融合空谱特征的车载LiDAR点云道路标识线提取

范 雯，何鄂龙，李天琪，孙 杰

(中国地质大学(武汉)信息工程学院，湖北 武汉 430074)

车载激光扫描作为新兴的测量手段具有速度快、成本低、密度高及精度高等优势，能够快速获取三维城市场景中的表面信息，广泛应用于道路信息提取[1-3]、三维数字城市重建[4]等领域。其中路宽的测量，特别是自动驾驶所需的高精度地图构建等任务，需要精确的道路标识线。本文的研究重点在于如何快速精确地从车载激光点云数据中自动提取道路标识线。

目前，基于车载激光LiDAR数据对道路标识线进行提取的方法主要分为两类：一类是先将点云转化为影像，再基于分割的方法提取道路标识线信息；另一类是直接基于点云数据进行提取。

基于数据转换的方法首先将点云数据转换为二维图像，再直接使用成熟的二维图像处理算法，因此被广泛应用。Mario Solán等[5]首先对初始路面进行分割，利用强度特征从点云中提取反射路面点，然后创建栅格图像，利用机器学习对道路标志进行提取和分类。管海燕等[6]综合高差、坡度提取道路，利用反距离加权法将道路点内插到带地理坐标的强度图像中，然后对图像进行多阈值分割，得到道路标识线。Pankaj Kumar等[7]通过道路边界识别路面，利用到导航点的距离和强度构建二维图像，设置多阈值进行分割，通过形态学和先验知识进行过滤，最终根据二维输出提取三维点云标识，由于入射角和距离的稳健性不高，因此适用性不强。杨必胜等[8]根据高程信息分割路面轮廓，结合强度和语义信息提取出标识线轮廓，但对断裂的较长车道标识不具适用性。李明辉等[9]分析点云高程特征分布图像，然后进行强度阈值分割，生成基于强度的特征图像，利用几何和语义信息进行道路标识线提取。上述算法中，激光点云数据的强度值受复杂环境影响，直接根据强度进行阈值分割有一定的局限性。另外，通过点云数据转换得到影像数据，位置信息有所损失，提取的标识线位置精度降低。

直接基于点云数据进行路面标识线提取的方法，由于点云数据不具备规则的组织结构，通常需要对点云数据进行规则化，然后进行提取任务。Yu Yongtao等[10]对分割路面进行多阈值分割，通过空间密度过滤的方法提取道路标志。高阳等[11]通过高度差异得到路面信息，通过灰度和强度的差异分割得到道路标识线的基本轮廓，再利用动态网格点云密度滤除杂点，未考虑复杂道路场景对标识线提取的影响。

综上所述，点云转换过程中精度的损失和复杂场景中其他地物的影响等问题，都会影响提取的精度。本文以高精度车载LiDAR点云数据为试验对象，通过滤波算法获取地面点数据，最终基于特征提取和多阈值分割对道路标识线进行提取。该方法的贡献主要有以下两点：①充分考虑点云场景中标识线的属性信息及其空间分布，提出一种空谱特征提取的方法，克服了传统算法中点强度变化对道路线提取精度的影响，提高了标识线提取的稳健性；②考虑复杂道路场景中其他地物和路肩线的影响，通过点云的空间信息滤除路肩线的影响，得到了准确的道路标识线。

1 车道激光点云道路标识线的自动提取

基于车载LiDAR点云数据提取道路标识线的方法主要包括以下步骤：首先基于改进的不规则三角网的渐进加密滤波算法分割得到路面点；然后利用空谱特征滤除杂乱点；最后根据高程阈值路肩线点云，提取得到精确的道路标识线点云。其具体流程如图1所示。

图1 车载LiDAR点云道路标识线提取流程

本文滤波算法的目的是得到路面信息，处理的对象主要针对公路场景，其地形起伏较为平缓，缺少复杂建筑物。国内外众多学者基于点云滤波提出了许多方法[12-14]，其中Axelssojn[15]提出的不规则三角网的渐进加密滤波算法，对大多数地形具有较好的适应性，在复杂场景下也能够稳健地提取道路路面。因此本文选用其改进算法来进行路面提取。

本文依据车载LiDAR点云的颜色信息和位置关系构建空谱特征，对道路标识线点云进一步提取。部分路面杂点和路肩线由于与道路标识线颜色相近，空间上较为聚集，没有被分离出来，需要进一步依据高程特征分割，得到清晰准确的道路标识线点云。

1.1 基于改进的不规则三角网渐进加密滤波算法

经典的不规则三角网渐进滤波首先去除极低粗差点，对原始点云进行规则格网化，选取格网内最低点为种子点，然后依据这些种子点生成初始不规则三角网。如图2所示，点Pa到三角形面片的距离为d，距离阈值为D。该点的镜像点为Pb。三条边与三角形所在面片夹角为α、β和γ，角度阈值为θ。

图2 判断地面点方法

非种子点Pa为地面点需要满足条件为

(1)

或Pb为地面点。

改进算法[16]选取种子点后，逐格网遍历LiDAR 点云数据，并将当前格网内的数据按高程升序排列，逐步建立渐进TIN，迭代提取地面点，能够较好地保持地形特征。

1.2 融合颜色信息与空间分布的空谱特征提取

车载LiDAR点云中包含坐标、强度等属性信息，还含有邻域和高程等空间位置信息，由于灌丛点等杂点与标识线点在强度空间中差异较小，本文基于标识线点云与其他地物空谱差异，对道路标识线进行初步提取。虽然激光扫描仪在获取数据时RGB值会受到周围环境、日照方向等因素干扰，但是在局部区域内保持基本稳定。试验中待提取交通标志为白色矩形道路线。本文构造空谱特征指数I组合颜色和空间分布来进行特征描述和提取。

设定颜色信息累加和为L，R、G、B分别为3个波段颜色值，对该区域内标识线和非标识线的颜色信息特征L分别进行直方图统计。由于非标识线分布比较离散，单区间的频率值较低，制图时将其频率扩大30倍。从图3中可以看到，道路线与非道路线在颜色空间中具有明显可分的阈值。

L=R+G+B

(2)

图3 道路场景颜色信息直方图

非道路线的颜色特征空间中的两个峰值，按横轴顺序依次为植被和道路路面。而道路标识线颜色特征空间中的多个峰值则是因为扫描角的变化，同一入射角的颜色空间上分布大致相同，不同入射角则存在一定差异。将颜色信息特征L的差异用符号Z进行表示。设定阈值Lthreshold作为依据进行分割，并划分类别。L小于阈值时划分为非道路线信息，类别赋值为0。否则判断为道路标识线信息，类别值为1。

Z=L-Lthreshold

(3)

(4)

邻域信息对于离群点的去除及根据几何形状进一步约束道路标识线点云都具有重要意义。为了得到点云空间中的邻域信息，将点云数据投影到XOY平面上，建立kd-tree树索引结构。进一步分析点云的空间分布，根据单位面积的道路路面点云密度ρ和道路路面点云的面积S，可以计算得到一定半径R内点云数N。

S=π·R2

(5)

N=ρ·S

(6)

将点云的颜色特征和空间分布进行结合，可构建空谱特征指数I。空谱特征指数I可表述为

(7)

图4 道路标识线中某一点的空谱特征分布

(8)

图4中白色点为标识线上数据点，黑色点为选中的标识线上的任一点，可能为边界点(非角点)、角点或非标识线边界的一点，灰色点代表选中的点一定邻域内满足空谱特征的点。

本文根据空谱特征I并通过邻域比较去除离群点，提取道路标识线初始点云数据。

1.3 基于高差阈值分割标识线和路肩线点云

路肩线会对道路标识线提取产生干扰，主要位于栏杆下侧道路路面边界部分。路肩线虽然在颜色和几何形状上都与道路标识线类似，但是相对于道路路面而言，边界部分点的水平坐标相近、垂直方向上存在一定的高差，路肩有一定坡度和高度，可以设置一定的高差阈值进行过滤，如图5所示。

图5 道路路面侧面示意图

对已投影到XOY平面的点，本文选取一定半径的邻域，得到邻域内的其余点与该点的高度差异，通过限定高差阈值判断道路路肩线点并过滤。

Dz=Xp·Z-Xi·Z

(9)

式中，Dz为kd-tree当前种子点与邻域其他点的高程差异；Xp为种子点；Xi为邻域内任一点；Z为高程坐标。本文的试验数据为高速公路场景，道路边界部分高程变化明显，阈值的取值依据具体的道路情景来确定。

2 试验与分析

基于Visual Studio 2010 C++集成开发环境实现了本文的道路标识线自动提取试验。试验平台配置为Intel酷睿i7-6900k 3.2 GHz，内存为64 GB，Windows 10系统。

2.1 数据介绍

本文数据采用第四届全国激光雷达大会数据比赛提供的试验数据，图6所示为高速公路场景，数据包含9 158 078个点。扫描数据中包含道路、植被、交通标志等地物，其中交通标识线经手动提取，共232 711个点，用于试验效果验证。

图6 道路场景和道路标识线分布情况

2.2 试验结果与分析

路面激光点云数据主要包括沥青路面和道路标识线，它们的反射强度也不一样。黑色沥青表面对激光信号有吸收效应，反射率低。相反，道路标识线一般采用黄色、白色的特性涂层，对激光呈高反射，因此传统方法中经常利用强度特征进行分割，但是此处道路场景并不适用，强度特征分布直方图如图7所示。

如果利用强度特征，难以从道路场景中分离得到完整道路标识线，并且会存在大量的噪声信息。因此本文构建了空谱特征I来提取精确道路标识线，并利用高差阈值来过滤有一定起伏特征的路肩线。

图7 道路场景强度特征直方图

图8 路肩线滤除局部对比

图8中(a)分为路肩线和标识线点云，(b)为分割后路面点云。试验结果表明，本文方法能够有效过滤道路两侧的路肩线，进一步得到精确的道路标识线。试验中高差阈值分割设定半径为0.2 m，高差为0.02 m。大于公路场景中道路标识线设定宽度为0.15 m，小于不同车道间宽7.5 m。试验结果共提取得到199 560个道路标识线点，结果如图9所示。

图9 道路标识线提取结果

从局部放大效果来看，本文分割方法得到结果可以有效提取道路标识线，在无车辆遮挡区域如图9 右下角所示，道路标识线完整清晰，有较好的试验结果。而在如图9左上角所示有车辆遮挡路面，由于采用空谱特征进行提取，车辆颜色和栏杆阴影在强光下可能对道路线提取产生干扰，使得有部分道路标识线不能完全提取。

根据试验结果将非道路标识线点设为类别0，道路标识线点设为类别1，得到混淆矩阵(见表1)。

表1 提取结果混淆矩阵(总精度：0.996 378)

通过表1可以看出，算法能够识别约99.63%非道路点；能够正确识别道路标识线的概率为100%，正确提取概率超过85%；能够正确预测两类的概率为99.64%。综合利用多维特征是本文方法进一步的改进方向。

3 结 语

本文提出了一种综合点云光谱信息、空间位置和高程的分割方式，对车载LiDAR点云数据的道路标识线信息进行提取。试验结果表明，本文方法能够有效提取道路标识线信息，为后续道路场景进一步识别、三维场景重建等任务降低数据量。下一步研究计划是如何结合强度特征进一步提高道路标识线的识别精度。