CN106529431B

CN106529431B - 基于车载激光扫描数据的路坎点自动提取及矢量化方法

Info

Publication number: CN106529431B
Application number: CN201610934574.5A
Authority: CN
Inventors: 杨必胜; 袁鹏飞; 董震; 刘缘; 李健平
Original assignee: Wuhan University WHU
Current assignee: Wuhan University WHU
Priority date: 2016-10-31
Filing date: 2016-10-31
Publication date: 2017-12-15
Anticipated expiration: 2036-10-31
Also published as: CN106529431A

Abstract

本发明公开了一种基于车载激光扫描数据的路坎点自动提取及矢量化方法，包括：步骤1，计算三维激光点云数据中各激光脚点的特征；步骤2，根据各激光脚点的特征，利用朴素贝叶斯分类器将激光脚点分类为路坎点和非路坎点，所得路坎点记为初始路坎点；步骤3，利用所有初始路坎点构建KD树，对各初始路坎点分别计算其方向特征；步骤4，根据初始路坎点的方向特征，采用KD树对初始路坎点进行聚类；步骤5，计算各聚类区域的特征，剔除特征不满足预设条件的聚类区域，获得路砍点提取结果。本发明提高了点云数据处理的自动化程度和生产效率，且方法简单、容易实现，具有很好的实用价值。

Description

基于车载激光扫描数据的路坎点自动提取及矢量化方法

技术领域

本发明属于激光扫描数据智能化技术领域，更具体地，涉及一种基于车载激光扫描数据的路坎点自动提取及矢量化方法。

背景技术

道路边界信息是基础地理信息的重要组成部分之一，准确、高精度的道路信息对于城市规划、交通控制以及应急响应等具有重要的作用(杨必胜，2013)。同时，道路边界也是无人驾驶车辆进行自主导航的一个重要信息，它将道路区域与周围环境进行区分，为无人车提供道路的可行区域。基于光学影像的半自动或自动提取道路信息一直是摄影测量与遥感领域研究的热点。但是基于光学影像的道路提取结果受图像分辨率、光照、天气等影响严重，并且很难获得准确的三维边界信息。

车载激光扫描系统可以在高速移动的情况下，获取道路以及道路两侧建筑物、树木等地物表面的三维激光点云，为道路测量和检测提供了一种全新的技术手段。Jakkola(2008)将激光扫描数据生成高程特征图像，然后通过设定一个全局的高程阈值来提取道路的路坎点，最后利用不规则三角网来进行路面模型的构建。刘梓(2011)根据道路区域与非路面区域之间存在的高度跳变的特性，首先提取道路的可通行区域，然后把得到的障碍网格图利用线性鉴别分析(LDA)的分类的思想划分出最佳的左右非路面区域，进而在路面区域和非路面区域的相交位置提取道路的路坎点。谭宝成(2015)依据道路区域与非路面区域存在的高度跳变的特性，首先分别出道路区域和非路面区域，并在道路区域和非路面区域的相交位置提取初始的边界点，然后利用阈值处理和均值滤波的方法精化初始的边界点，最后利用线性分析拟合得到道路的边界信息。方丽娜(2013)提出一种适用于复杂道路环境的道路路坎自动提取方法。该方法首先通过高程滤波来提取地面点云；然后采用路坎模型匹配的方法提取初始的路坎点；最后制定了一系列的规则对初始的路坎点进行跟踪和优化。

总体而言，从大范围激光扫描数据中快速、准确地提取道路的路坎点仍然存在问题：(1)受噪声、点密度变化、遮挡等因素影响严重，导致道路路坎提取的精度较低；(2)只适用于城区、高速、国道等某一场景下的道路路坎提取，缺乏广泛的适用性，在实际生产中自动化程度低等。

发明内容

本发明的目的是提供一种提取精度更高的基于车载激光扫描数据的路坎点自动提取及矢量化方法。

为达到上述目的，本发明采用如下技术方案：

一、基于车载激光扫描数据的路坎点自动提取及矢量化方法，包括：

步骤1，计算三维激光点云数据中各激光脚点的特征，具体为：

获取激光脚点pt的大尺度球形邻域点集NP_small和小尺度球形邻域点集NP_large；

对NP_small和NP_large中各激光脚点分别进行主成分分析，获得NP_small和NP_large中激光脚点分布的法向量Normal_small、Normal_large；

计算法向量Normal_small和Normal_large的夹角，即pt的多尺度方向差分特征；

分别计算邻域点集NP_small和NP_large中激光脚点的高程分布方差以及最高激光脚点和最低激光脚点的高程差；夹角、高程分布方差及高程差即构成pt的特征；

步骤2，根据各激光脚点的特征，利用朴素贝叶斯分类器将激光脚点分类为路坎点和非路坎点，所得路坎点记为初始路坎点；

步骤3，利用所有初始路坎点构建KD树，对各初始路坎点pt'分别计算其方向特征，具体为：利用KD树搜索pt'的k邻域点，对pt'的邻域点进行主成分分析，得pt'的邻域点分布的主方向，即pt'的方向特征；

步骤4，根据初始路坎点的方向特征，采用KD树对初始路坎点进行聚类；

步骤5，计算各聚类区域的特征，包括维数(a_1D,a_2D,a_3D)、长度L和点数N_c，剔除不满足{a_1D＞δ₁&a_2D＞δ₂&a_3D＞δ₃&L_c＞l&N_c＞n}的聚类区域，所剩聚类区域即路坎点提取结果；其中，δ₁、δ₂、δ₃为维度阈值，n为聚类区域的最小点数，l为聚类区域的最小长度，δ₁、δ₂、δ₃、n、l均根据经验取值。

步骤1中所述的获取激光脚点pt的大尺度球形邻域点集NP_small和小尺度球形邻域点集NP_large，具体为：

根据经验初始化小邻域半径r_small和大邻域半径r_large；

以激光脚点pt为球心，分别以r_small和r_large为半径画小球和大球，落入小球和大球的激光脚点分别构成pt的邻域点集NP_small和NP_large。

步骤2进一步包括：

2.1将激光脚点的特征归一化；

2.2采集训练集，并采用训练集训练朴素贝叶斯分类器，得最优分类模型；

2.3采用最优分类模型将激光脚点分类为路坎点和非路坎点，所得路坎点记为初始路坎点。

步骤4进一步包括：

4.1初始化“未聚类”路坎点为所有初始路坎点，初始化种子点队列Queue_seed为空；

4.2利用所有初始路坎点构建KD树；

4.3从当前“未聚类”路坎点中随机选一路坎点作为初始的种子点P_s，并将该路坎点从当前“未聚类”路坎点中剔除；

4.4利用KD树搜索P_s的邻域点集，将邻域点集中满足聚类规则的邻域点p'_j和P_s合并为同一区域，并将p'_j压入种子点队列Queue_seed；所述的聚类规则为：p'_j和P_s的欧式距离小于距离阈值，且p'_j和P_s的方向夹角小于方向夹角阈值，且p'_j和P_s的高程差小于高程差阈值；距离阈值、方向夹角阈值和高程差阈值为经过验证的经验值；

4.5判断Queue_seed是否为空，若非空，从Queue_seed队首弹出一点作为种子点P_s，重新执行步骤4.4；否则，返回步骤4.3；

4.6重复子步骤4.3～4.5，直至所有初始路坎点均被聚类。

步骤5中，维数(a_1D,a_2D,a_3D)的计算如下：

利用聚类区域中各路坎点的坐标构建路坎点坐标的协方差矩阵，分解协方差矩阵获得协方差矩阵的特征值，根据特征值计算聚类区域的维数；

所述的维数中，λ₁、λ₂、λ₃为协方差矩阵的特征值，λ₁≥λ₂≥λ₃。

二、基于车载激光扫描数据的路坎点自动矢量化方法，包括：

采用上述步骤1～5获得路坎点提取结果；基于路坎点提取结果，采用分段三次贝塞尔曲线拟合路坎点的聚类区域，从而获得路坎点的矢量化结果。

本发明具有如下特点：

(1)发展了基于多尺度方向差分法的道路路坎点逐点分类方法，提高了道路路坎点提取的精度和鲁棒性；

(2)利用基于聚类区域的特征进一步精化提取逐点分类的路坎点，降低了路坎点的误提取率；

(3)制定了道路几何边界优化规则，将因数据缺失造成的非连续路坎进行连接，很好地解决了数据遮挡对道路路坎提取结果的影响。

和现有技术相比，本发明提高了三维激光点云数据处理的自动化程度，提高了生产效率，且方法简单、容易实现。采用本发明，可快捷稳健地实现路坎点的提取和矢量化，提高了道路路坎点提取和矢量化的精度和效率。

附图说明

图1是本发明的具体流程图；

图2是本发明实施例中多尺度方向差分特征的计算示意图，图(a)为大尺度下的法向量示意图，图(b)为小尺度下的法向量示意图，图(c)为激光角点的多尺度方向差分特征示意图；

图3是本发明实施例中初始路坎点的提取结果图；

图4是本发明实施例中路坎点聚类区域的结果图；

图5是本发明实施例中路坎点提取结果图；

图6是本发明实施例中路坎点矢量化结果图。

具体实施方式

本发明技术方案采用计算机软件方式支持自动运行流程，其流程如图1所示。以下结合实施例和附图详细说明本发明技术方案。实施例子按照设计的方案进行道路路坎点提取和矢量化，逐步详细说明如下：

步骤1，计算三维激光点云数据中各激光脚点的特征。

对任意激光脚点pt，其多尺度方向差分特征计算的实现方式如下：

步骤1.1：参数初始化：

根据经验初始化小邻域半径r_small＝0.3m和大邻域半径r_large＝0.5m

步骤1.2：以激光脚点pt为球心，分别以r_small和r_large为半径画球，落入球内的激光脚点作为pt的邻域点集，分别记为NP_small＝{p_sj,j＝1,2…N_small}和NP_large＝{p_lj,j＝1,2…N_large}。其中，p_sj表示NP_small中第j个激光脚点，N_small为NP_small中激光脚点数；p_lj表示NP_large中第j个激光脚点，N_large为NP_large中激光脚点数。

步骤1.3：对邻域点集NP_small＝{p_sj,j＝1,2…N_small}和NP_large＝{p_lj,j＝1,2…N_large}中各激光脚点分别进行主成分分析(PCA)，从而获得NP_small和NP_large中激光脚点分布的法向量Normal_small＝(n_sx,n_sy,n_sz)和Normal_large＝(n_lx,n_ly,n_lz)，Normal_small为NP_small中激光脚点分布的法向量，Normal_large为NP_large中激光脚点分布的法向量，n_sx、n_sy、n_sz分别表示NP_small中激光脚点分布的法向量在x、y、z方向上的分量，n_lx、n_ly、n_lz分别表示NP_large中激光脚点分布的法向量在x、y、z方向上的分量。

步骤1.4：计算法向量Normal_small和Normal_large的夹角即激光脚点pt的多尺度方向差分特征。多尺度方向差分特征的计算可参见图2。

步骤1.5：分别计算邻域点集NP_small和NP_large中激光脚点的高程分布方差以及最高激光脚点和最低激光脚点的高程差，将邻域点集NP_small中激光脚点的高程分布方差以及最高激光脚点和最低激光脚点的高程差分别记为Sd_sh、Dh_sh，将邻域点集NP_large中激光脚点的高程分布方差以及最高激光脚点和最低激光脚点的高程差分别记为Sd_lh、Dh_lh。

夹角、高程分布方差及高程差即构成各激光脚点pt的特征。

步骤2，根据步骤1所获得的各激光脚点pt的特征，利用朴素贝叶斯分类器将激光脚点分类为路坎点和非路坎点，本步骤所得路坎点记为初始路坎点。图3为本实施例初始路坎点的提取结果。

本步骤的实现方式如下：

步骤2.1：激光脚点pt特征的归一化：

将激光脚点的各特征，包括Sd_sh、Sd_lh、Dh_sh、Dh_lh分别归一化到区间[-1,1]。

步骤2.2：采集训练集：

手工标记路坎点和非路坎点，将这些已知类别的激光脚点作为训练集。

步骤2.3：把训练集输入朴素贝叶斯分类器中进行训练，得到最优分类模型。

步骤2.4：采用最优分类模型对未知类别的激光脚点进行分类，分类为路坎点和非路坎点。

步骤3，分别计算各初始路坎点的方向特征。

对任意初始路坎点pt'而言，方向特征计算的实现方式如下：

步骤3.1：利用所有的初始路坎点构建KD树。

步骤3.2：利用KD树搜索初始路坎点pt'的k邻域点，k根据经验取值，本实施例中k取16。

步骤3.3：对初始路坎点pt'的邻域点进行主成分分析(PCA)，得初始路坎点pt'的邻域点分布的主方向dir_p＝(d_x,d_y,d_z)，dir_p＝(d_x,d_y,d_z)即初始路坎点pt'的方向特征。d_x、d_y、d_z分别表示初始路坎点pt'的邻域点分布的主方向在x、y、z方向上的分量。

步骤4，根据初始路坎点的方向特征对初始路坎点进行聚类。

本步骤的实现方式如下：

步骤4.1：初始化聚类的邻域半径r＝0.3m,设置距离阈值DT＝0.3,方向夹角阈值IT＝10°，高程差阈值HT＝0.2m；初始化“未聚类”路坎点为所有初始路坎点，初始化空的种子点队列Queue_seed和空的聚类容器Vector_curb。

步骤4.2：利用所有初始路坎点构建KD树。

步骤4.3：从当前“未聚类”路坎点中随机选取一路坎点作为初始的种子点P_s，并压入种子点队列Queue_seed初始化种子点P_s的区域标记L_C＝1。

步骤4.4：利用KD树搜索种子点P_s位于邻域半径r内的邻域点集{p'_j,j＝1,2…Nn}，p'_j为种子点P_s的第j个邻域点，Nn为种子点P_s的邻域点数。若邻域点p'_j同时满足下列聚类规则，则把邻域点p'_j和种子点P_s合并为同一区域；然后，把邻域点p'_j压入种子点队列Queue_seed和聚类容器Vector_curb，并赋值邻域点p'_j的区域标记

聚类规则为：

①邻域点p'_j和种子点P_s的欧式距离小于距离阈值DT；

②邻域点p'_j和种子点P_s的方向夹角小于方向夹角阈值IT；

③邻域点p'_j和种子点P_s的高程差小于高程差阈值HT。

步骤4.5：若种子点队列Queue_seed非空，则从种子点队列Queue_seed队首弹出一点作为种子点P_s，重新执行步骤4.4；若种子点队列Queue_seed为空，表示一个路坎点聚类生长结束，令L_C＝L_C+1，返回步骤4.3。

步骤4.6：重复步骤4.3～4.5，直至所有初始路坎点被聚类。

图4为本实施例的路坎点聚类区域结果图。

步骤5，计算步骤4获得的各聚类区域的特征，包括维数(a_1D,a_2D,a_3D)、长度L以及点数N_c，根据聚类区域的特征，制定规则对道路边界进行优化提取。

本步骤进一步包括：

步骤5.1，维数计算。

利用聚类区域中路坎点构建协方差矩阵M_3×3：

其中，N_c为聚类区域中路坎点数，表示聚类区域中各路坎点坐标，为聚类区域中路坎点坐标的平均值。

对协方差矩阵进行特征值分解：

其中，λ₁、λ₂、λ₃为协方差矩阵M_3×3的特征值，λ₁≥λ₂≥λ₃；为特征值对应的特征向量。

根据特征值计算的维数特征：

步骤5.2，各聚类区域的长度L计算。

求取聚类区域的外包长方体，求外包长方体的三边长，其中最长的一边即聚类区域的长度。

步骤5.2，根据聚类区域的特征，剔除不满足如下规则(见公式(6))的聚类区域，获得路坎点提取结果：

{a_1D＞δ₁&a_2D＜δ₂&a_3D＜δ₃&L＞l&N_c＞n} (6)

其中，δ₁、δ₂、δ₃均为维度阈值，根据经验取值，δ₁的取值范围为[0.5,1)，δ₂和δ₃的取值范围为(0,0.5)；n为聚类区域的最小点数，根据经验取值，一般根据聚类区域的点密度设值，聚类区域的点密度大则n取较大值，反之则取较小值；l为聚类区域的最小长度，根据经验取值，一般根据聚类区域的点密度设值，点密度较大时则取较大值，反之则取较小值。

本实施例中，δ₁＝0.9、δ₂＝0.1、δ₃＝0.1，n＝20，l＝1.0m。本实施例所得路坎点提取结果见图5。

步骤6，路坎提取结果矢量化。

采用分段三次贝塞尔(Bézier)曲线拟合路坎点的聚类区域，得路坎点的矢量化结果。本实施例所获路坎点矢量化结果见图6。

三次贝塞尔(Bézier)曲线公式如下：

式(7)中，P₀、P₁、P₂P₃表示四个连续的路坎点，t为关于路坎点的自变量，t∈[0,1]；随着t的变化得到不同的路坎点，所得路坎点都处于拟定的贝塞尔曲线上。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或超越所附权利要求书所定义的范围。

Claims

1.基于车载激光扫描数据的路坎点自动提取方法，其特征是，包括步骤：

获取激光脚点pt的大尺度球形邻域点集NP_large和小尺度球形邻域点集NP_small，具体为：

根据经验初始化小邻域半径r_small和大邻域半径r_large；

以激光脚点pt为球心，分别以r_small和r_large为半径画小球和大球，落入小球和大球的激光脚点分别构成pt的邻域点集NP_small和NP_large；

步骤4进一步包括：

4.2利用所有初始路坎点构建KD树；

4.6重复子步骤4.3～4.5，直至所有初始路坎点均被聚类；

步骤5，计算各聚类区域的特征，包括维数(a_1D,a_2D,a_3D)、长度L和点数N_c，剔除不满足{a_1D＞δ₁&a_2D＜δ₂&a_3D＜δ₃&L＞l&N_c＞n}的聚类区域，所剩聚类区域即路坎点提取结果；其中，δ₁、δ₂、δ₃为维度阈值，n为聚类区域的最小点数，l为聚类区域的最小长度，δ₁、δ₂、δ₃、n、l均根据经验取值；

步骤5中，维数(a_1D,a_2D,a_3D)的计算如下：

所述的维数中，λ₁、λ₂、λ₃为协方差矩阵的特征值，λ₁≥λ₂≥λ₃；

步骤5中，长度L的计算如下：

2.如权利要求1所述的基于车载激光扫描数据的路坎点自动提取方法，其特征是：

步骤2进一步包括：

2.1将激光脚点的特征归一化；

3.基于车载激光扫描数据的路坎点自动矢量化方法，其特征是：

采用权利要求1所述的步骤1～5获得路坎点提取结果；基于路坎点提取结果，采用分段三次贝塞尔曲线拟合路坎点的聚类区域，从而获得路坎点的矢量化结果。