路灯作为最常见的公共设施类型之一,是高精度城市道路地图构建和智慧城市管理的重要对象。要实现路灯的有效管理,需要获得每个路灯详细的信息,包括位置、型号、高度、朝向等,并且随着时间的推移,路灯的更换、增添等信息都会发生变化,而这些信息的获取都需要耗费大量的人力进行统计和测绘。车载LiDAR(light detection and ranging)作为当前测绘领域前沿技术之一,为更加精细的城市地理信息获取提供了技术支持[1-2],能在快速移动过程中获取道路两侧地物详尽的三维空间点云信息,对路灯信息的获取具有明显优势,路灯的各种空间特征都可以精确表达在三维点云中。
围绕车载LiDAR技术的路灯提取,相关的研究工作主要分为4类:
(1) 基于空间聚类的方法[3-7]。在滤除地面信息的前提下,对车载点云进行空间聚类,依据不同类型地物的空间特征,对地物进行分类与提取。该方法将地物分割为建筑物、树木、杆状地物、车辆等大类信息,但路灯与其他杆状地物的区分存在困难。
(2) 基于几何特征的方法[8-12]。该方法根据不同地物的空间几何特征,并根据语义信息及约束条件,实现杆状地物的分类提取。该方法能够将树木、路灯、指示牌等杆状地物分类提取出来,但针对每种路灯的具体型号,则不能进行有效识别,各路灯单元的具体参数信息获取能力有限。
(3) 基于超体元的方法[13-17]。该方法根据地物局部抽象特征,结合特征区域的空间上下文信息生成上下文可视词汇表,根据查询对象和分段语义对象之间上下文视觉单词包的相似性度量,检测出感兴趣的对象。该方法能够有效克服遮挡及数据不完整性等不利因素,检测出灯杆、交通路标、汽车等地物信息,但这对每种具体路灯型号的提取仍存在不足。
(4) 基于模板匹配的方法[18-21]。该方法根据感兴趣地物的空间特征,采用自动训练或建立先验样本的方法,在相应的几何特征约束和语义信息支持下,从三维场景中进行匹配,获得感兴趣的地物类型。基于模板的提取方法能够精细到各种类型的地物,包括路灯,但当前研究对车载LiDAR点云的完整性及路灯孤立程度要求较高,提取质量对点云及路灯所处环境依赖程度较大,需进一步改进和完善。此外,基于图割的提取方法则是通过欧氏距离聚类算法[22],并考虑了路灯灯杆的形状和点的强度信息来定义能量函数,用高斯混合模型从候选聚类中识别出路灯灯杆。该方法仍然不能实现路灯种类的识别及更详细路灯信息的获取。
当前从车载LiDAR点云中提取路灯的研究仍存在以下问题:①对路灯点云的完整性及路灯孤立程度要求较高,对正常条件下车载LiDAR系统获取道路场景点云数据,往往难以实现理想的路灯提取效果;②路灯的精细程度提取不够,对不同型号路灯的识别研究很少,而明确路灯型号才能满足精细化管理要求;③各种型号路灯的参数信息获取不足,这些参数对于路灯的动态变化检测、历史数据更新,以及照明分析都至关重要。基于以上问题,本文受样本分类思想启发[23],提出基于先验样本辅助的,骨架缓冲区判别的路灯点云提取与种类识别算法。
1 路灯模型路灯结构相对简单,同一种类型路灯在结构、形态方面相同,在车载LiDAR点云中表现出很高的相似性。数据处理中,利用路灯的高度、伸展度、结构形态等细节特征,能够实现不同类型路灯的准确区分,而同种类型的路灯也能进行归类。另外,路灯虽然种类繁多,结构差异也很大,但一定区域范围内,路灯的种类有限,存在大量的重复性,只要建立有限数量的先验样本,通过一定的匹配规则,将待探测路灯与已知先验样本进行匹配筛选,即可确定路灯的类型,进而获得该路灯其他更详细的属性信息,从而实现路灯的精细化提取,并可根据已探测路灯的相关信息(种类、空间布局、位置分布等),预判下一个同类路灯的可能位置。对候选路灯预分类时,可优先指定匹配类型,提高匹配的效率,完成识别后,对路灯的种类再度确认,以提高提取的准确度。基于上述思想,构建统一的路灯模型,并对不同类型路灯进行个性化处理,是实现路灯精细化提取的关键。
1.1 路灯点云特征路灯作为典型的杆状地物,分布在道路边缘或道路中间隔离带上,在车载LiDAR点云中,路灯表现出以下主要特征:
(1) 表面包含密集点云数据。车载LiDAR系统以极快的速度获取道路两侧地物密集点云,凡是车载LiDAR系统视野内的路灯,都包含数百至数千个三维点,这些点密集分布在路灯的表面,能清楚表达路灯的局部细节特征。
(2) 点云覆盖具有非完整性。受车载LiDAR系统自身激光器工作模式、外业数据获取方式、其他地物遮挡等因素的影响,所获取的点云对路灯表面覆盖具有非完整性,一般情况下,表面覆盖率为60%~95%。
(3) 主体特征表达明显。车载LiDAR系统都采用高度耦合的POS系统,为传感器实时提供高精度位置和姿态信息,解算后的点云数据有较高的绝对位置精度,在局部范围内,其相对精度更高,路灯的主体特征如直立的灯杆、灯头形态等都能够明显表达出来。
1.2 路灯几何参数分解结构上,路灯分为灯头和灯杆两部分。灯杆为相对单一的柱状(圆柱、棱柱、双柱等),位于路灯的下部并与地面相连。灯头有一定的结构特征,安装在灯杆顶部,或者附属在灯杆上部。为统一路灯模型,将下部单一的柱状部分定义为灯杆,附属有照明结构的非杆状部分为灯头。一般情况下,路灯的伸展度(路灯水平投影外包矩形的长边)不超过路灯高度的1/2。
要区分灯杆和灯头部分,关键是要找到两者的界点,界点以下为结构单一的柱状灯杆,以上则为结构相对复杂的灯头部分。对于每个候选路灯点云数据,沿灯杆高度1/2处向上以一定间距(0.2~0.5 m)向上搜索,对落在每段内的点云进行拟合,判断是否符合杆状地物的特征,若不符合且有一定的伸展度,且拟合后也不符合面状地物(广告牌等)的特征,则认为到达了界点,其上为灯头部分。
灯头是路灯结构的主体部分,也是路灯类型识别的主要参考依据。对灯头点云进行水平投影,求出最小外包矩形,该矩形的长边即为灯头的伸展度。对投影点云进一步拟合出直线段,该线段所在直线为路灯的方向线。以灯杆中心为界,将灯头两侧点云及对应线段分为两部分,端点距离灯杆远的一侧为路灯的正方向,该部分点云为路灯的前部分,距离近的一侧为路灯的后部分。若两个端点距离相等,则以高程来判断,高的一侧为前部分,低的一侧为后部分;若高程也相等,则指定任意一侧为前部分,另一侧为后部分。分出前后部分后,根据前后部分点云,分别求出前部分伸展度、前部分高、后部分伸展度、后部分高。多向路灯也符合上述规则,单向路灯只有前部分,没有后部分。路灯投影面积也是路灯的重要参数,是对点云在水平小格网(例如0.1×0.1 m)内投影,统计存在投影点的格网面积总和。
1.3 路灯骨架线抽取与缓冲区构建基于路灯在车载LiDAR点云中表达特点,单纯的点云匹配难以达到理想的效果,一维曲线骨架可以完整地表达物体的结构,具有数据简洁、拓扑结构明显等特性,是路灯匹配的重要参数。也可以在数据匹配后,根据依托骨架所构建的缓冲区,实现对各路灯点云的真实分割,且不受外界因素(树木等)的影响。采用具有抗噪声和干扰的L1骨架提取算法[24-25],并根据路灯点云数据的特点,在路灯骨架提取时,不使用局部稠密度权重,简化算法,以适用于路灯的骨架优化。流程如图 1所示。
根据L1中值理论,中心骨架迭代收缩的核心思想是带规整项的局部L1中值,最优化公式可概括为
式中,Q={qj}jòJ⊂R3是输入点集,X={xi}iòI⊂R3开始是从Q随机下采样的点集,并且点数|I|≪|J|。最小化公式(1)后,X变成了规整的、处于输入模型中心的“骨架点集”。R(X)为规整项
式中,{γi}i∈I是平衡参数,用来控制源输入点的引力和采样点间的斥力这两个能量间平衡。运用动点迭代法,给定当前迭代的点集Xk={xik},k=0, 1, 2, …,可得到下一个迭代点集,Xk+1=A-1(Xk)B(Xk)Q,即
式中,
基于提取的一维曲线中心骨架,需要构建以骨架为中心的缓冲区,目的是在匹配的过程中,对候选路灯点云进行筛选,以精化匹配的效果。基本方法为:以一定的距离间隔建立与骨架线垂直的横截面,将附近一定范围内的路灯点云投影至横截面上。如对于横截面P,P上的投影点为点集M,对点集M进行二维点聚类,保留距离骨架中心最近的一个聚类单元N(N≤M)作为该骨架的截面点;对点集N建立截面方向上的最小包围矩形,判断矩形的长宽比δ;若δ≥3,则以包围椭圆表示该截面,椭圆中心为骨架中心,椭圆的一条半轴平行于地面,椭圆参数根据最小包围矩形确定;若δ < 3,则以包围圆表示该截面,圆的中心为骨架中心,以点集N中距离骨架中心最远点到骨架中心的距离为圆的半径;椭圆和圆均在截面P上,若椭圆的长半轴和圆的半径小于5 cm,则以半径为5 cm的圆表示该处的截面(5 cm为根据路灯实际构造尺寸和移动系统的测量精度确定)。
1.4 路灯模型构建基于路灯几何参数和骨架线,构建路灯模型,主要包含以下几个部分:
(1) 点云数据:是路灯模型的数据基础,由落在路灯表面的一系列激光点组成。先验样本中的点云数据在构建样本前直接赋值,选择数据质量好、表面覆盖率高的路灯点云作为样本数据。非样本数据则是通过相关路灯探测算法自动获得,每个路灯都拥有独自的点云数据。
(2) 几何参数:是在路灯模型语义的基础上,由点云数据自动生成。路灯几何模型分为两部分:灯杆和灯头(图 2(a))。灯杆为竖直状杆状地物,是初始阶段判断杆状地物的主要参考;灯头为路灯的主要结构部分,是区别路灯型号的主要依据。投影面积是区别路灯与树木等地物的重要参数。
(3) 结构参数:是在几何模型的支持下,由点云数据自动计算生成,包括路灯位置PB、路灯高度Ph、灯杆高度Hh-bottom、灯头高Hh、灯头伸展度Hr、前部分伸展度Hr-front、前部分高Hh-front、后部分伸展度Hr-back、后部分高Hh-back、路灯方向向量m(图 2)、灯头结构线和缓冲区参数(图 3)。
(4) 属性信息:包括路灯的型号、ID号、归属信息等。路灯型号由候选路灯数据与先验样本匹配后赋值,ID号在路灯型号匹配定型后由系统自动累积生成,归属信息等则是在完成区域内路灯匹配,根据街道等信息批处理指定。
(5) 建模方法:是模型生成及相关操作的各种算法,包括路灯点云自动生成、几何参数自动生成、路灯属性自动生成、路灯自动提取与识别等。
(6) 实体模型:与路灯型号相关联,是路灯在各种场景中表达的对应模型,可以为二维模型、三维模型、动态模型等。
2 路灯提取在路灯模型和样本集的支持下,从车载LiDAR点云中实现路灯的提取。原理如下:依据数学形态学的理论和方法,提取出车载LiDAR点云中的杆状地物,在路灯模型和语义规则的约束下,获得候选路灯;根据候选路灯的参数信息,以及已获取路灯的统计信息,从样本集中筛选出候选样本;基于最小二乘理论的匹配算法,对候选路灯和候选样本进行匹配;建立路灯样本缓冲区,对候选路灯进行判别分析,实现路灯提取和种类识别,并把识别信息添加入已有路灯信息。图 4为算法流程。
2.1 候选路灯提取 2.1.1 地面滤波
地面滤波算法中,基于TIN的渐进加密的地面点滤波算法[26]及其改进算法[27]较为成熟,地面点提取完整性好,但进行高密度车载LiDAR点云滤波时,计算过程复杂耗时。本研究中,地面点提取的目的是根据路灯位置提供路灯底部高程信息,仅需要构建规则DEM,不需要完整的地面点,因此采用耗时较少的数学形态学滤波方法[28],并根据车载LiDAR点云数据特点,对算法进行改进,增加二次反向滤波,将误分为地面点的点云采用较大的格网间隔再次滤波,剔除由于地面空洞导致的错误地面点。滤波算法步骤如下:
(1) 构建格网。遍历LiDAR点云数据,探测数据在X和Y方向上的极值Xmax、Xmin、Ymax、Ymin,并以此构建边长为D的m×n格网,m、n计算方式如式(4)所示
式中,D根据点云密度选择[29],使格网内包含足够多的点。
(2) 离散点高程腐蚀。遍历所有格网,取任意一格网为操作格网,并以此为中心,开w×w个格网大小的窗口,比较窗口内各点的高程,取窗口内最小高程值为操作格网中点云腐蚀后的高程。
(3) 离散点高程膨胀。再次遍历所有格网,对经过腐蚀后的数据用同样大小的结构窗口进行膨胀,即以任意一网格为中心开w×w大小的窗口,此时,用腐蚀后的高程值代替原始高程值,比较窗口内各点的高程,取窗口内最大高程值为操作格网中点云膨胀后的高程。
(4) 地面点提取。例如一点p,设Zp是p点的原始高程,t为阈值,在每点膨胀操作结束时,对该点是否是地面点做出判断。如果p点膨胀后的高程值和其原始高程值Zp之差的绝对值小于或等于阈值t,则认为p点为地面点,否则为非地面点。
(5) 构建规则DEM。提取出来的地面点,使用时需要以数字高程信息表示,因此需要依据地面点构建规则DEM来表示地表高程;规则DEM以水平投影边长为length的正方形表示。将地面点云在XOY平面格网化,对于一个格网邻域范围内包含3个及以上点云的节点,通过去除极值后取平均值的方法计算出该节点的高程值;对于没有高程值的格网节点,使用反距离加权法以具有高程值的节点计算其高程值。
2.1.2 杆状地物提取基于路灯灯杆为连续竖直杆状物的特点,将原始点云格网化,并通过数学形态学闭运算,以单列竖直n层格网为模板进行候选路灯杆位置的提取(图 5(a))。如图 5(b)为路灯点云,建立三维空间格网,标记包含点云的网格,图 5(c)为格网化后的路灯。由于在数据采集过程中,路灯不可避免地被其他地物遮挡而导致灯杆的不连续,因此先通过膨胀算法使部分因遮挡而数据缺失的灯杆上下部联结(图 5(d)),再通过腐蚀算法去除竖直连续较短的地物格网,则可以保留路灯及与路灯高度相近地物的杆状部分格网(图 5(e))。格网膨胀高度根据数据完整水平决定,腐蚀模板通常采用高差为2/3倍Ph的模板进行腐蚀。完成上述操作后,以保留格网的水平几何中心为候选路灯的水平位置。
2.1.3 候选路灯获取
提取出杆状地物后,依据路灯模型,获取疑似路灯的结构信息和参数信息,灯高与伸展度的比例约束、路灯的投影面积约束,将路灯与其他大多数非路灯对象滤除。考虑到遮挡等因素,聚类获取的杆状地物可能存在数据不连续性,提取出候选路灯位置后,在水平方向上,以候选路灯位置为中心,1.2倍Hr(灯头伸展度)为半径,选取该范围内的点作为候选路灯及周围点云。同样以候选路灯位置为中心,0.2 m为半径,选取该范围内的点作为候选路灯灯杆点云。
2.2 样本候选 2.2.1 样本集构建方法对类型多样的路灯构建样本集,可拓展样本的通用性,提高路灯提取的效率和准确性。基于路灯样本模型及其参数信息,从4个层次构建样本集(图 6):1层以高度为主要依据,以3 m为间隔划分单元,将路灯归类到不同区间中;2层以伸展度为主要依据,以0.8 m为划分单元,将路灯归类到不同区间中;3层以灯头数量为主要依据,划分为单向、双向、多向路灯;4层具体到每种型号的路灯。
2.2.2 样本候选方法
样本候选采用已提取路灯类型优先的原则,用一维数组存储已经提取的路灯型号信息,包括类型、数量及位置等信息,按照最近一次出现的时间,在一维数组中对候选路灯型号排序,出现越晚位置越靠前。由于路灯的大量重复性,当前候选路灯与前一路灯相同的概率很大,依据上面的原则,能大幅度提高效率及准确性。当已提取信息为空,或者匹配后不能满足要求时,则依据路灯模型,提取候选路灯相关参数,按自顶向下的原则从样本集中选择候选样本:先按候选路灯的高度进行划分,判断落在哪个高度区间,将该区间内的路灯样本作为筛选对象,若高度同时接近两个区间(±0.5 m),则将两个高度区间的样本都作为筛选对象。再根据水平投影伸展度选择伸展度区间,将该区间内的路灯样本作为筛选对象,若伸展度同时接近两个区间(±0.2 m),则将两个区间内的路灯样本作为筛选对象。接下来选择灯头朝向,根据候选路灯的前后部分投影和水平投影来确定,若只有前部分投影,则为单向路灯,若有前后部分投影,且水平投影的长、宽比<1.5,则说明长宽比例相近,可判断为多向路灯,若水平投影的长、宽比≥1.5,则判断为双向路灯。最后对底层的若干路灯样本,依次进行匹配操作,选择最合适的类型,作为当前候选路灯的类型归属。若没有找到合适的匹配类型,则从底层逐步向上,与其他区间内样本进行匹配,直至遍历样本集中所有样本。
若样本集中没有找到合适的样本,则启动新增样本模式:将当前候选路灯作为一个新的路灯类型,按照样本集构造方法找到归属的层,其类型属于待定,并作为新的样本,参与后面的类型识别。待路灯提取操作完成后,则在人工干预下,完善新增样本信息,对并该类路灯进行重新确认。
2.3 样本匹配对所提取出的候选路灯点云,依据所构建的路灯模型,自动求取结构参数信息,与样本集中的样本点云进行匹配。若候选路灯点云与样本集中的某一型号路灯匹配,则判断为该种型号的路灯。若不能找到匹配的样本点云,则存在两种可能:一是样本集中不存在该种型号的路灯;二是该地物为非路灯,将该候选路灯作为待处理对象。
2.3.1 杆部匹配将样本路灯与候选路灯进行匹配,包括灯杆底部高程和灯杆方向匹配两个步骤。由于灯杆并非绝对垂直于地面,因此对提取的候选路灯杆点云采用最小二乘法拟合空间直线,选取拟合直线与地面DEM交点作为候选路灯灯杆的底部点,通过平移,将路灯样本灯杆底部点平移至与候选路灯灯杆底部点重合,如图 7(a)。然后将路灯样本绕灯杆底部点旋转,使得样本路灯灯杆与候选路灯灯杆重合,如图 7(b),即实现了路灯灯杆的匹配。
2.3.2 灯头匹配
依据灯杆匹配结果和路灯参数Hh-bottom(灯杆高)与Hh(灯头高),截取候选路灯点云中灯头高度范围内的点作为候选路灯头点云。在垂直于灯杆方向上,为实现路灯样本绕路灯杆旋转后与候选路灯灯头方向最佳匹配,引入最小二乘的思想:以灯杆向上方向为z轴正方向,将候选灯头部分点云投影至xOy平面(图 8),点O为灯杆水平中心,m为样本的灯头方向,计算出旋转角ε并进行样本旋转即可实现灯头匹配。
如图 9中一点P,路灯样本方向m到点P的夹角为α,点P到路灯杆轴水平距离R,路灯样本方向m到P的弧长为L,L具有方向性。有
旋转后的弧长
则样本旋转后所有点的弧长平方和G(ε)为
求ε的值使旋转后弧长平方和G(ε)的值最小,则可求得使样本与候选点云重合所需要的角度[30]。对ε求导得一阶导函数F(ε)为
由F(ε)可知G(ε)存在极小值,且F(ε)=0时,G(ε)为最小值,令F(ε)=0得求得
由于该算法提取出来的方向不能判断路灯正反向,因此需要根据1.4节中的路灯前后部分不同参数进行正反向判断,若为正向则旋转角为ε,反之则为ε+π。路灯样本在水平方向上,绕路灯灯杆轴旋转ε(或ε+π),即可实现与候选路灯灯头点云方向的重合。
2.4 识别提取 2.4.1 缓冲区判断策略判断候选路灯是否与样本路灯一致,依据灯头结构信息进行判断。若候选路灯与样本路灯一致,则在样本灯头结构线附近包含大量对应点云,这些点均匀地分布在结构线附近,在样本没有结构线的地方,不包含点或包含少量噪声点。依据此原则,对灯头样本结构线分别建立以R1和R2为半径的缓冲区,两个缓冲区命名为LS和N-LS,如图 10所示,LS不包含于N-LS;构建的缓冲区如图 11(a)所示。若满足:①在LS内沿结构线方向上均匀地分布着路灯点云;②在N-LS内,较少存在路灯点云,则判断为路灯,如图 11(b)所示。算法操作时,将缓冲区划分为较小的区段,统计包含点云缓冲区的体积、不包含点云缓冲区的体积与总体体积之间的比值,作为上述两个准则的判断依据:
(1) 在LS内沿结构线方向上均匀地分布着路灯点云,即在LS内VLS点/VLS总 < T1为非路灯,VLS点/VLS总≥T1则可能为路灯,其中VLS点为LS内含有点的缓冲区的体积,VLS总为LS总的体积,T1用于判断点云是否在LS内沿结构线方向上均匀分布的判断阈值。
(2) 在N-LS内,较少地存在路灯点云,即在LS内VNLS点/VNLS总≤T2为路灯,VNLS点/VNLS总>T2为非路灯,其中VNLS点为N-LS内含有点的缓冲区体积,VNLS总为N-LS总的体积,T2用于判断点云是否在LS内沿结构线方向上均匀分布的判断阈值。
若候选路灯被判断为与样本路灯一致,则提取LS和N-LS范围内的点云作为路灯点云。
2.4.2 参数确定依据进行缓冲区判断时,涉及4个参数,建立LS和N-LS缓冲区的R1和R2,以及用于路灯判别的阈值T1和T2,其中R1和R2根据骨架线的变化而变化。R1与R2根据缓冲区参数确定,在某一段骨架线上R1设置要略大于该骨架线提取的缓冲区参数,通常R1选取为1.2倍缓冲区参数,R2设置为1.5~2.5倍R1。T1根据数据采集质量确定,当数据质量好,路灯结构基本完整时,将T1设置为较高的值,反之则需要降低T1值。T2根据路灯周边环境确定,若路灯穿插在行道树等地物中,则T2需要设置为较大的值,反之则可以设置为较小值。试验中,T1的值为0.7,T2的值为0.25。
3 试验分析选取3个试验区的数据进行试验,3个试验区中包含了不同种类、不同存在状况和不同数据质量的路灯。使用本文算法进行运算,并对试验结果进行了分析。
3.1 数据概况试验数据概况如表 1所示。试验区A包含3种类型的路灯,测量车采用单侧车道一次测量,道路中间为有行道树的绿化带,道路右侧的数据质量优于道路左侧,可验证数据完整性对算法的影响。试验区B包含两种类型的路灯,分别为孤立的路灯和与行道树穿插在一起的路灯。试验区C包含一种路灯,为带有广告牌的路灯,可验证路灯灯杆上附属物对提取算法的影响。图 12中(a)、(b)和(c)分别为试验区A、B和C的原始点云图像。
试验区A | 试验区B | 试验区C | |
数据获取时间 | 2012-11-13 | 2015-06-07 | 2016-08-22 |
激光系统 | StreetMapper | SSW | SSW-Ⅲ |
脉冲频率/kHz | 300 | 200 | 300 |
路灯种类数 | 3 | 2 | 1 |
采集往返数 | single | double | double |
全长/km | 5.2 | 2.1 | 1.8 |
3.2 数据处理
先依据测量GNSS轨迹线,保留道路两侧一定范围内的数据点,将距离较远的数据点去除,这样不但减少了数据量,保留了必要的路灯点云数据,而且能去除建筑物等地物的影响。然后对保留数据进行处理,包括样本构建和候选路灯提取。图 13为路灯样本集中的部分样本点云,方框圈选的路灯为与本研究相关的6个路灯点云,根据路灯模型,对应的几何模型和结构参数如表 2所示。其中路灯结构线由一组或多组连续线段表示,线段由两端点的节点表示。提取路灯的结构参数后,根据路灯结构参数中灯杆高进行候选路灯位置的提取,表 3中为测区中实际存在的路灯和提取出来的候选路灯数量。在试验区B中,由于存在较多与路灯高度近似的杆状地物,因此提取的候选路灯数量相对试验区A中较多。实现候选路灯位置提取后,根据样本参数中的路灯范围进行候选路灯及其周边点云的提取。然后根据样本参数进行灯杆匹配和灯头匹配,并根据灯头的前后尺寸差异进行正确的灯头方向判别。最后根据样本结构线建立缓冲区,进行路灯的判断和路灯点云的提取。
种类1 | 种类2 | 种类3 | 种类4 | 种类5 | 种类6 | |
试验区 | A | A | A | B | B | C |
点云 | ||||||
灯高Ph/m | 10.8 | 13.5 | 9.71 | 10.54 | 11.45 | 11.35 |
灯杆高Hh-bottom/m | 6.5 | 11.8 | 0.86 | 10.54 | 10.65 | 8.3 |
灯头高Hh/m | 2.5 | 0.5 | 0.76 | 1.39 | 1.5 | 2.85 |
灯头伸展度Hr/m | 2.05 | 2.57 | 2.14 | 2.8 | 2.74 | 2.00 |
路灯方向向量m | 89.88 | 88.48 | 269.71 | 89.98 | 88.43 | 183.23 |
前部分伸展度Hr-front | 2.05 | 2.57 | 2.14 | 2.8 | 2.74 | 2.00 |
前部分高Hh-front | 0.48 | 0.45 | 0.76 | 1.38 | 1.49 | 0.80 |
后部分伸展度Hr-back | 1.63 | 0 | 0.36 | 2.5 | 0 | 1.97 |
后部分高Hh-back | 2.2 | 0 | 0.14 | 1.39 | 0 | 0.98 |
一维 骨架线 |
3.3 提取结果
图 14为试验区提取出来的路灯位置示意图,图中包括6种路灯的位置和GNSS轨迹。3个试验区路灯提取结果统计如表 4所示。
区域 | 种类 | 存在路灯数 | 提取路灯数 | 路灯提取率 | |||||||
完整 | 左侧 | 完整 | 左侧 | 错误 | 完整 | 左侧 | 错误 | ||||
A | 1 | 8 | 8 | 8 | 5 | 0 | 1.000 | 0.625 | 0 | ||
2 | 105 | 108 | 101 | 85 | 4 | 0.962 | 0.787 | 0.019 | |||
3 | 18 | 25 | 16 | 20 | 1 | 0.889 | 0.800 | 0.023 | |||
B | 4 | 65 | - | 63 | - | 2 | 0.969 | - | 0.030 | ||
5 | 42 | - | 37 | - | 2 | 0.881 | - | 0.048 | |||
C | 6 | 77 | - | 75 | - | 0 | 0.974 | - | 0 | ||
总计 | 6 | 315 | 141 | 300 | 110 | 9 | 0.952 | 0.780 | 0.024 | ||
注:种类4为孤立路灯,种类5为与行道树穿插的路灯。 |
3.4 结果分析
表 4中包括3个测试区内实际存在的路灯数量,本文算法提取的路灯数量,以及误将其他地物提取路灯的数量,并计算各项值比例。
下面对路灯提取结果进行定性定量分析:
(1) 提取准确率。试验区A中,数据完整的路灯为131个,提取出125个,提取率为95.4%;道路左侧数据质量较差的路灯为141个,提取出110个,提取率为78.0%。试验区B中孤立的路灯为65个,提取出63个,提取率96.9%;与行道树交叉的路灯为42个,提取出37个,提取率为88.1%。试验区域C中路灯为77个,提取出75个,提取率97.4%。3个试验区中,数据完整路灯共315个,总提取数为300个,总的提取率为95.2%,错误提取9个,错误率2.4%。分布在道路另一侧数据质量较差的路灯提取率为78%。
(2) 种类识别。当试验区中存在多个类型路灯时,本文算法成功地实现了路灯的种类识别,如图 15中为试验区B中种类4和种类5路灯的交叉区域,依据本文算法成功地将这两种路灯进行了区分。
(3) 路灯存在状态。路灯的存在状态主要指其与周边环境中的其他地物之间的关系。以试验区B为例,种类4的路灯安装在绿化带中,周边仅有低矮的灌木丛,因此其为孤立的路灯,灯杆和灯头没有和其他地物的相交关系。而种类5的路灯安装在种植有行道树的路边沿,因此路灯灯杆较多地与行道树穿插在一起,为与行道树交叉的路灯。试验过程中,由于行道树树冠的影响,种类5的灯杆部分点云部分缺失,因此在提取候选路灯位置时,需要选取较大的值进行膨胀运算,以使灯杆链接为一个整体。由提取结果数据可知,与行道树穿插在一起的路灯仍可以达到88.1%的提取率。需要注意的是,种类5中,虽然路灯与行道树有交叉部分,但行道树树冠并没有淹没路灯灯头部位,所以灯头方向提取算法可以准确的进行,若灯头部分和行道树树冠点云交叉严重,则难以取得较好的提取效果。
(4) 数据质量对提取效果的影响。试验区A中,测量车采用单侧车道一次测量,且道路中间是有行道树的绿化带,因此道路右侧的数据质量优于道路左侧,数据的这种特点验证了数据的完整性对本文算法的影响。从提取结果中可以看出,对数据完整的点云可以达到95.4%的提取率,对不太完整的路灯点云也能达到78.0%的提取率。为进一步验证点云密度对本文算法的影响,本文采用对原始点云进行重采样,改变试验区的点云密度,并再次对试验区使用本文算法进行路灯提取,对种类2和4、5进行统计,图 16为重采样后提取的路灯的对比,试验区A和试验区B的原始点云密度分别为0.022 m和0.035 m(路灯灯杆上最近点的平均距离)。从试验结果可以得出,对于孤立的种类2右侧和种类4的路灯,点云密度的降低并没有对提取结果造成太大的影响,而对于种类2左侧受遮挡的路灯和种类5与行道树交叉的路灯,降低点云的密度,将使得算法较难正确分辨路灯的形状,从而降低了算法的提取准确性。
(5) 路灯附属物的影响。在试验区域C中,路灯上安装有广告牌,作为路灯的附属物,根据本文的路灯提取算法,在提取和判断路灯点云时,将不受其影响。如图 17所示,橙色点为地面点,红色点为本文算法提取的路灯点,其他点为未分类点,路灯附属物被归为未分类的点云中。试验结果验证,本文路灯提取算法对路灯上的附属物有很好的抗干扰特性,在路灯点云提取时,不会受到路灯附属物的影响,在后期研究中,还可以根据该算法特性,进行路灯附属物点云提取研究。
(6) 运算效率。文中算法实现采用VC++与OpenGL编程实现,采用普通笔记本电脑运行,电脑基本配置为:Intel Core i5-6200双核处理器、2 GB独立显卡、64位操作系统、8 GB内存。3个试验区运算基本情况如表 5所示。
从表 5可以看出,本文算法有很高的运行效率,运算时间与数据量呈线性关系,完全能够满足实际工程建设的需要。
4 结束语提出车载LiDAR点云中路灯自动提取与识别算法,通过构建准确的路灯样本模型,不但能准确提取出车载LiDAR场景中的路灯,而且能自动识别出路灯的型号,获得每个路灯准确的参数信息,实现了路灯的精确提取。该算法仅需点云的三维空间坐标,有较强的普适性。通过试验分析,本算法对于质量好的点云数据,可以达到较高的提取率,对于数据质量相对较差的数据,仍能达到乐观的提取结果。对于与行道树穿插在一起的路灯,同样具有较好的提取效果,弥补了先前研究中的不足。当路灯灯头部分点云大量缺失,或者路灯杆不为竖直杆状地物时,本文算法难以实现有效提取,需要在后续研究中不断完善。
[1] |
卢秀山, 李清泉, 冯文灏, 等.
车载式城市信息采集与三维建模系统[J]. 武汉大学学报(工学版), 2003, 36(3): 76–80.
LU Xiushan, LI Qingquan, FENG Wenhao, et al. Vehicle-borne Urban Information Acquisition and 3D Modeling System[J]. Engineering Journal of Wuhan University, 2003, 36(3): 76–80. |
[2] | QIN Rongjun, GRUEN A. 3D Change Detection at Street Level Using Mobile Laser Scanning Point Clouds and Terrestrial Images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 90: 23–35. DOI:10.1016/j.isprsjprs.2014.01.006 |
[3] | WANG Zhen, ZHANG Liqiang, FANG Tian, et al. A Multiscale and Hierarchical Feature Extraction Method for Terrestrial Laser Scanning Point Cloud Classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(5): 2409–2425. DOI:10.1109/TGRS.2014.2359951 |
[4] |
李永强, 杨莎莎, 李框宇, 等.
车载激光扫描数据中杆状地物提取[J]. 测绘科学, 2015, 40(8): 42–46.
LI Yongqiang, YANG Shasha, LI Kuangyu, et al. Extraction of Rod-like Objects from Vehicle-borne LiDAR Data[J]. Science of Surveying and Mapping, 2015, 40(8): 42–46. |
[5] |
谭贲, 钟若飞, 李芹.
车载激光扫描数据的地物分类方法[J]. 遥感学报, 2012, 16(1): 50–66.
TAN Ben, ZHONG Ruofei, LI Qin. Objects Classification with Vehicle-borne Laser Scanning Data[J]. Journal of Remote Sensing, 2012, 16(1): 50–66. |
[6] | RODRÍGUEZ-CUENCA B, GARCÍA-CORTÉS S, ORDÍÑEZ C, et al. Automatic Detection and Classification of Pole-like Objects in Urban Point Cloud Data Using an Anomaly Detection Algorithm[J]. Remote Sensing, 2015, 7(10): 12680–12703. |
[7] | YAN W Y, MORSY S, SHAKER A, et al. Automatic Extraction of Highway Light Poles and Towers from Mobile LiDAR Data[J]. Optics & Laser Technology, 2016, 77: 162–168. |
[8] |
冯义从, 岑敏仪, 张同刚.
基于知识的车载LiDAR地物自动分类[J]. 计算机工程与应用, 2016, 52(5): 122–126.
FENG Yicong, CEN Minyi, ZHANG Tonggang. Knowledge-based Automatic Objects Classification from Mobile LiDAR Data[J]. Computer Engineering and Applications, 2016, 52(5): 122–126. |
[9] | LI Dan. Optimising Detection of Road Furniture (Pole-like Objects) in Mobile Laser Scanner Data[D]. Amsterdam:University of Twente, 2013. |
[10] | YOKOYAMA H, DATE H, KANAI S, et al. Detection and Classification of Pole-like Objects from Mobile Laser Scanning Data of Urban Environments[J]. International Journal of CAD/CAM, 2013, 13(1): 1–10. |
[11] | ZAI Dawei, CHEN Yiping, LI J, et al. Inventory of 3D Street Lighting Poles Using Mobile Laser Scanning Point Clouds[C]//Proceedings of 2015 IEEE International Geoscience and Remote Sensing Symposium. Milan:IEEE, 2015:573-576. |
[12] | YANG Bisheng, DONG Zhen. A Shape-based Segmentation Method for Mobile Laser Scanning Point Clouds[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 81: 19–30. DOI:10.1016/j.isprsjprs.2013.04.002 |
[13] | LEHTOMÄKI M, JAAKKOLA A, HYYPPÄ J, et al. Detection of Vertical Pole-like Objects in a Road Environment Using Vehicle-based Laser Scanning Data[J]. Remote Sensing, 2010, 2(3): 641–664. |
[14] | YANG Bisheng, DONG Zhen, ZHAO Gang, et al. Hierarchical Extraction of Urban Objects from Mobile Laser Scanning Data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 99: 45–57. DOI:10.1016/j.isprsjprs.2014.10.005 |
[15] | WU Fan, WEN Chenglu, GUO Yulan, et al. Rapid Localization and Extraction of Street Light Poles in Mobile LiDAR Point Clouds:A Supervoxel-based Approach[J]. IEEE Transactions on Intelligent Transportation Systems, 2017, 18(2): 292–305. DOI:10.1109/TITS.2016.2565698 |
[16] | YU Yongtao, LI J, GUAN Haiyan, et al. Bag of Contextual-Visual Words for Road Scene Object Detection from Mobile Laser Scanning Data[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 17(12): 3391–3406. DOI:10.1109/TITS.2016.2550798 |
[17] | YANG Bisheng, DONG Zhen, ZHAO Gang, et al. Hierarchical Extraction of Urban Objects from Mobile Laser Scanning Data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 99: 45–57. DOI:10.1016/j.isprsjprs.2014.10.005 |
[18] | YU Tianshu, WANG Ruisheng. Scene Parsing Using Graph Matching on Street-view Data[J]. Computer Vision and Image Understanding, 2016, 145: 70–80. DOI:10.1016/j.cviu.2016.01.004 |
[19] | YU Yongtao, LI J, GUAN Haiyan, et al. Semiautomated Extraction of Street Light Poles from Mobile LiDAR Point-clouds[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 53(3): 1374–1386. |
[20] | YU Yongtao, LI J, GUAN Haiyan, et al. Three-dimensional Object Matching in Mobile Laser Scanning Point Clouds[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 12(3): 492–496. |
[21] | YU Yongtao, LI J, GUAN Haiyan, et al. Automated Extraction of Urban Road Facilities Using Mobile Laser Scanning Data[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(4): 2167–2181. DOI:10.1109/TITS.2015.2399492 |
[22] | ZHENG Han, WANG Ruisheng, XU Sheng. Recognizing Street Lighting Poles from Mobile LiDAR Data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(1): 407–420. DOI:10.1109/TGRS.2016.2607521 |
[23] |
孙飞, 徐世武, 张岩.
利用目标类样本的遥感分类策略[J]. 测绘科学, 2016, 41(2): 133–139.
SUN Fei, XU Shiwu, ZHANG Yan. Classification Strategy for Remote Sensing Data Based on Positive Training Samples[J]. Science of Surveying and Mapping, 2016, 41(2): 133–139. |
[24] | HUANG Hui, WU Shihao, COHEN-OR D, et al. L1-medial Skeleton of Point Cloud[J]. ACM Transactions on Graphics, 2013, 32(4): 65. |
[25] |
伍世浩. 点云模型的L1-中心骨架[D]. 广州: 华南理工大学, 2014. WU Shihao. L1-medial Skeleton of Point Cloud[D]. Guang-zhou:South China University of Technology, 2014. |
[26] | AXELSSON P. DEM Generation from Laser Scanner Data Using a Daptive TIN Models[J]. International Archives of Photogrammetry and Remote Sensing, 2000, 33(B4): 110–117. |
[27] |
李卉, 李德仁, 黄先锋, 等.
一种渐进加密三角网LiDAR点云滤波的改进算法[J]. 测绘科学, 2009, 34(3): 39–40, 216.
LI Hui, LI Deren, HUANG Xianfeng, et al. Advanced Adaptive TIN Filter for LiDAR Point Clouds Data[J]. Science of Surveying and Mapping, 2009, 34(3): 39–40, 216. |
[28] | CHEN Qi, GONG Peng, BALDOCCHI D, et al. Filtering Airborne Laser Scanning Data with Morphological Methods[J]. Photogrammetric Engineering & Remote Sensing, 2007, 73(2): 175–185. |
[29] | CAHALANE C, MCELHINNEY C P, LEWIS P, et al. MIMIC:An Innovative Methodology for Determining Mobile Laser Scanning System Point Density[J]. Remote Sensing, 2014, 6(9): 7857–7877. |
[30] | Wikipedia. Linear Least Squares (Mathematics)[Z]. 2016:2016. |