道路全息测绘智能化提取方法研究

韦 通

（山东省国土测绘院，山东 济南 250014）

0.引言

2017年11月，原国家测绘地理信息局批复上海市新型基础测绘试点项目，道路全息测绘应运而生[1]。相较于传统的数字测图技术，道路全息测绘通过全景相机、激光雷达等先进感知设备，结合组合导航定位技术，使外业采集数据更加便捷、数据成果内容更加丰富，为城市的数字化建设提供了重要保障[2]。但是，这种高效、快速的数据采集手段给后续内业制图带来了新的问题：（1）数据种类多，点云、全景影像等多种数据在成果制作中难以有效融合、利用；（2）数据量大，不仅增加了内业人员数据处理环节，也增加了内业人员的辨识难度；（3）内业采集要素、属性多，极大地增加了内业编辑人员的工作量、作业难度。

为此，基于点云数据的智能化提取成为当下道路全息测绘研究的热点之一，国内外众多学者对此进行了大量研究。马新江等人针对车载激光点云中道路边界提取不精确、复杂度高等问题，提出了一种基于路缘特征的城市道路边界自动提取方法，通过实验证明了该方法的可行性和有效性[3]。对于道路标识线等地物要素，范雯等人提出了一种基于空谱特征的车载LiDAR点云道路标识线提取方法，该方法充分考虑了车载激光点云中道路标识线的颜色、空间邻域和高程等信息，依次对点云数据进行自动分类，提取道路标识线[4]。针对城市道路中的杆状地物，李永强等人先通过改进形态学算法一处点云数据中的地面点，并通过统计分析移除噪声点，再根据预先建立的杆状地物样本训练SVM分类模型，对杆状地物进行自动化提取[5]。此外，国内众多机构也进行了深入研究、探索，研制了相应的道路全息测绘制图软件，如清华三维的EPS、上海测绘院基于Cloud compare软件的智能提取模块。

但上述研究仍然存在着一些问题，如，算法性研究实例数据验证较少，很难快速投入实际生产；各个机构开发的半自动软件模块，无法融合全景照片、传统地形数据，以及自动化提取的效果严重依赖于点云的质量。本文将利用TOPODOT对道路点云进行智能化提取，重点针对多源数据融合、地物要素自动化提取、属性编辑等方面进行研究，并通过具体的工程实例，验证本文方法的可行性、适用性。

1.全要素地形绘制

道路全息测绘，首先利用车载扫描系统进行外业数据采集，获取的数据包括点云、全景照片、移动端GNSS/IMU数据和基站GNSS数据；数据采集完成后，使用Inertial Explorer（简称IE）对基站GNSS数据、移动端GNSS/IMU数据进行定位测姿数据的融合解算，得到车载扫描系统的行车轨迹信息（POS轨迹数据），并利用POS轨迹数据解算相应的点云数据；通常初步解算的点云数据无法满足全息测绘的精度要求，需要进行点云纠正，以此修正POS轨迹数据；最后根据修正后的POS轨迹数据重新解算点云，并整理全景照片。

1.1 图形信息提取

全要素地形数据制作主要根据合格的点云、全景照片等数据，在内业软件平台中对地物要素进行提取，地物要素按照类型可分为点要素、线要素和面要素，地物要素的提取顺序可按“线要素—点要素—面要素”进行提取。线要素主要包括范围分界线、道路边线、道路标志线、通信线、分隔栏等线状地物；点要素主要包括行道树、杆状物、各类管道设施、垃圾箱、交通标志等点状地物；面要素主要包括填充面、网状线、停车位、候车棚等面状地物。

1.2 属性信息编辑

根据道路全息测绘“应采尽采”的准则，全要素地形成果不仅包含各类地物要素的图形信息，还涵盖各类地物要素的社会、经济属性。通常，杆状地物需要录入其高度、编号等信息；交通标志牌需要录入其内容、数值等信息；候车棚需要录入其车次、站名等信息。

2.工程实例

2.1 工程数据

本文以徕卡Pegasus Two Ultimate移动激光扫描系统获取的广州某区域一段335m的单车道路数据作为实验数据（如图1所示）。道路数据包括点云数据和全景照片数据，其中，点云数据共18117727个数据点，涵盖道路标志、道路标线、人行横道线、道路边线、公路护栏、路灯、指示牌、行道树和一般公路桥等多类型地物要素；全景照片数据共92张，与点云数据空间位置相对应。

图1 实验数据

2.2 智能化提取

该段道路中涉及的地物要素，按类型可分为点要素、线要素、面要素，其中，点要素包括路灯、指示牌、行道树等地物要素；线要素包括道路标线、道路边线、公路护栏、人行横道线等地物要素；面要素包括一般公路桥、路面标志等地物要素。

TOPODOT智能提取流程：

（1）对上述点云数据，通过调节点云的反射强度信息，使地物要素的边界轮廓更加分明；

（2）根据入库标准，在软件波处理，得到每一列位平台中定义地物要素图层、地物要素属性列表、地物要素图形符号和智能提取模板，生成地物图层的*.csv文件、地物要素图形符号和智能提取模板的*.cell文件，以及地物属性列表的*.xml文件，便于相同项目直接使用；

（3）利用TOPODOT的智能提取功能对地物要素进行矢量提取，提取结果（如图2所示）：

图2 矢量图形提取结果

从图2可以发现：TOPODOT很好实现了实验数据的特征点云分离，为后续智能化提取的准确性提供了先决条件；利用TOPODOT中智能提取功能，结合自定义的智能提取模板，对斑马线、杆状物、路面标线、道路边线等地物实现了准确提取，且矢量数据与路面起伏情况完全贴合。

2.3 属性编辑

在TOPODOT平台中，可以在绘制矢量图形时，使用自定义的地物属性列表为各个地物附着属性信息；也可在全部矢量图形完成后，利用自定义的地物属性列表按要素编码类别统一附着属性信息，结果（如图3所示）：

图3 地物要素属性成果

从图3可以看到：双臂路灯的属性信息不仅包括其空间位置信息，还包括灯杆高度信息、杆号信息；对于路灯的空间位置信息、灯杆高度信息等数值信息，可以根据点云数据自动识别，录入至属性表相应位置；对于路灯的杆号等字符信息，需要根据外业综合调绘结果，手动录入。

3.成果精度分析

为了对TOPODOT软件智能提取功能进行全面评估，利用网络RTK技术、全站仪技术在实验路段采集检查点，检查点均匀分布于路面标线、人行横道线、一般公路桥、交通标志、双臂路灯等地物要素，检查结果（如表1所示）：

从表1可以看出：该实验道路中线要素、面要素、点要素的点位精度都优于0.05m，满足道路全息测绘的精度需求；线要素中路面标线、人行横道线的点位误差为0.03m，说明了TOPODOT在路面标线智能提取的准确性；一般公路桥的点位平面点位误差不大于0.02m，而点位高程误差在0.03至0.05m范围内，可能是因为高架桥的震动导致RTK测高不稳定；点要素中交通标志的点位误差较差，是因为空中标志的点云密度较低，TOPODOT提取效果不佳，双臂路灯点位平面误差较大，而点位高程误差较低，可能是因为利用全站仪对双臂路灯进行偏心测量时，观测误差较大。因此，对于道路全息测绘，TOPODOT智能提取在提取精度上可以满足项目需求；在工作效率方面，若不考虑图层定义、图形符号制作、智能提取模板制作和属性列表定义等前期内容，TOPODOT可以实现人机交互式提取，极大降低了矢量图制作所需人力、时间。

表1 道路要素智能化提取点位精度分析表

4.结束语

综上所述，为了更好地解决道路全息测绘智能化提取程度不高、属性不易扩展的问题，本文采用TOPODOT软件进行全要素地形绘制，以广州某道路数据为例，并对绘制结果进行点位精度分析。通过分析，验证了点要素、线要素和面要素智能提取的准确性，为今后道路全息测绘工作提供了重要的参考数据。