利用多尺度扩展高斯影像特征提取车载点云杆状道路设施的方法研究

刘 华， 葛锦涛， 张晓鸣， 刘 波， 李大军

(1. 东华理工大学 江西省数字国土重点实验室，江西 南昌 330013；2. 东华理工大学 测绘工程学院，江西 南昌 330013)

杆状道路设施是车道级高精度地图制作、公路管养等应用中的重要地理信息要素，使用传统测量方式获取效率低、劳动强度大，且存在安全隐患。车载激光扫描技术已广泛应用于道路测量(王淑燕等，2017)、林业测量(Lin et al.,2012)、水道测量(吴敬文等，2016)等领域中，是近年兴起的获取道路设施三维空间信息的热门技术(Guan et al.，2016)，而从车载激光点云中自动提取道路设施是其核心和关键(Ordez et al.,2017；Wang et al.,2017；Wu et al.，2017；Yan et al.，2017；Zheng et al.，2017)。稳健、高效的车载激光点云杆状道路设施提取方法能够有效地提高数据处理的自动化程度和效率，促进车载激光扫描技术在车道级高精度地图制作等领域的应用。

从车载激光点云中自动获取杆状道路设施的三维空间信息时，通常先剔除地面点，然后对非地面点进行聚类，继而使用模型拟合法(Lehtomki et al.，2010；Pu et al.，2011；Cabo et al.，2014；朱岩彬等，2019；张文武等，2019；吴永兴，2020；王鹏等，2020)、基于语义的方法(Teo et al.，2015；Yang et al.，2015)以及基于特征的方法(邹晓亮等，2012；Rodriguez-Cuenca et al.，2015；Yu et al.，2015；Wang et al.，2017；梁寒冬，2020)等从点云中提取杆状道路设施。

现有基于模型拟合的方法、基于语义的方法以及基于特征的方法在杆状道路设施提取中存在较多的误提取和漏提取等问题。本研究提出一种基于多尺度扩展高斯影像特征的杆状道路设施提取方法，该方法首先剔除地面点云并对非地面点云进行聚类，使用多尺度扩展高斯影像特征对聚类点云对象和模板点云对象进行特征描述，通过相似性测度实现聚类点云对象和模板点云的匹配，进而实现杆状地物的提取。

1 方法流程

算法的流程如图1所示。算法首先剔除车载激光点云中的地面点，继而对非地面点进行欧氏聚类，对于聚类后粘连的对象采用最小割算法进行分割；从分割后的点云对象以及选取的模板对象中提取多尺度扩展高斯影像(MS-SEEGI)特征；随后计算聚类对象和模板点云MS-SEEGI特征的相似性测度，将点云对象识别为相似性测度最小的模板点云对象类别。

2 点云分割

2.1 欧氏聚类

采用基于扫描线的滤波方法(Yan et al.，2016)从车载激光点云中分离出可靠的地面点，并用地面点构建不规则三角网，将与不规则三角网距离小于一定阈值的点从原始点云中剔除，只留下非地面点用于后续地物提取。获得非地面点后，进一步采用欧氏聚类方法对其分割，将间距小于阈值Td的点聚类归为同一对象。

2.2 粘连地物点云判断与分割

互相紧邻的地物，如路灯、护栏、树等，在聚类时容易“粘连”。为减少此类情况，对潜在包含多个地物的对象进行检测，然后使用最小割点云分割算法(Golovinskiy et al.，2009)分离粘连对象。

杆状地物的高度较高但在水平面内的投影面积较小，而包含多个地物时点云对象在水平面内的投影面积通常较大，因此可使用点云水平投影的最小外接矩形面积SXY以及点云高度H进行判断，若SXY大于阈值TSXY且H大于阈值TH，则该点云聚类被认为潜在包含多地物，需要进一步分割。

使用最小割点云分割算法对潜在多地物的点云继续分割。首先，构建带权图G(V,E)，其中V为点云所有点，E为点之间的边，E中的每条边均带有权值，点间距越近权值越大；其次，将所有点在Z方向十等分，以顶端两份点云作为初始前景点，通过最小化所有边的权之和将点云分割为前景点和背景点，前景点即为杆状地物；最后，为防止背景点中仍然存在杆状地物，对背景点重复实施上述步骤，直到SXY大于阈值TSXY且高度H大于阈值TH为止。图2为粘连地物分割前后的效果。

3 多尺度扩展高斯影像特征

杆状道路设施在多尺度表达中，局部近似凸多面体，而扩展高斯影像对凸多面体的形状描述是唯一的。为此，提出一种基于显著特征向量的多尺度扩展高斯影像特征描述子，用于描述杆状地物的形状。

3.1 点云多尺度表达

为保证多尺度扩展高斯影像特征描述子的位移不变性和旋转不变性，以竖直方向为Z轴，以点云对象在水平面投影中最长附着物的指向为X轴，遵循右手坐标系原则，建立特定类型杆状地物唯一的局部坐标系，并将点云转换到该局部坐标系。继而使用八叉树结构对非地面点云对象进行多尺度表达，点云对象的尺度n表达为将点云对象进行n次八叉树剖分，n越大，越容易表达细节。

3.2 基于显著特征向量的扩展高斯影像

(1)显著特征向量。点云对象经八叉树剖分后，对非空格网计算特征值(λ1、λ2以及λ3且λ1≥λ2≥λ3≥0)和特征向量(v1、v2和v3)，通过特征值计算线性度Lλ=(λ1-λ2)/λ1、平面度Pλ=(λ2-λ3)/λ1和散度Sλ=λ3/λ1。将线性度Lλ最显著时λ1所对应的特征向量v1(线状方向)以及平面度Pλ最显著时λ3所对应的特征向量v3(平面法向)称为显著特征向量。杆状地物理论上不可能呈体状分布，因此Sλ最显著时忽略该格网信息。

(2)扩展高斯影像。在高斯球面上统计具有相同显著特征向量的格网个数，即：

G(ξ,η)=∑V(vλ)

(1)

式中，V(vλ)为显著特征向量vλ指向高斯球上经纬度为(ξ,η)处的格网，G(ξ,η)为显著特征向量指向高斯球上(ξ,η)处的格网总数量。

(3)扩展高斯影像特征直方图。为方便匹配和比较，将球面扩展高斯影像特征离散化成特征直方图，若在ξ方向的角度分辨率为rξ，在η方向的角度分辨率为rη，则扩展高斯影像可离散化成长度为Rξ×Cη的特征直方图，其中：Rξ=360/rξ，Cη=360/rη。特征直方图用E={N1,N2,…,Nn}表示，n=Rξ×Rη，Ni(i∈1,2,…,n)为高斯球面上(ξi,ηi)处具有相同显著特征向量的格网数量。

(4)扩展高斯影像加权直方图。为了使不同尺度间的扩展高斯影像特征具有可比性，定义权重直方图W={w1,w2,…,wn}对特征直方图进行加权。其中，wi=∑c/C为扩展高斯影像特征直方图中Ni的权重，C为点云对象中的总点数，∑c为(ξi,ηi)处显著特征向量所对应的各格网中点云的点数和。

3.3 多尺度扩展高斯影像

使用八叉树对点云对象进行多尺度剖分，将不同尺度的扩展高斯影像特征描述子串联在一起即得到多尺度扩展高斯影像特征描述子：

EMS={E1,E2,…,En}

(2)

式中，n为八叉树剖分的次数，也即总尺度数，El(l∈1,2,…,n)为第l尺度的基于显著性特征向量的扩展高斯影像。对应地，将不同尺度的权重直方图串联在一起，得到多尺度权重：

WMS={W1,W2,…,Wn}

(3)

式中，Wl(l∈1,2,…,n)为第l尺度的权重直方图。

4 模板匹配

通过计算待识别对象与模板对象的多尺度扩展高斯影像特征描述子的相似性测度，实现目标地物的提取和识别。首先计算待识别对象和模板对象在尺度l上的扩展高斯影像间的不一致程度值：

Slc,t=∑ni=1|(Nlc,i·wlc,i-Nlt,i·wlt,i)|

(4)

式中，n=Rξ×Rη，Nlc,i和Nlt,i为待识别对象和模板对象在尺度l的特征直方图第i处的值，wlc,i和wlt,i为待识别对象和模板对象在尺度l的权重直方图第i处的值。当待识别对象和模板对象完全一致时，Slc,t的值为0；当两者差异较大时，Slc,t的值较大。待识别对象和模板对象的多尺度扩展高斯影像特征描述子之间的相似性测度(不一致度)由各尺度累加得到，即：Sc,t=∑nl=1Slc,t，其中n为尺度个数。

在杆状道路设施的提取和识别中，对于一个待识别的对象，计算该对象与模板库中模板的相似性测度，如果与某一个模板的相似性测度小于阈值，则将该对象识别为该模板的类别。

5 实验与分析

5.1 实验数据

本实验使用车载RIEGL VUX-1激光扫描仪采集了两份实验数据(“数据1”和“数据2”)。数据1长为7.1 km，平均密度为2 700点/m2，包含183个路灯以及40个交通标志牌；数据2长为12.4 km，平均密度为133点/m2，包含590个路灯以及57个交通标志牌。

5.2 结果与分析

在剔除地面点时，将距离地面0.1 m范围内的点剔除；此外，远离道路的激光点云与本实验无关，因此将扫描距离大于40 m的激光点云剔除。在非地面点云聚类中，将距离阈值Td设为0.3 m；在粘连地物判断时，将水平面投影最小外接矩形面积阈值TSXY设置为10 m2，将高度阈值TH设置为3 m。

检测路灯时将相似性测度阈值TSc,t设置为10，在检测交通标志牌时将相似性测度阈值TSc,t设置为25。路灯的提取结果如图3a和图4a所示，绝大部分的路灯被正确提取，也存在少量的漏提取和误提取。漏提取主要由竖直杆上挂有面状的牌子(#1、#2、#3)以及未分割完全的其他地物(#4)造成，误提取对象主要为形似路灯的地物。交通标志牌的提取结果如图3b和图4b所示，绝大部分的交通标志牌被正确提取，但也存在较多的漏提取和误提取，这主要是由于交通标志牌的大小、形状、悬挂方式等变化较大，较难通过少量的模板实现交通标志牌准确且完全的提取。

使用地物提取的正确率(P)、完整率(R)以及综合评价指标(F)定量评价路灯以及交通标志牌的提取结果(表1，2)

P=TP/(TP+FP)

(5)

R=TP/(TP+FN)

(6)

F=2*(P*R)/(P+R)

(7)

式中，TP为正确提取的地物个数，FP为错误提取的地物个数，FN为漏提取的地物个数。从表1可知，所提出方法从数据1中正确提取了171个路灯，漏提取了12个，错误地将10个非路灯对象提取为路灯；从数据2中正确提取了573个路灯，漏提取了17个，错误地将13个非路灯对象提取为路灯；所提出方法对路灯的平均提取正确率和完整率为96.13%和95.28%。从表2可知，所提出方法从数据1中正确提取了33个交通标志牌，漏提取了7个，错误地将3个非交通标志牌提取为交通标志牌；从数据2中正确提取了47个交通标志牌，漏提取了10个，错误地将11个非交通标志牌提取为交通标志牌；所提出方法对交通标志牌的平均提取正确率和完整率分别为86.35%和82.48%。

6 结论

提出了一种基于多尺度扩展高斯影像特征的车载激光点云典型杆状道路实施提取方法，该方法首先剔除地面点，其次采用欧氏聚类对非地面点进行聚类并使用最小割点云分割算法处理杆状地物与其他地物相粘连的情形，最后对点云对象提取多尺度扩展高斯影像特征，并与模板点云的多尺度扩展高斯影像特征进行匹配，将点云对象识别为相似度最高的模板点云的类别。使用两份车载激光点云数据对所提出的算法进行了验证，实验结果中路灯的平均提取正确率和平均提取完整率为96.13%和95.28%，交通标志牌的平均提取正确率和平均提取完整率分别为86.35%和82.48%，均实现了有效提取。

表1 路灯提取结果

表2 交通标志牌提取结果