取方法,從而無法自動識別和提取地圖要素,制約了制圖效率的提高。室內停車場的地面標識要素(車位線、車道線和地面箭頭標識)占據制圖要素的絕大部分,其提取效率制約著停車場制圖的效率。基于此,本文在手持激光掃描點云的基礎上,提出室內停車場地面標識要素的自動化提取方法,以期能夠精確提取室內停車場的地面標識要素,有效提高室內停車場地圖構建的效率。

1 室內停車場點云的獲取

為快速獲取室內停車場的三維點云,本文采用Leica BLK2GO手持激光掃描儀作為室內停車場點云采集設備。Leica BLK2GO采用GrandSLAM定位方式,不再依賴于三腳架和固定位置靜態掃描,可以邊走邊采集,掃描速度高達42萬點/s,數據實時傳輸,掃描效率提高數倍。Leica BLK2GO獲取室內停車場點云如圖1所示。

2 地下停車場地面標識要素提取

2.1 地面點云提取

考慮整個停車場點云數據量較大,同時點云處理對內存的要求較高,本文首先按照平面規則格網的方式對整個停車場點云進行劃分,然后在每個區塊點云的基礎上提取地面點。為了實現劃分,采用了邊長為L的正方形網格(設置L為15 m)對整個停車場點云進行劃分。單個網格的點云示意圖如圖2所示。

圖2 室內停車場點云劃分

由于單個網格覆蓋范圍較小,劃分后每個網格內的點云數量較少,并且單個網格內的地面點云都處于同一個平面附近。本文使用RANSAC平面擬合算法[7](擬合距離閾值設置為4 cm)提取點云中的平面。設置平面法向量約束條件,若法向量與Z軸的夾角小于M(設置M=20°),則保留該平面及其對應點,否則,將該平面排除。通過該方法,可以得到頂面和地面等多個平面,選擇最底部的平面作為地面,其對應的點為地面點,如圖3所示。

圖3 單個網格地面點云

2.2 標識要素提取

點云具有稀疏性和散亂性,直接從大范圍地面點云提取標識要素,算法的復雜程度較高,并且識別精度有限。相比之下,二維圖像數據更加規則。因此,為了提高室內停車場標識要素的識別精度,本文根據地面點云生成圖像,并在圖像的基礎上采用深度神經網絡識別標識要素。

2.2.1 地面點云圖像生成

根據點的坐標將網格內的地面點云,投影至XOY平面。假設投影后點云的最小X、Y坐標分別為xmin、ymin,則投影后的任意一點P(xp,yp,zp)的圖像坐標為

式中,K=5 cm,為像素大小。計算每個點的圖像坐標,可得到單個網格的地面點云圖像,如圖4所示。

圖4 地面點云圖像

2.2.2 基于BiSeNet的地面標識語義分割

近年來,深度學習技術[8]得到快速發展,其無論在圖像分割的精度還是穩健性上都大大優于傳統的圖像處理方法。目前,有大量的學者針對圖像的語義分割提出了不同的深度網絡模型,最常用的有FCN[9]、SegNet[10]、BiSeNet[11]等。其中BiSeNet是一種高效的圖像語義分割模型,在保持準確性的同時,具有較低的計算復雜性和內存消耗,它在多個公開數據集上進行了評估,并在速度和精度方面取得了良好的結果。鑒于BiSeNet的優良特性,采用BiSeNet網絡對停車場地面圖像進行分割。由于本文的樣本庫圖像數量較少,使用深度神經網絡進行訓練時,容易出現過擬合現象,網絡的泛化能力有限。為了提高分割的正確率,采用遷移學習的策略。首先使用SUPS數據集[12]對BiSeNet網絡進行預訓練,然后將少量的人工掃描生成的圖像作為樣本對網絡進行微調,以減少人工標注樣本的工作量。語義標簽分為4類,分別為箭頭、車位線、車道線和背景,如圖5所示。

圖5 SUPS數據樣例

2.2.3 地面標識要素結構化提取

為了方便后續的要素提取,將分割后的要素像素單獨進行二值化處理,生成不同要素的二值化圖像。對于車位線和車道線,采用基于霍夫變換的線段檢測方法[13]進行提取。提取后的車位線和車道線如圖6所示。

圖6 車位線和車道線的提取效果

對于地面箭頭標志,采用文獻[14]提出的模板匹配的方法,使用預先設定的模板,與提取的箭頭區域的像素進行匹配,尋找與其最相似的箭頭,從而使用匹配后的模板箭頭作為提取結果,如圖7所示。

圖7 地面導線箭頭匹配結果樣例

3 試驗與分析

為了驗證本文方法的分割效果,選擇2個室內停車場,使用Leica BLK2GO手持激光掃描儀進行掃描,獲取其三維點云數據。試驗基于Windows 10系統,CPU為Intel(R) Core(TM)i7-7700 CPU @ 3.60 GHz,GPU為NVDIA GeForce GTX1080Ti。采用C++語言進行本文方法的程序編碼,程序相關功能的實現采用PCL點云處理及OpenCV圖像處理開源庫。

3.1 BiSeNet網絡訓練

為了實現本文提出的室內停車場結構要素提取方法,對BiSeNet網絡進行訓練。選擇5864張圖像作為數據集,并將數據集按4∶1劃分為訓練集和測試集。對網絡訓練了 200 周期,并統計了F分數(F-Score)、像素準確率(PA)及平均交并比(MIoU)3個指標,其結果見表1。

表1 BiSeNet網絡評價指標統計

從表1可以看出,經過訓練后的BiSeNet的語義分割精度較高,大部分的地面標識像素可以被準確識別。此外,本文測試了BiSeNet網絡的運行效率,處理100張圖像約耗時1035 ms,運行效率較高,能夠滿足實際應用的需求。

3.2 地面標識要素提取效果

為了測試本文提出的車位線和車道線的提取效果,選擇停車場多個位置進行測試。經測試發現,大部分的車道線都能被夠準確完整地識別出來,但對于掃描不全的車位線,不能完整被提取,如圖8所示。這主要是由于停放車輛的遮擋,導致某些車位線只能被部分掃描,從而無法完整地提取車位的邊界線。而車道線附近通常沒有干擾,獲取的車道線點云大部分是完整的,因此,車道線可以較完整地提取出來。

圖8 車道線及車位線提取效果

此外,為了測試箭頭標識匹配的正確率及效率,選擇了136個箭頭標志進行匹配,并統計了匹配的正確率與耗費時間,見表2。可以看出,本文的檢測方法正確率較高,能夠正確識別大部分的地面箭頭標識,可節省大部分的人工繪制箭頭的工作;且匹配效率較高,可滿足實際應用需求。

表2 箭頭標識匹配結果統計

4 結 語

為了實現室內停車場的快速制圖,本文在手持三維激光掃描數據的基礎上,提出了室內停車場地面標識要素的快速提取方法。首先,采用平面規則網格對整個停車場點云進行劃分;其次,采用RANSAC平面擬合的方法提取每個網格內的地面點云;然后,將地面點云投影至XOY平面,生成地面點云圖像;在此基礎上,采用BiSeNet網絡對地面圖像進行語義分割,得到車道線、車位線及導線箭頭的像素;最后,基于霍夫變換的線段提取方法對車道線和車位線進行提取,并采用模板匹配的方法對導線箭頭進行匹配識別,最終實現地面標識要素的提取。試驗證明,本文方法能夠有效提取掃描完整的地面標識要素,大大提高制圖效率,具有一定的應用價值。