CN104376595B - 一种基于机载LiDAR和GIS协同的三维道路生成方法 - Google Patents

Abstract

本发明公开了一种基于机载LiDAR和GIS协同的三维道路生成方法，该方法将致力于解决LiDAR数据在点云道路目标的分割、滤波和道路三维重建方面存在的问题。主要包括：道路点云数据裁切、高架桥道路自动分层、点云滤波、高程内插、道路连接与平滑处理、三维重建与渲染等内容。本发明首先从点云中分割出道路区域点，然后利用GIS道路矢量数据的精确边缘信息，对点云进行几何约束，提高道路高程信息提取的精确性；然后对道路区域中的点云进行滤波，剔除非道路面点，并结合GIS矢量数据对高架桥进行自动分层处理；最后，利用内插技术恢复立交遮挡部分，从而实现道路的三维重建。本发明是一种自动化的可覆盖大面积区域的道路三维建模方法。

Description

一种基于机载LiDAR和GIS协同的三维道路生成方法

技术领域

本发明属于三维立体的城市建模技术领域，涉及一种三维道路网的生成方法，尤其涉及点云滤波技术及利用滤波后的点云进行道路高程内插的方法。

背景技术

近几十年来，随着数字城市和智慧城市的兴起，三维立体的城市建模已经成为一种新的技术热点。在这种情况下，道路网络作为城市运输命脉，是城市的主要组成部分，三维道路的构建对于数字城市的构建具有重要意义。

随着航空和航天遥感技术的快速发展，遥感技术逐渐成为当今社会信息化高速发展不可或缺的重要工具，利用遥感技术，能够快速、准确地获得大量的地面观测数据。机载激光雷达系统（Light Detection And Ranging，简称LiDAR (Light Detection AndRanging，光探测与测量)）是一种新型的综合应用激光测距仪、IMU、GPS的快速测量系统，可以直接联测地面物体各个点的三维坐标。机载LiDAR (Light Detection And Ranging，光探测与测量)数据经过相关软件数据处理后，可以生成高精度的数字地面模型DTM、等高线图等4D产品，具有传统摄影测量和地面常规测量技术无法取代的优越性。机载激光雷达系统在地形测绘、环境检测、三维城市建模等诸多领域具有广阔的发展前景和应用需求，将为测绘行业带来一场新的技术革命。

随着数字城市理论和技术的迅速发展，加之高分辨率遥感卫星，机载和车载LiDAR(Light Detection And Ranging，光探测与测量)传感器的出现，加快了三维城市建模的速度，三维重建技术进入到了高速发展的阶段。

传统的基于摄影测量方法的三维重建过程既费时又费力，并且需要大量的人工辅助工作。目前，利用LiDAR (Light Detection And Ranging，光探测与测量)数据辅助构建真实三维场景的方法，由于其在一定程度上实现了自动化以及点云精度高的特点，成为数字城市三维建模方法的研究热点。

隆华平等介绍了机载LiDAR (Light Detection And Ranging，光探测与测量)系统的回波探测原理，并从激光测高的计算模型出发，分析了激光测高的误差来源，最后通过实验分析了不同覆盖区域生成DEM的精度；Farhad等（提出了一种基于多分类器融合（MCS）提取LiDAR (Light Detection And Ranging，光探测与测量)数据中道路信息的方法；Gong等提出了一种基于聚类的从LiDAR (Light Detection And Ranging，光探测与测量)数据和遥感影像中自动提取道路信息的方法；香港天文台（Hong Kong Observatory）在香港国际机场设立了两个LiDAR (Light Detection And Ranging，光探测与测量)系统用于探测机场两个跑道上的风场，并将探测资料实时传给机场气象所，同时，激光雷达还被用于测量悬浮粒子的后散射，用作监测机场附近的烟霞。李鹏程等提出了一种通过筛选机载LiDAR(Light Detection And Ranging，光探测与测量)数据的末次和单次回波，利用构建不规则三角网进行滤波和去除孤立点的方法获取DEM的方法，并通过实验证明了该方法的可行性与有效性。王宗跃等利用机载LiDAR (Light Detection And Ranging，光探测与测量)获取点云数据时水体受阴影和浑浊的影响比传统的遥感影像小的特点，综合利用高分辨率遥感影像的高精度与点云数据的稳健性，将两者结合起来提高了水体边缘轮廓线提取的精确度。程亮等提出一种LiDAR (Light Detection And Ranging，光探测与测量)辅助下利用超高分辨率影像进行轮廓提取的新方法，取得了较高的提取准确度。沈蔚等提出一种基于机载LiDAR (Light Detection And Ranging，光探测与测量)数据进行建筑物三维重建的方法，针对平顶建筑和非平顶建筑分别采用“Alpha shapes”算法和“基于向量聚类分析的屋顶提取方法”进行提取，具有一定的自适应性，但是目前该方法只能针对具有一定规则的建筑物进行三维提取，对于不规则的建筑物提取具有一定的局限性。李影等通过实验对比了三种建筑物建模的方法，发现基于机载LiDAR (Light Detection And Ranging，光探测与测量)技术生成的三维模型精度高、适用范围广、外业工作量少等优点，但同时存在数据量大、不便于快速传输等的缺点。张栋利用LiDAR (Light Detection And Ranging，光探测与测量)数据的高程信息和航空影像房屋的轮廓信息，分别提取房屋的顶面数据和轮廓数据，并基于此进行房屋的三维建模，相对于只使用LiDAR (Light Detection And Ranging，光探测与测量)数据或者只使用航空序列影像前方交会来建模具有一定的优势。Maas等基于分析激光脚点点云的矩不变性，提出了充LiDAR (Light Detection And Ranging，光探测与测量)数据中自动提取建筑物模型的方法；尤红建等根据记载LiDAR (Light DetectionAnd Ranging，光探测与测量)数据，生成城市的数字表面模型（DSM）和城市的数字地面模型（DTM），最好根据建筑物具有规则的形状这个特点来对建筑物的轮廓线进行规则化处理而最终恢复建筑物的三维信息。

虽然自动提取道路等人工地物的研究已经进行了二十多年，然是仍然没有出现一个实际生产可用的自动化系统（无需人工干预），鉴于此问题的难度，在当前阶段，由人工干预或人工引导的半自动道路提取与建模成为国内外专家的研究热点。丁如珍等完成了公交立交三维建模CAD系统的开发，对公路立交三维建模透视图及渲染图作为研究对象，对公路立交三维建模CAD系统总体结构进行研究，其次对系统中的数字地面模型、路面模型、跨线桥模型、护栏模型及车道标线模型等的建立进行了阐述。李哲梁等提出了公路道路信息管理系统中按匝道来表示立交桥的方法，并尝试着立交桥在地理信息系统中如何进行空间分析，然而其对立交模型的表示和描述都停留在二维空间，使得空间分析和更深入的GIS分析功能难以实现。赵西安等提出了一种基于小波的道路中心线模板提取方法，利用道路在中低分辨率遥感图像中局部特征表现为强的灰度特征的特点，在图像中道路方向未知时，利用小波多尺度变换在三个尺度下，检测图像断面上相关系数峰值，可以抑制噪声并剔除候选点，然后综合两个方向检测结果得到道路中心点，初步的实验结果显示，该方法对噪声的抑制处理比较有限。左小清等以公路设计纵、横断面数据为基础，用三角网结构来实现地形、公路及其构造物的三维模型的建立，对于附属设施用3DS模型库，该方法是交通地理信息系统和三维可视化相结合的一个初步尝试，论文仅从设计数据出发，讨论了里程点和参照点法间的关系，讨论了点事件的定位方法和简单的位置查询，对线和面事件在三维环境下的定位和属性表示没有涉及。Haibin Dong等采用人工输入种子点的办法半自动地从单片IKNOS卫星影像上提取和重建城市道路网的二维模型。作者对复杂的立交桥模型进行了研究，结合设计曲线线型对立交桥的提取和重建进行了探讨。该方法的优点是数据源较新，采用了高分辨率遥感影像，但仍然是半自动方法，由于采用的是单片影像，只能得到二维模型，没有多余观测，缺乏物方的检查条件，如果影像有遮挡，重建工作将很难进行。黄建军等提出了一种航空影像中的立交桥检测的算法，在给出了一类带有圆形或近似圆形转弯匝道的立交桥的描述方法的基础上，先进行主要干道检测，再采用改进的Hough变换对匝道进行检测，从而实现对立交桥的自动检测。该方法的优点是能够有效地提取影像中具有圆形匝道的立交桥，但是实际获取的数据中，立交桥不一定都是圆形规则匝道设计，还有很多没有特定规则几何形状规律可言，需要利用其他信息来进行提取，因此该方法不具有普适性。Simon clode等提出一种利用遥感影像和LiDAR (Light Detection And Ranging，光探测与测量)点云提取道路区域的方法，该方法利用的是低分辨率影像，得到道路粗略的网络分布，对于两种数据的融合存在一定的问题，不能得到精确的道路。罗诏元（2006），SanderOude Elberink等，HuboCai等采用GIS数据库中的道路轮廓线信息，作为道路边缘的约束条件，并对道路进行定位，提取道路，结合LiDAR (Light Detection And Ranging，光探测与测量)高程信息建立道路三维模型。其优点是可以充分利用GIS的道路拓扑关系，建立复杂的道路网络信息，但是道路提取依赖GIS数据信息的时效性。

在点云滤波方面，国内外学者也提出了多种算法。美国佛罗里达国际大学的ZhangKeqi等提出一种基于变换窗口大小的渐进形态学滤波器的方法，随着窗口大小的改变算法中相应的阈值也随之改变。通过判断三维点在邻域窗口内的膨胀度和腐蚀度，进行开闭运算得到滤波结果。报告称该方法在城区和山区都足够有效，并能够较好地除去车辆和灌木等目标。Petzold等提出一种利用移动窗口的滤波算法，该方法利用一个大尺度的移动窗口找最低点计算出一个粗略的地形模型；过滤掉所有高差超过给定阈值的点，计算一个更精确的DEM。重复几遍类似的操作，在重复计算的过程中，移动窗口不断变小。结果显示窗口的大小和阈值的大小会对最终的结果产生影响。奥地利维也纳大学的Kraus和Pfeifer等提出一种迭代线性最小二乘内插模型残差法滤波，在该方法中，DEM内插以及数据过滤同时进行，其核心思想就是基于地物点的高程比对应区域地形表面激光脚点的高程，线性最小二乘内插后激光脚点的高程拟合残差不服从正态分布。该方法比较适用于森林密集覆盖的地区的DTM生成。Vosselman提出基于坡度变化的滤波方法，计算测点到半径范围内的邻域点的坡度值，如果找到邻域点坡度值超过阈值，该点分类成非地面点。坡度阈值越小，点被滤除的机会越大，也就是会有较大量的滤除。Sithole对基于坡度变化的滤波算法进行改进，提出了阈值随地形变化调适的方案，该方法为了保留倾斜地形信息，适当调整滤波窗口的尺寸大小，并增加筛选阈值的取值，这些滤波参数的最优值随着地形的变化而变化。

以上可以看出，目前的数字城市三维建模，特别是与机载LiDAR (LightDetection And Ranging，光探测与测量)数据的结合方面，主要集中在建筑物的三维建模领域，道路的三维建模还处于半自动化或者小面积的三维道路建模阶段；由于现有的三维道路建模技术存在诸多瓶颈，使得有必要开发基于多种数据源融合的自动化的三维道路建模方法。

发明内容

针对上述三维道路建模技术的发展态势及现有局限，本发明着重于利用现有的二维道路矢量数据和机载LiDAR (Light Detection And Ranging，光探测与测量)数据，提出一种自动化的可覆盖大面积区域的道路三维建模方法。

本发明所采用的技术方案是：一种基于机载LiDAR和GIS协同的三维道路生成方法，该方法所使用的数据源包括二维的GIS道路矢量数据和具有三维信息的点云数据；其特征在于，包括以下步骤：

步骤1：道路高程点数据提取，主要包括GIS辅助数据、GIS道路矢量数据的获取和点云数据裁切；

步骤2：对提取的道路高程点数据依次进行道路自动分层、点云分层和点云滤波处理，然后判断道路分层是否结束？

若是，则继续执行下述步骤3；

若否，则回转执行所述的步骤2；

步骤3：对分层后的数据进行道路高程内插，然后判断道路内部以及道路连接处是否平滑？

若否，则对道路连接处平滑处理，并回转执行所述的步骤3；

否是，则生成三维道路。

作为优选，所述的二维的GIS道路矢量数据包括面状类型和线状类型两种。

作为优选，所述的面状类型的二维GIS道路矢量数据包括道路、道路交叉口、道路辅助设施、人行过街天桥、噪声隔离带、穿过道路的铁路、覆盖道路的建筑物以及覆盖道路的平台。

作为优选，所述的线状类型的二维GIS道路矢量数据包括道路中心线、人行过街天桥、噪声隔离带、穿过道路的铁路、覆盖道路的建筑物以及覆盖道路的平台。

作为优选，所述的具有三维信息的点云数据包括机载LiDAR数据，或具有X、Y、Z坐标的以text文件存储的三维点数据。

作为优选，步骤2中所述的道路自动分层，其具体实现包括以下子步骤：

步骤2.1.1：获取落入道路面的所有点，并求高程的中值作为该段道路的高程初始值；

步骤2.1.2：通过空间分析的方法获取该道路与其他道路的空间邻接或重叠关系；

步骤2.1.3：对于当前道路存在上述空间关系的道路的高程初始值进行排序；

步骤2.1.4：判断与其序号值相邻的面是否已经标记过道路层次，若有，那么当前道路的层次应该介于相邻面的层次之间，否则将当前排序的序号值赋给当前道路作为道路层次，同时结合道路数据已有的相关属性信息加以辅助判断。

作为优选，步骤2中所述的点云分层是基于其所落入的道路的最高等级作为点云的层次等级。

作为优选，步骤2中所述的点云滤波是对道路面内的点云的滤波；针对平原地区，采用的是基于RANSAC（Random Sample Consensus，随机抽样一致性）算法的滤波方法进行滤波；针对山地，采用的是基于多重属性（Multiple Attribute）的滤波方法；针对建筑物聚集区，首先对点云进行预处理，将落入建筑物或者与建筑物的边界处的点排除掉，然后再利用RANSAC滤波的方法进行滤波。

作为优选，步骤3中所述的对分层后的数据进行道路高程内插，采用的是线性内插或者最小二乘拟合内插法。

作为优选，步骤3中所述的对道路连接处平滑处理，其具体实现包括以下子步骤：

步骤3.1：根据相关道路标准（如坡度信息）进行道路节点的高程异常检测；

步骤3.2：对检测出的高程异常点进行标记；

步骤3.3：对标记的高程异常点利用最小二乘曲线拟合等拟合或内插方法进行拟合，并根据拟合结果内插出新的高程值。

本发明将致力于解决LiDAR (Light Detection And Ranging，光探测与测量)数据在点云道路目标的分割、滤波和道路三维重建方面存在的问题。主要包括：道路点云数据裁切、高架桥道路自动分层、点云滤波、高程内插、道路连接与平滑处理、三维道路质量检查等内容。本发明的发方法是一种自动化的可覆盖大面积区域的道路三维建模方法。

附图说明

图1：本发明的方法流程图；

图2：本发明实施例的对道路内部及连接处平滑处理流程示意图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

现有的三维道路建模技术存在诸多瓶颈，使得有必要开发基于多种数据源融合的自动化的三维道路建模方法。其可行性在于：

首先，道路提取已经成为遥感研究的热点，在理论和实验方面都得到了迅速发展，并且在土地覆盖制图、变化检测、GIS（Geographic Information System，地理信息系统）数据库更新等方面得到了非常好的应用，但是目前的方法大多基于半自动的道路提取，提取效率低，全自动化的道路提取算法还不够成熟，道路提取的成熟软件也没有投入商用，因此有待于进一步研究；

其次，当前针对数字城市的三维重建工作仍然停留在算法研究与测试阶段，大范围的应用以及成熟的、自动化程度较高的数字城市三维重建软件还很少，因此，现有的科研成果（包括有效的算法与现有的商业软件）具有先进的算法和稳定的效率，为本发明的顺利完成奠定了基础；

第三，LiDAR (Light Detection And Ranging，光探测与测量)数据提供了精确的高程信息，加之GIS (Geographic Information System，地理信息系统)矢量数据的引入，可以为点云的分割与滤波提供精确的几何约束，能有效的提供高程内插的精度，本发明将充分利用这些已有的数据，将LiDAR (Light Detection And Ranging，光探测与测量)点云数据与GIS (Geographic Information System，地理信息系统)数据进行融合，提高道路高程信息提取和三维重建的精度；

为此，本发明提供一种基于机载LiDAR (Light Detection And Ranging，光探测与测量)和GIS (Geographic Information System，地理信息系统)协同的三维道路生成方法，请见图1，本实施例所使用的数据源包括二维的GIS道路矢量数据和具有三维信息的点云数据；包括以下步骤：

步骤1：道路高程点数据提取，主要包括GIS辅助数据、GIS道路矢量数据的获取和点云数据裁切；

道路高程点数据的获取可以利用现有的从影像中自动或半自动的道路信息提取方法获得，本发明对道路面获取的方法不做特殊要求。

点运数据裁切主要是为了降低数据量，利用现有的GIS数据空间分析方法（clip）将落入道路内的点云从全部点云数据集中裁切出来，用于后续的数据处理。

步骤2：对提取的道路高程点数据依次进行道路自动分层、点云分层和点云滤波处理，然后判断道路分层是否结束？

若是，则继续执行下述步骤3；

若否，则回转执行所述的步骤2；

本实施例的道路选择高架道路，高架道路的自动分层算法是本发明的核心算法，该算法的主要步骤为：

1)遍历所有道路面；

2)求出落入该面的点云，并计算这些点云的高程值的中值，作为该面的高程标记值；

3)求出所有与当前面有相交关系的面，然后根据每个面的高程标记值进行排序；

4)求出当前面的高程标记值所在的序号；

5)然后判断与其序号值相邻的面是否已经标记过道路层次，若有，那么当前道路的层次应该介于相邻面的层次之间，否则将当前排序的序号值赋给当前道路作为道路层次。

点云分层：利用分层后的道路面对点云进行分层，由于存在道路重叠的现象，因此LiDAR (Light Detection And Ranging，光探测与测量)点中的一个点可能会同时落入不同的道路中，因此点云分层基于其所落入的道路的最高等级作为点云的层次等级。

点云滤波：针对大范围的道路区域，根据地形的高低起伏和密集建筑物等的特殊情况，需要根据不同情况选用不同的滤波策略。本发明专利将分为三种情况进行滤波处理：

1平原地区：

针对地形起伏比较小的地区，本发明采用一种基于RANSAC（Random SampleConsensus,随机抽样一致性）算法的滤波方法进行滤波，该滤波算法的具体步骤为：

1)对落入每一个道路区域内的点的集合，随机选择可以满足模型参数的最小数量的点；

2)利用选择的点的集合计算模型的参数；

3)判断满足预设阈值的点的数量，并标记为内部点；

4)如果内部点的数量部分超出了预设的阈值，那么就用已经确定的内部点重新估计模型的参数并终止；

5)否则，重复步骤1）至4）（直到达到最大次数N为止）。

2山地：

针对地形起伏比较大的丘陵或者山地地区，本发明采用一种基于多重属性（Multiple Attribute）的滤波方法，该滤波算法的具体步骤为：

1)从点云的属性字段中提取高程值和强度值，并利用这两个值构建一个二维的空间。

2)将当前道路区域分割成小的道路段，并获取落入每一个道路段的点的集合。

3)利用基于最小协方差行列式的多属性模型将地面点和非地面点在上述的二维空间中进行分割。

3建筑物聚集区：

针对建筑物聚集区，由于道路可能与建筑物之间有覆盖或者邻接的关系，因此首先对点云进行预处理，将落入建筑物或者与建筑物的边界处较为接近的点排除掉，然后再利用RANSAC（Random Sample Consensus,随机抽样一致性）滤波的方法进行滤波；该步骤主要针对落在建筑物边界附近的点进行处理，以避免对步骤3的高程内插造成影响。本发明主要通过空间分析中的缓冲区的方法，通过建立建筑物面的缓冲区，将落入该缓冲区的点排除掉。

步骤3：对分层后的数据进行道路高程内插，然后判断道路内部以及道路连接处是否平滑？

若否，则对道路连接处平滑处理，并回转执行所述的步骤3；

否是，则生成三维道路。

利用滤波后的点集，对每个道路面的节点构建缓冲区，并计算落入缓冲区内并且与当前道路节点所在的道路层次相同的点的中值作为当前道路节点的高程值，并保存下来；如果当前节点搜索到的符合条件的高程点的个数为0，那么，将当前节点的高程值标记为0。

当一段道路处理完毕后，利用高程不为0的节点的高程值，通过最小二乘拟合或者线性内插的方法，内插出高程为0的节点的高程值，并保存下来。

道路连接主要处理两段道路连接处公共节点的高程值，使两段道路平滑连接；道路的平滑主要包括处理道路内部的高程异常以及道路间连接处的平滑过渡与高程异常处理。

道路的平滑算法主要利用非高程异常点作为已知点，然后通过利用最小二乘曲线拟合的方法，进行高程异常点平滑处理，请见图2，道路连接处平滑处理的过程包括以下子步骤：

步骤3.1：根据相关道路标准（如坡度信息）进行道路节点的高程异常检测；

步骤3.2：对检测出的高程异常点进行标记；

步骤3.3：对标记的高程异常点利用最小二乘曲线拟合等拟合或内插方法进行拟合，并根据拟合结果内插出新的高程值。

本实施例的二维的GIS道路矢量数据包括面状类型和线状类型两种；面状类型的二维GIS道路矢量数据包括道路、道路交叉口、道路辅助设施、人行过街天桥、噪声隔离带、穿过道路的铁路、覆盖道路的建筑物以及覆盖道路的平台；线状类型的二维GIS道路矢量数据包括道路中心线、人行过街天桥、噪声隔离带、穿过道路的铁路、覆盖道路的建筑物以及覆盖道路的平台；具有三维信息的点云数据包括机载LiDAR数据，或具有X、Y、Z坐标的以text文件存储的三维点数据。

本实施例的二维道路面的矢量数据的获取方式可以通过计算机自动获取也可以通过人工辅助的手段获取。

本实施例的点云数据裁切方法不局限于使用ArcGIS软件进行，也可以用其他软件进行。

本实施例的道路自动分层的方法不局限于使用本发明提出的方法，也可以利用人工辅助的方式完成。

本实施例的点云滤波方法针对的是对道路面内的点云的滤波，而不是针对大范围地面的滤波，滤波方法不局限于使用本发明提出的方法，也可以使用其他滤波方法。

本实施例的点云分层的方法不局限于使用本发明提出的方法，也可以使用其他方法。

本实施例的道路高程内插的方法不局限与线性内插或者最小二乘拟合内插法，也可以使用其他方法。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (9)

1.一种基于机载LiDAR和GIS协同的三维道路生成方法，该方法所使用的数据源包括二维的GIS道路矢量数据和具有三维信息的点云数据；其特征在于，包括以下步骤：

步骤1：道路高程点数据提取，主要包括GIS辅助数据、GIS道路矢量数据的获取和点云数据裁切；

步骤2：对提取的道路高程点数据依次进行道路自动分层、点云分层和点云滤波处理，然后判断道路分层是否结束；

若是，则继续执行下述步骤3；

若否，则回转执行所述的步骤2；

其中所述的道路自动分层，其具体实现包括以下子步骤：

步骤2.1.1：获取落入道路面的所有点，并求高程的中值作为该道路的高程初始值；

步骤2.1.2：通过空间分析的方法获取该道路与其他道路的空间邻接或重叠关系；

步骤2.1.3：对与当前道路存在上述空间关系的道路的高程初始值进行排序；

步骤2.1.4：判断与其序号值相邻的面是否已经标记过道路层次，若有，那么当前道路的层次应该介于相邻面的层次之间，否则将当前排序的序号值赋给当前道路作为道路层次；

步骤3：对分层后的数据进行道路高程内插，然后判断道路内部以及道路连接处是否平滑；

若否，则对道路连接处平滑处理，并回转执行所述的步骤3；

否是，则生成三维道路。

2.根据权利要求1所述的基于机载LiDAR和GIS协同的三维道路生成方法，其特征在于：所述的二维的GIS道路矢量数据包括面状类型和线状类型两种。

3.根据权利要求2所述的基于机载LiDAR和GIS协同的三维道路生成方法，其特征在于：所述的面状类型的二维GIS道路矢量数据包括道路、道路交叉口、道路辅助设施、人行过街天桥、噪声隔离带、穿过道路的铁路、覆盖道路的建筑物以及覆盖道路的平台。

4.根据权利要求2所述的基于机载LiDAR和GIS协同的三维道路生成方法，其特征在于：所述的线状类型的二维GIS道路矢量数据包括道路中心线、人行过街天桥、噪声隔离带、穿过道路的铁路、覆盖道路的建筑物以及覆盖道路的平台。

5.根据权利要求1所述的基于机载LiDAR和GIS协同的三维道路生成方法，其特征在于：所述的具有三维信息的点云数据包括机载LiDAR数据，或具有X、Y、Z坐标的以text文件存储的三维点数据。

6.根据权利要求1所述的基于机载LiDAR和GIS协同的三维道路生成方法，其特征在于：步骤2中所述的点云分层是基于其所落入的道路的最高等级作为点云的层次等级。

7.根据权利要求1所述的基于机载LiDAR和GIS协同的三维道路生成方法，其特征在于：步骤2中所述的点云滤波是对道路面内的点云的滤波；针对平原地区，采用的是基于RANSAC（Random Sample Consensus，随机抽样一致性）算法的滤波方法进行滤波；针对山地，采用的是基于多重属性（Multiple Attribute）的滤波方法；针对建筑物聚集区，首先对点云进行预处理，将落入建筑物或者与建筑物的边界处的点排除掉，然后再利用RANSAC滤波的方法进行滤波。

8.根据权利要求1所述的基于机载LiDAR和GIS协同的三维道路生成方法，其特征在于：步骤3中所述的对分层后的数据进行道路高程内插，采用的是线性内插或者最小二乘拟合内插法。

9.根据权利要求1所述的基于机载LiDAR和GIS协同的三维道路生成方法，其特征在于：步骤3中所述的对道路连接处平滑处理，其具体实现包括以下子步骤：

步骤3.1：根据相关道路标准进行道路节点的高程异常检测；

步骤3.2：对检测出的高程异常点进行标记；

步骤3.3：对标记的高程异常点利用最小二乘曲线拟合等拟合或内插方法进行拟合，并根据拟合结果内插出新的高程值。